一种改进重采样的粒子滤波算法

针对粒子滤波重采样过程中存在的粒子多样性丧失问题,提出一种改进重采样的粒子滤波算法。按照局部重采样算法对粒子进行分类,中等权值的粒子保持不变,大、小两种权值的粒子采用Thompson-Taylor算法进行随机线性组合产生新粒子。实验结果表明,该算法能在降低计算复杂度的同时不丧失粒子多样性,提高了滤波性能。     

一种基于SVM重采样的似然粒子滤波算法

针对弱观测噪声条件下非线性、非高斯动态系统的滤波问题,提出一种基于支持向量机的似然粒子滤波算法.首先,采用似然函数作为提议分布,融入最新的观测信息,比采用先验转移密度的一般粒子滤波算法更接近状态的真实后验密度;然后,利用当前粒子及其权值,使用支持向量机估计出状态的后验概率密度模型;最后,根据此模型重采样更新粒子集,有效地克服粒子退化现象并提高状态估计精度.仿真结果表明了所提出算法的可行性和有效性.     

粒子滤波自适应部分系统重采样算法研究*

样本退化是基于序列重要性采样的粒子滤波中的一个主要问题,为了解决这个问题重采样被引入。常规的重采样算法可以解决样本退化问题,但容易导致样本衰竭,增加计算的复杂度。本文在部分重采样的基础上,提出了自适应部分系统分重采样算法,该算法自适应调整重采样的时间,重采样前按照粒子的权值对其分类,只对少数粒子进行重采样,不仅减少了重采样的时间而且增加了粒子的多样性,仿真结果表明该算法与部分重采样相比有效的提高了粒子滤波的性能,减少了运行的时间。     

基于目标跟踪的粒子滤波重采样算法研究

传统粒子滤波（PF）中,重采样步骤里存在着粒子的＂平均化＂现象,导致粒子本身概率大小的因素被忽略,没有充分利用粒子集所包含的信息。通过改进抛弃小权值粒子的原则,以及充分利用粒子权值大小所代表的意义来进行粒子复制的两点进行算法改进,采用一维非线性目标跟踪模型和新的二维动态跟踪模型分别研究改进PF算法对于平均RMSE的影响。通过仿真,证明了改进后的算法可以显著降低变量的平均RMSE,特别是在二位动态跟踪模型中,使位置坐标和速度两种变量的平均均方根误差（RMSE）都有所改善,从而提高了滤波性能。     

一种基于改进重采样的粒子滤波算法

针对传统粒子滤波算法中存在的样本贫化问题,提出一种基于改进重采样的粒子滤波算法。为了验证算法的有效性,对机动目标跟踪和分时恒值估计两类问题进行了仿真。结果表明,所提出的算法能够解决样本贫化问题,且具有较小的估计误差和较短的运算耗时。     

基于硬件实现的粒子滤波重采样算法研究

粒子滤波算法用于硬件实现是目前一个新的研究方向,传统的粒子滤波算法计算量大,所需存储空间大,实时性差,所以在硬件实现方面面临着极大的挑战。为使算法更加适合于硬件实现,以粒子滤波中的重采样步骤为研究重点,以典型的序贯重要性重采样滤波算法为例,对典型的几种重采样算法的复杂度、所需存储空间及执行时间上进行分析研究,并在TI DSPTMS320C5402上对采样算法进行仿真,结果表明部分重采样算法(PDR)更适合于硬件实现。     

遗传重采样粒子滤波的目标跟踪研究

针对普通粒子滤波存在的粒子退化和匮乏缺陷,提出了一种利用遗传算法进行重采样的粒子滤波改进方法。该方法通过对每个采样时刻生成的粒子集合进行选择、交叉和变异等遗传迭代,在现有粒子个数范围内生成更多优良粒子,在保留高适应度粒子基础上实现了粒子集合的多样性。相对于普通粒子滤波,基于遗传重采样的粒子滤波仅需要较少的粒子就可以实现状态的精确估计和目标跟踪。数学方程和序列图像实验结果表明了算法的正确性和实用性。     

基于多样性向导的自适应重采样粒子滤波研究

由于在非线性非高斯系统和多模处理能力上的优越性,粒子滤波算法已经被广泛应用。针对粒子滤波算法现有缺陷分析,提出一种基于多样性向导的自适应重采样粒子滤波。首先,基于多样性向导自适应调整重采样阈值。在基于有效样本大小的自适应重采样技术之上,借助了另一多样性测度即种群多样性因子来自适应地调整有效样本大小的阈值;而且,在重采样之后引入样本变异操作来确保样本的多样性。然后,提出了一种改进的部分分层重采样算法。该算法借鉴部分分层重采样执行快、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。最后,通过仿真实验验证了所提粒子滤波算法的性能和有效性。     

粒子滤波目标跟踪算法综述

随着人工智能科学的发展,目标跟踪成为中外学者研究的热点,近年来很多目标跟踪算法相继被提出,其中,经典的卡尔曼滤波算法常被用于目标跟踪领域。然而,在实际情况中,目标跟踪过程常涉及到非线性非高斯问题,由于粒子滤波算法在非线性非高斯系统中有较好的性能,因此将其引入目标跟踪研究领域。针对粒子滤波算法存在的跟踪精度差、实时性不高等问题,近年来国内外学者提出很多改进方法。从特征融合、算法融合和自适应粒子滤波三个方面介绍了相关改进方法的基本思想,展望了粒子滤波算法在目标跟踪领域的发展方向。     

粒子滤波趋优重采样算法及仿真研究

研究机器人移动过程引入粒子滤波进行状态估计问题,粒子滤波中的重采样是为了解决粒子群退化现象而引入的方法.根据承采样方法(SIR)解决粒子退化的同时却带来了粒子的贫化问题,因而降低了滤波器的收敛性能.传统的各种重采样改进方法都是用优等粒子替代劣等粒子,因而会导致粒子多样性的丧失.针对上述问题,提出了一种趋优重采样方法,使...     

