改进的粒子滤波算法在车辆组合导航中的应用

针对目前粒子滤波粒子贫化、计算量大等问题,提出了基于自适应迭代重采样的粒子滤波计算方法。改进的粒子滤波算法在不损失对系统状态估计精度的前提下,缓解了粒子贫化,降低了计算量,缩短了计算时间,同时保证了状态的估计性能。通过实际算例分析,验证了该算法的有效性。最后将该算法应用于GPS/DR车辆组合导航中,仿真结果验证了该算法的可行性和有效性。     

OFDM时变信道的粒子流滤波估计算法

粒子滤波是一种基于序贯重要性采样原理的蒙特卡罗方法,其重采样步骤将导致“粒子贫化”,传统的基于粒子滤波的OFDM时变信道估计算法精度较低、计算复杂度较高。本文从消除“粒子贫化”角度出发,用粒子流的方法取代了重采样。通过建立微分方程实现贝叶斯估计,采用粒子流将粒子平滑移动到状态空间中的后验分布上,实现从先验粒子到后验粒子的更新,提出了一种基于粒子流滤波的OFDM时变信道估计算法。与基于粒子滤波的信道估计方法相比,本方法计算复杂度低,估计精度高,对环境噪声具有较好鲁棒性。      

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。     

基于人工蜂群算法的粒子滤波目标跟踪

针对基于粒子滤波的视频目标跟踪算法中由于粒子重采样过程而导致粒子贫化的问题,提出了一种基于人工蜂群算法的粒子滤波目标跟踪算法,利用群体智能的特点使得粒子集在重采样前得到优化,保持了粒子的多样性,从而解决了粒子贫化问题,同时增加了有效粒子的数目.实验结果表明,基于人工蜂群算法的粒子滤波跟踪算法,比标准粒子滤波跟踪算法所需粒子数更少,对目标遮挡、较复杂背景有较好的跟踪效果.     

基于改进的粒子滤波算法的目标跟踪

为了解决粒子滤波算法在重采样过程中会造成粒子有效性和多样性的丧失,导致粒子贫化现象,提出了一种基于萤火虫算法的改进的粒子滤波算法。该算法在粒子滤波重要性采样过程中使用萤火虫算法,对粒子进行迭代寻优,使得采样出来的粒子更接近真实的后验概率;在粒子滤波重采样过程中,使用萤火虫算法使得粒子向高似然区域移动,提高粒子的多样性。实验结果表明,基于改进的粒子滤波算法目标跟踪效果优于传统的粒子滤波算法,可以在各种具有挑战性的条件下更好地进行目标跟踪。     

非线性系统故障诊断的粒子滤波方法

针对粒子滤波存在粒子退化问题,提出一种基于无迹卡尔曼滤波和部分重采样的改进的粒子滤波算法.通过无迹卡尔曼滤波产生重要性分布函数和使用部分重采样算法进行重采样,以丰富粒子的多样性.并针对非线性系统故障诊断中非高斯背景下,似然函数检测量难以导出的问题,提出一种基于多模型和似然函数值的诊断方法.仿真结果表明:改进的滤波算法的估计精度优于标准的粒子滤波算法及其现有的两种改进算法,提出的故障诊断方法能够做到快速检测与准确隔离.     

一种新的改进辅助变量粒子滤波算法北大核心CSCD

针对辅助变量粒子滤波(AVPF)对状态估计无法获得较好的滤波精度的问题,本文提出了一种改进的辅助变量粒子滤波算法.将正则化的思想引入到辅助变量粒子滤波的重采样中,在重采样中将离散的概率分布函数近似为连续的分布函数,该方法不仅保留了AVPF在重采样之前依据似然值的大小对原粒子集中的各个权值进行修正,从经过平滑后的后验密度中重采样的特点,在重采样中引入正则化思想后还能够保持粒子的多样性,增加有效样本数目,能够有效抑制样本退化.针对一个被广泛采用的双峰,高度非线性的系统模型,在选取不同的过程噪声下,进行Monte Carlo仿真实验.仿真实验表明,改进的辅助变量粒子滤波具有更好滤波精度.     

