一种新的改进粒子滤波算法

标准粒子滤波算法存在的最大问题是粒子退化,针对这一问题,提出了一种改进的粒子滤波算法,该算法将无迹卡尔曼滤波算法(UKF)、混合遗传模拟退火算法和基本粒子滤波算法相结合,运用无迹卡尔曼滤波算法获得重要性函数,提高了粒子的使用效率; 运用混合遗传模拟退火算法的进化思想,提高了粒子的多样性．仿真结果表明,新算法很好地解决了基本粒子滤波算法存在的粒子退化问题,提高了系统的滤波精度和稳定性(在信噪比为16dB时,精度提高80％以上),较好地抑制了噪声的干扰．     

一种新的粒子滤波算法

将采样重要再采样(SIR)方法与无迹卡尔曼滤波(UKF)相结合,提出一种新的粒子滤波算法.该算法具有无迹粒子滤波(UPF)粒子使用效率高和SIR粒子滤波运算速度快的优点,同时克服了UPF运算量的增长速率快于状态维数增长的缺陷.仿真结果表明,与UPF相比,本算法在几乎不影响滤波效果的前提下,大幅减少滤波所需计算量.     

一种改进的裂变自举粒子滤波算法

退化现象是粒子滤波应用中存在的主要问题,自举粒子滤波虽然可解决退化问题,但易导致粒子耗尽。裂变自举粒子滤波算法虽能增加粒子的多样性,但其裂变过程对权值信息的利用不充分,且权值计算过于简单,滤波精度改进不大。采用高权值粒子裂变小、低权值粒子裂变大的裂变繁殖方法和权值递推计算方法,对裂变自举粒子滤波算法进行了改进,估计精度有所提高。     

一种改进的粒子滤波算法

针对标准粒子滤波算法存在的粒子退化现象而导致滤波精度低的问题,研究了容积粒子滤波算法,利用最新提出的容积卡尔曼滤波算法,在粒子滤波观测更新过程中计算分布函数的均值和方差,得到能够更准确的表示概率密度函数真实分布的重要性密度函数.仿真结果表明,较之于标准粒子滤波和无迹卡尔曼滤波算法,容积粒子滤波算法滤波精确度更高,是一种理想的非线性滤波估计策略.     

一种基于重要性权值选择的粒子滤波方法

针对粒子滤波算法存在计算量大和重采样过程带来计算量的扩张随粒子数的增加而成级数增加的问题,改进了一种基于重要性权值选择的粒子滤波方法．该方法运用重要性权值选择准则去除无效粒子而保留对状态估计贡献较大的粒子,每一状态时刻都根据权值选择的结果决定所要利用的粒子及其数目．仿真结果表明,该方法不仅保持了较高的滤波性能,而且能有效减小算法的计算量,有利于工程实现．     

基于SSUKF的粒子滤波算法研究

针对粒子滤波的退化现象、样本贫化问题以及标准无迹粒子滤波(UPF)算法计算量偏大的缺陷,利用基于超球面采样变换(SSUT)的UKF算法产生重要性概率密度函数,与序贯重要性再采样(SIR)结合,并引入粒子群优化,形成一种新的粒子滤波算法.对称分布UT变换的sigma点为2n+1个,而SSUT变换为n+2个.新算法利用SSUT变换减少了采样点的个数,通过混合建议分布进一步减少了计算量,使计算效率得到了明显的改善.仿真结果表明,该算法滤波精度优于扩展卡尔曼粒子滤波,而与标准UPF相当,计算效率明显高于标准UPF算法.     

基于粒子滤波的动态进化算法

粒子滤波(PF)中粒子的选取与保留过程暗含着"优胜劣汰"的特点,因此PF和进化算法(EA)有着相近的仿生学特点,能够很"自然"进行结合。文章针对具有可学习性的非随机动态优化问题,提出一种基于粒子滤波的动态进化算法,使用PF在决策空间中对最优点的变化进行预测以启发进化算法的搜索。提出一种自适应种群多样性控制方法,用以协调EA和PF对算法的影响。使用移动峰(MPB)问题对算法和随机迁移算法(RIGA)进行了对比测试。实验结果表明所提出的算法是正确、有效的,能够更为有效地求解动态优化问题。     

粒子滤波算法在目标跟踪中的应用

粒子滤波算法通过非参数化蒙特卡罗仿真方法实现递推贝叶斯滤波,基于序贯重要性采样的粒子滤波算法无法避免粒子退化问题;通过在滤波初始化阶段对初始化粒子进行优化选择,在重采样阶段使用非排序的基于权重的重采样算法对粒子滤波算法进行了改进,从一定程度上解决了粒子退化问题;仿真验证,本算法在保持与传统粒子滤波算法运算时间的条件下,提高了粒子滤波算法的估计精度,从而提高了其在机动目标跟踪中的性能.     

