一种多速率的交互式多模型粒子滤波算法

针对融合交互式多模型和粒子滤波,提出了一种采用多速率方法的交互式多模型粒子滤波(MRIMMPF)算法.该算法采用多模型结构来跟踪任意机动的目标,各模型采用粒子滤波,以处理非线性、非高斯问题.但是粒子滤波的问题是计算量过大,特别是应用到IMM算法时,多速率方法则可以在保证算法性能的同时解决此问题.仿真结果表明,MRIMMPF算法在性能上明显优于交互多模型粒子滤波(IMMPF)算法,具有较小的计算量.     

基于P-N跟踪器的自适应粒子滤波算法

针对粒子滤波(Particle filter)算法的粒子衰退和计算量过大问题,提出一种将P-N跟踪器与粒子滤波算法结合的目标跟踪方法。首先构造P-N跟踪器,利用跟踪器来确定目标区域范围并输出置信度,以此作为对目标物体定位的依据;在滤波过程中,依据跟踪器结果来进行粒子重采样过程,完成了对抽样粒子集的自适应调节,提高了粒子数量,有效降低了粒子数量。从而达到了抑制粒子衰退和动态调整计算量的目的。实验证明将该方法应用于实时摄像头采集视频跟踪,与传统粒子滤波算法比,在抗粒子衰退与减少粒子数量方面有明显改善。     

基矛P—N跟踪器的自适应粒子滤波算法

针对粒子滤波（Particle filter）算法的粒子衰退和计算量过大问题,提出一种将P—N跟踪器与粒子滤波算法结合的目标跟踪方法。首先构造P—N跟踪器,利用跟踪器来确定目标区域范围并输出置信度,以此作为对目标物体定位的依据;在滤波过程中,依据跟踪器结果来进行粒子重采样过程,完成了对抽样粒子集的自适应调节,提高了粒子数量,有效降低了粒子数量。从而达到了抑制粒子衰退和动态调整计算量的目的。实验证明将该方法应用于实时摄像头采集视频跟踪。与传统粒子滤波算法比。在抗粒子衰退与减少粒子数量方面有明显改善。     

量子进化粒子滤波算法及其在说话人跟踪中的应用

以说话人跟踪问题作为应用背景,针对非线性、非高斯随机系统的状态估计问题,本文将量子进化算法和粒子滤波相结合,提出了一种量子进化粒子滤波算法.该算法采用量子编码来表示粒子;通过模拟量子坍塌产生粒子集,同时引入量子变异与量子交叉操作来保持粒子的多样性,从而提高了算法的滤波性能.计算机仿真与说话人跟踪实验结果表明,量子进化粒子滤波算法比通常的粒子滤波算法具有更好的滤波性能.     

基于权重一致性优化的实时Marginalized粒子滤波算法

针对Marginalized粒子滤波中随机量测噪声对于非线性状态估计精度的不利影响以及线性状态估计中计算量较大问题,提出了一种基于权重一致性优化的实时Marginalized粒子滤波算法.首先,结合量测系统建模中先验信息的提取和利用,通过粒子权重间一致性距离和一致性矩阵的构建,提出了量测提升策略下权重的一致性优化方法,以改善粒子滤波在非线性状态估计中的滤波精度.其次,通过对Marginalized粒子滤波实现中时间更新和量测更新环节的结构优化,给出了实时Marginalized粒子滤波,以降低蒙特卡罗仿真实现下卡尔曼滤波在状态线性估计中的计算复杂度.最后,在两者的动态结合基础上给出了新算法具体实现步骤.利用基于单站雷达目标跟踪仿真场景,分析了算法性能.理论分析和仿真实验结果验证了算法的可行性和有效性.     

一种Camshift优化的粒子滤波跟踪算法

针对传统粒子滤波目标跟踪算法中用先验转移概率作分布函数时计算量大、粒子退化严重且未考虑最新观察信息等缺点,提出了一种Camshift优化的粒子滤波跟踪算法.算法首先在粒子滤波框架下,利用Camshift算法使粒子向目标状态的最大后验核密度估计方向移动.然后针对目标所处环境的不同,提出了适时调整参与Camshift算法优化的粒子数的方法,既考虑了跟踪算法的效率又考虑了粒子的多样性.跟踪结果表明,该算法的跟踪性能明显优于传统的粒子滤波算法,具有很好的实时性和鲁棒性.     