一种基于差分演化的粒子滤波算法

针对粒子滤波(Particle Filter, PF)存在的粒子退化和贫化问题,该文提出一种基于差分演化(Differential Evolution, DE)的PF算法。首先,为了充分利用最新的观测信息,采用无迹卡尔曼滤波(Unscented Kalman Filter, UKF)来产生重要性分布,对重要性分布产生的采样粒子不再做传统重采样操作,而是直接把采样粒子当作DE中的种群样本,粒子权重作为样本的适应函数,对粒子做差分变异、交叉、选择等迭代优化,最后得到最优的粒子点集。试验结果表明,该算法有效缓解了传统PF算法中的粒子退化和贫化,提高了粒子的利用率,具有较好的估计精度。     

基于改进粒子滤波的鲁棒目标跟踪算法

为了克服样本贫化现象导致的滤波发散,本文对重采样后的粒子进行有方向性的变异操作,在增加样本集的多样性同时使粒子集更集中均匀的分布在目标的邻域.同时把Mean Shift算法引入粒子滤波(PF)框架中,对PF估计结果迭代得到最优的目标状态,并用迭代得到的状态值控制粒子变异的方向.仿真实验表明,本文提出的方法具有更高的估计...     

一种改进重采样的粒子滤波算法

粒子滤波算法中重采样是解决粒子退化的一种重要方法,但重采样会导致粒子多样性的损失。针对这一问题,对基本重采样算法进行了改进。改进算法首先按基本重采样思想找到权值大的粒子进行复制,然后借鉴遗传算法进行交叉和变异操作,其中变异由变异尺度因子和粒子集的均值来实现。利用改进重采样的粒子滤波算法对经典纯方位目标跟踪问题进行了仿真,仿真结果表明,改进算法具有更好的跟踪精度。     

基于QMCPF-IMM的强机动目标跟踪算法研究

为了提高雷达对机动目标的跟踪精度,通过融合拟蒙特卡罗思想,提出了一种适用于非线性非高斯系统的拟蒙特卡罗粒子滤波交互式多模型算法。该算法利用拟蒙特卡罗采样,克服传统算法采样粒子间隙过大、粒子层叠问题,增加交互式多模型对机动目标跟踪时的有效粒子数;通过区间估计理论,解决拟蒙特卡罗支撑区间难以计算问题,并结合核密度估计重采样,保证采样粒子的低等差异性。仿真结果表明：与交互式多模粒子滤波算法相比,改进算法可在保证滤波实时性的同时,提高跟踪精度。     

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.     

Improved particle filter based on fine resampling algorithm

In order to solve particle degeneracy phenomenon and simultaneously avoid sample impoverishment,this paper proposed an improved particle filter based on fine resampling algorithm for general case,calle...     

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。     

基于随机摄动再采样的粒子概率假设密度滤波器

作为概率假设密度滤波的典型实现方式,粒子概率假设密度滤波器无需线性高斯等先验假设,因而在多目标跟踪中得到了广泛的应用。为解决粒子退化问题并保持粒子规模,该滤波器引入了重采样机制,然而,该重采样机制易引起粒子多样性耗尽,导致粒子贫化问题产生。为解决这一问题,该文提出一种新的基于随机摄动再采样的粒子概率假设密度滤波器。首先,全面分析了粒子概率假设密度滤波因粒子贫化问题导致目标失跟的过程。然后设计了一种随机摄动再采样算法,该算法在重采样导致粒子多样性缺失时,根据源粒子的位置与复制次数随机产生相应数目的新粒子,并对源粒子进行删减,其可在保留源粒子信息的前提下保持粒子的多样性。最后,该文将该算法纳入概率假设密度滤波框架,提出了一种新的粒子概率假设密度滤波器。仿真结果表明该滤波器在不显著增加运行时间的前提下能够克服粒子贫化问题,相比标准的粒子概率假设密度滤波器具有更好的跟踪性能。     

Adaptive and robust prediction for the remaining useful life of electrolytic capacitors

In integrated avionics systems, ensuring the high reliability and lengthening the life cycle of the avionics circuits become more and more important. This paper proposes an adaptive and robust prediction method to estimate the state of health and predict the remaining useful life (RUL) of electrolytic capacitors, which is one of the most significant components in avionics circuits. Based on an accelerated aging experiment performed by NASA, the degradation mechanism of electrolytic capacitors is analyzed. According to the capacitance loss data, a combination of the Verhulst model and the exponential model is adopted as the empirical model, and the unscented Kalman filter is applied to generate the proposal distribution of the particle filter to track the degradation path. Regarding the particle impoverishment, a particle swarm optimization algorithm is adopted to optimize the residual resampling step to improve the prediction accuracy. Also, adaptively adjusting the number of particles is introduced to make the algorithm more computationally efficient. Compared with the conventional particle filter algorithms, the experiment on the electrolytic capacitors degradation data indicates that the proposed novel method is able to provide a higher accuracy for the remaining useful life evaluation.