噪声未知情况下的自适应无迹粒子滤波算法

为了有效地解决系统噪声未知情况下的目标跟踪问题,提出了一种自适应无迹粒子滤波算法。该算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹卡尔曼滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明:本文方法明显地改善了系统噪声未知情况下目标的跟踪精度和稳定性。     

一种粒子滤波自适应优化算法

通过对粒子滤波算法中建议分布与重采样2种改进技术分析,提出了一种粒子滤波自适应优化算法．首先,基于退火参数自适应优化混合建议分布,以改进建议分布的采样范围．然后,在基于有效样本大小的自适应重采样技术之上,借助另一多样性测度即种群多样性因子来自适应调整重采样阈值,而且,样本变异操作在重采样之后被引入确保样本的多样性．同时,结合部分分层重采样算法研究并进行改进,改进的部分分层重采样算法具有原算法执行快时间短的优点,同时结合权重优化的思想改进重采样的样本权重计算．通过仿真实验,粒子滤波自适应优化算法的性能和有效性均得以验证．     

基于无味粒子滤波的动态场景下高机动目标跟踪

针对传统粒子滤波的目标跟踪算法存在粒子退化问题,提出了基于无味粒子滤波(UPF)的目标跟踪算法。为了将当前观测信息融入,采用无味卡尔曼滤波(UKF)生成粒子滤波的提议分布,以改善滤波效果。针对目标在机动过程中引起的视觉形变以及背景的变化,又采用了颜色直方图作为目标的颜色分布模型,并与UPF相融合。仿真结果表明,该算法对动态场景下的高机动目标有较好的跟踪效果。     

基于粒子滤波的神经网络学习算法

为了克服一般神经网络学习方法易陷入局部极小值的缺陷,提出一种新的基于粒子滤波的神经网络学习算法.采用无迹卡尔曼滤波(Unscented Kalman Filter,UKF)产生粒子,以较少的粒子逼近状态的后验概率分布,搜索到经验风险函数的最小值.此方法适用于在线的、非线性的、非高斯的神经网络学习.仿真结果表明,该学习方法与同类方法相比,性能明显提高.     

基于粒子滤波和自适应模型的目标跟踪算法

为了提高粒子滤波的性能,使用集合卡尔曼滤波对建议分布进行改进,同时提出了用于视频跟踪的自适应融合模型．使用集合卡尔曼滤波结合当前的观测信息构造建议分布,结合当前观测信息对每一个粒子进行集合分析,得到新的建议分布,依据新的建议分布对粒子进行采样,同时在跟踪过程中将颜色特征模型和形状特征模型进行融合,并进行自适应更新．实验结果证明：相对于传统粒子滤波和扩展卡尔曼粒子滤波,使用新的建议分布可以更有效地降低均方根误差,同时自适应融合模型的稳定性要高于使用单一颜色模型．使用新的建议分布和融合模型,可以有效提高粒子滤波的准确性和稳定性．     

迭代中心差分粒子滤波的SLAM算法

为了提高SLAM算法中的位姿估计精度,通过在广泛使用的RBPF粒子滤波器中,利用迭代中心差分卡尔曼滤波器(ICDKF)来代替其中的扩展卡尔曼滤波器(EKF),并融合新的观测数据使提议分布更加接近后验概率分布,并且能够精确估计智能车辆的位姿,进而采用ICDKF算法更新特征地图的位置.该算法在保证定位精度的同时减少了计算的复杂度,提高系统的估计性能,增加了迭代算法的稳定性.仿真实验结果验证了迭代中心差分粒子滤波SLAM算法的有效性.     

An improved particle filtering algorithm based on observation inversion optimal sampling

According to the effective sampling of particles and the particles impoverishment caused by re-sampling in particle filter, an improved particle filtering algorithm based on observation inversion optimal sampling was proposed. Firstly, virtual observations were generated from the latest observation, and two sampling strategies were presented. Then, the previous time particles were sampled by utilizing the function inversion relationship between observation and system state. Finally, the current time particles were generated on the basis of the previous time particles and the system one-step state transition model. By the above method, sampling particles can make full use of the latest observation information and the priori modeling information, so that they further approximate the true state. The theoretical analysis and experimental results show that the new algorithm filtering accuracy and real-time outperform obviously the standard particle filter, the extended Kalman particle filter and the unscented particle filter.     

An evolutionary particle filter based EM algorithm and its application

In this paper, an evolutionary recursive Bayesian estimation algorithm is presented, which incorporates the latest observation with a new proposal distribution, and the posterior state density is represented by a Gaussian mixture model that is recovered from the weighted particle set of the measurement update step by means of a weighted expectation-maximization algorithm. This step replaces the resampling stage needed by most particle filters and relieves the effect caused by sample impoverishment. A nonlinear tracking problem shows that this new approach outperforms other related particle filters.     

Improved design of proposal distribution for particle filter

One crucial issue in particle filtering is the selection of proposal distribution. Good proposal can effectively alleviate particle degeneracy and thus improve filtering accuracy. In this paper, we propose a new type of proposal distribution for particle filter, called as R-IEKF proposal. By combining iterated extended kalman filter with Rauch-Tung-Striebel optimal smoother, the new proposal integrates the latest observation into system and approximates the true posterior distribution reasonably well, hence generating more precise and stable particles against measurement noise. The simulation results indicate that the improved particle filter with R-IEKF proposal prevails over PF-EKF and UPF both in tracking accuracy and filtering stability. Consequently, PF-RIEKF is a competitive choice in noisy measurement environment.