粒子优化组合的粒子滤波跟踪算法研究

为了改善运动目标跟踪问题中粒子滤波算法(PF)的估计精度,针对粒子滤波出现样本退化以及样本贫乏问题,提出了一种基于粒子优化组合的粒子滤波算法(POCPF)。该算法用一能使粒子朝后验概率分布值较大的区域运动的似然函数来改善粒子的位置,然后重估粒子的权值对粒子进行优化组合,满足粒子的多样性要求,从而克服了粒子的贫乏问题,在一定程度上减少系统状态为达到精确度所需的粒子数目,缩短运行时间。通过仿真实验证明了POCPF算法的有效性,当粒子数相同时,POCPF算法性能优于PF算法。     

基于CPFDE的目标跟踪算法研究

在目标跟踪中,为了克服粒子滤波的粒子退化和贫化问题,提高滤波精度,文中将差分演化算法与容积粒子滤波相结合,形成了差分演化容积粒子滤波算法。在粒子进行先验更新时, 使用容积卡尔曼滤波算法融入当前时刻的量测信息并用其来产生重要性密度函数,并且在重采样阶段,用差分演化算法对根据重要性密度函数抽取的采样粒子做优化操作,从而克服粒子滤波存在的粒子退化及贫化问题,提高滤波性能。实验结果表明,和粒子滤波、无迹粒子滤波、容积粒子滤波相比,该算法有着更高的滤波精度和更好的稳定性,并且能够提高雷达机动目标跟踪的精确性。     

一种基于QMC-APF的检测前跟踪算法

针对粒子滤波检测前跟踪算法中存在的粒子数目大,导致计算量和存储量大的问题,提出了一种基于拟蒙特卡罗的辅助粒子滤波检测前跟踪算法。该算法通过引入拟蒙特卡罗思想,产生低差异序列代替原来算法中的伪随机序列,使得粒子分布更加均匀,可以有效降低粒子数;采用辅助粒子滤波算法,对粒子进行两次加权操作。实验仿真表明,在对雷达弱目标进行检测与跟踪的过程中,该算法能够在保证算法性能的同时减少算法中的粒子数目,有效降低计算量和存储量。     

基于高斯粒子滤波算法的改进及应用

针对粒子滤波存在的样本贫化现象,提出了一种优化重选样本粒子的粒子滤波算法。这种方法在引入最新量测后将状态后验概率密度逼近为一个高斯分布,在粒子贫化问题逐渐凸显后,通过该分布重新采集粒子后再进行运算,有效缓解了传统方法在粒子贫化后出现的滤波精度下降的问题。仿真结果表明,新的粒子滤波算法有更高的滤波精度和运行效率。     

A spatial-domain multiresolutional particle filter with thresholded wavelets

Particle filters have been proven to be very effective for nonlinear/non-Gaussian filtering. However, the most notorious disadvantage of a particle filter is its formidable computational complexity, since hundreds (even thousands) of particles are usually needed to achieve a required approximation accuracy. It has also been proven that one of the techniques of truly solving a computational problem is multiresolutional processing, both in temporal and spatial domains. Therefore, in this paper we propose a multiresolutional particle filter in the spatial domain using thresholded wavelets to reduce significantly the number of particles, meanwhile maintaining the full strength of a particle filter.     

基于裂变自举粒子滤波的红外目标跟踪处理

为了研究解决粒子滤波算法的粒子枯竭现象和计算量大的问题,采用了一种裂变自举粒子滤波方法。该方法在测量时对粒子进行裂变自举,其过程为大权值的粒子进行裂变繁殖,裂变繁殖后的粒子数目则正比裂变繁殖前的粒子,然后覆盖粒子群中的小权值的粒子,粒子预平滑处理,同时保持粒子群的特性,再次重抽样中进行粒子防枯竭函数补偿,设置恰当的抽样门限,淘汰权值较低的抽样点,并在保持样本点总数的前提下从权值较高的抽样点中衍生出多个子抽样点,在模型中给出了粒子跟踪均方根误差以及算法步骤,得到了跟踪最佳处理效果。实验仿真用MATLAB语言编程,结果表明,该算法的均方误差为0.36445,优于基本粒子滤波。     

基于UT的混合粒子滤波单站无源定位算法

为利用无源固定单站对运动辐射源快速定位,将粒子滤波和UT(unscented transformation)应用于单站无源定位,给出了一种基于UT的角度约束采样混合粒子滤波无源定位算法,该算法从UKF滤波得到建议分布,从该建议分布采样时引入角度测量对状态变量的约束,可以减少粒子滤波用于高维情况时所需的粒子数目,改善滤波性能.与EKF、UKF(unscented kalman filter)以及基于EKF的混合粒子滤波算法的仿真比较表明,本文算法在滤波收敛速度、跟踪精度以及稳定性方面优于其它算法,估计误差可以接近Cramer-Rao下界.     

基于角度约束采样的单站无源定位混合粒子滤波算法

为实现固定单站对运动辐射源的快速定位,该文给出了一种基于角度约束采样的混合粒子滤波算法。该算法从EKF(Extended Kalman Filter)滤波得到建议分布,利用角度测量对状态变量的约束关系从建议分布产生所需粒子,可以减少粒子滤波用于高维情况时所需的粒子数目,改善滤波性能,降低运算成本。结合利用多普勒变化率和角度测量的单站定位方法,与EKF,UKF(Unscented Kalman Filter)以及一般混合粒子滤波算法的仿真比较表明,该算法在滤波收敛速度、跟踪精度以及稳定性方面优于其它算法,估计误差更接近Cramer-Rao下界。     

宽带波达方向估计的辅助粒子滤波算法

针对粒子滤波宽带波达方向估计中因采样粒子权值不稳定导致估计误差较大的问题,提出了基于辅助粒子滤波的宽带波达方向估计算法。该算法利用贝叶斯重要性采样算法,在权值大的粒子基础上引入辅助粒子变量,重新定义重要性采样分布函数。经过两次加权计算,进而改善粒子退化问题,并引导粒子向高似然区域移动,使粒子在真实状态周围分布更均匀,粒子权值比仅用重采样的粒子权值变化更稳定。仿真实验表明,该算法在均方根误差和检测概率性能上优于粒子滤波算法。      

粒子滤波和均值漂移相结合目标跟踪算法

采用粒子滤波算法解决运动目标跟踪中非线性非高斯问题。将均值漂移算法嵌入到粒子滤波的采样阶段中,通过将每个粒子聚集到所在区域的局部极值,提高了采样粒子的使用效率。当发生目标遮挡时采用改进的粒子滤波算法,当无遮挡时采用均值漂移算法以提高速度。实验结果表明,该方法较传统单一算法具有较强的实时性和鲁棒性,能够有效实现在遮挡场景下的目标跟踪。     

一种新的基于交互多模型的序贯重要采样算法

通过将交互多模型（IMM）算法和粒子滤波（SIS）算法结合,提出了一种新的IMM～SIS算法。在每个模型中,都有一个标准的粒子滤波器,模型之间的交互与传统的IMM一样。由于在新的算法中,每个模型中粒子滤波都保证固定数量的粒子,因此不会出现粒子退化和贫乏现象。仿真证明了新的IMM—SIS算法在收敛速度和精度方面都要优于传统的IMM—EKF算法。     

基于遗传算法的智能粒子滤波重采样策略研究

智能粒子滤波通过借鉴遗传算法思想能够减轻粒子退化现象。在基于遗传算法的智能粒子滤波基础上,该文提出对低权值粒子的改进的智能粒子滤波(IIPF)处理策略。在对粒子进行分离、交叉后,优化遗传算子,对低权值粒子进行自适应处理。低权值粒子根据权值大小自行判断是否为底层粒子;底层粒子将直接进行变异,其余低权值粒子将根据变异概率随机变异。仿真结果表明,改进的智能粒子滤波(IIPF)性能优于智能粒子滤波、一般粒子滤波算法和拓展卡尔曼滤波。在1维仿真实验中,改进的智能粒子滤波误差较一般粒子滤波算法和智能粒子滤波分别降低了10.5%和8.5%,且具有更好的收敛性;在多维仿真实验中,改进的智能粒子滤波较智能粒子滤波在高度均方根误差和平均误差上分别降低了8.5%和7.5%,在速度均方根误差和平均误差上分别降低了11.5%和7.6%;在乘性噪声和非高斯随机噪声中,改进的智能粒子滤波依旧有10%以上的性能优势。     

基于最优采样函数的粒子滤波算法与贝叶斯估计

传统粒子滤波器(PF)直接根据状态演化方程产生新的粒子,由于没有考虑新近观测对状态估计的影响,这种滤波器性能较差,即便在粒子数目很大的情况也是如此。为此,本文提出一种基于序贯重要采样(SIS)的改进粒子滤波算法,该算法采用集成了新近观测量的最优采样(或重要密度)函数指导粒子的生成,使粒子权值的方差最小化,能有效减轻粒子退化问题;同时。在粒子重采样之后增加了马尔科夫链蒙特卡洛(MCMC)过程,消除了重采样引起的粒子贫化的负面影响,从而使粒子的多样性得以保持。对非线性系统的状态估计和只测角跟踪的仿真实例均表明,本文所提出的算法比传统估计算法如EKF,UKF具有更高的精度和更强的鲁棒性;与标准PF相比,其性能也有较大的提高,并可以在相同的估计精度下大大减少所需的粒子数目,是一种有效的非线性滤波算法。