基于自适应粒子群优化的新型粒子滤波在目标跟踪中的应用

针对基于粒子群优化的粒子滤波(PSO-PF)算法精度不高,实时性差,难以满足雷达机动目标跟踪的需求,提出一种基于动态邻域自适应粒子群优化的粒子滤波(DPSO-PF)算法.该算法可以动态调整粒子邻域环境,其中每个粒子按照邻域的环境和自身的位置信息自适应地调整相互间的邻域粒子数量,使邻域粒子数量更为合理,达到寻优能力与收敛速度的最佳平衡.最后利用不同模型对该算法进行了仿真实验,实验结果表明所提出的算法能够提高雷达机动目标跟踪的实时性和精确性.     

粒子滤波自适应机制研究综述

针对粒子滤波固有的缺陷,结合移动机器人领域的研究应用成果,分别从样本数目自适应、重采样自适应、建议分布自适应、运动/似然模型自适应以及与其他方法的集成等几个方面对粒子滤波自适应机制当前研究的关键技术进行了归纳总结,并且对该研究领域需要解决的研究难点进行了总结,对进一步研究的方向进行了展望。     

基于统计模型的遗传粒子滤波器人体运动跟踪

提出了一种基于统计模型的遗传粒子滤波器人体运动跟踪算法。引入局域二值模式(LBP)算子提取纹理特征,利用颜色直方图与纹理直方图相似度的加权和表示目标相似度,以有效解决自遮挡对跟踪的影响。利用该统计模型精确表示运动人体轮廓,目标形状可由一可变形状参数确定;采用遗传粒子滤波器作为跟踪算法以提高粒子滤波器的鲁棒性和精度。通过预测更新可变形状参数,再利用统计模型中目标形状与形状可变参数的关系得到图像序列各帧中人体轮廓,有效降低了计算量,从而达到快速而准确的跟踪目的。最后用上述方法进行了实验,验证了该方法的实用性和有效性。     

粒子滤波算法改进策略研究*

为了改进粒子滤波算法的性能,这里研究了一种粒子滤波算法改进策略。该粒子滤波算法改进策略包括四部分:首先,采用了结合退火参数的混合建议分布,以考虑当前观测测量值的最新信息;接着,基于有效样本大小确定自适应重采样的阈值,以保证有合适的重采样次数;然后,基于权重优化思想提出了一种改进的部分系统重采样算法,在利用算法执行速度快的同时优化部分系统重采样算法;最后,在重采样后执行粒子变异操作,以保证样本的多样性。通过仿真实验,粒子滤波改进策略的性能和有效性均得以验证。     

采用概率密度分布和粒子滤波的室内跟踪算法

提出了一种新的室内定位跟踪算法,采用了直方图法和核函数法估计参考点处的接收信号强度的概率分布,并将其作为该参考点的位置指纹,描述了该参考点处无线信道的特性;利用粒子滤波解决了非线性状态空间模型下的在线跟踪问题,仿真结果表明基于概率密度分布和粒子滤波的跟踪算法收敛速度快,且对环境变化不敏感,性能优于卡尔曼滤波算法。     

基于自适应渐消无迹粒子滤波的UnscentedFastSLAM算法

针对机器人导航无迹快速同步定位与地图构建（Unscented FastSLAM）算法由于重采样造成样本粒子退化,进而导致估计精度下降的问题,提出一种基于自适应渐消无迹粒子滤波的Unscented FastSLAM算法。该算法将无迹粒子滤波与渐消滤波相融合产生自适应建议分布函数,同时将粒子根据权值进行优化组合,仅对组合后的部分不稳定的粒子进行系统重采样。通过这两方面使系统具有高度自适应性的同时保证粒子的多样性,缓解粒子的退化现象。仿真实验表明,提出算法与Unscented FastSLAM算法相比,可以用较少的粒子实现更高的SLAM的估计精度,很大程度上降低了SLAM算法的复杂度。     

基于MCMC的改进粒子滤波算法

针对传统粒子滤波算法建议分布函数的选取问题和粒子退化现象,提出一种基于马尔可夫蒙特卡洛思想的改进粒子滤波算法.使用基于比例对称采样方法选取Sigma点的无迹卡尔曼滤波,产生粒子滤波并建议分布函数;将似然分布自适应权值调整策略应用于权值选取步骤;采用系统重采样方法,加入了用来保持粒子多样性的马尔科夫链蒙特卡洛步骤.仿真结果表明,该算法的估计状态能够更好地吻合真实轨迹,在非线性、非高斯场合的估计性能较优.     

基于粒子滤波和Galerkin法的改进目标跟踪算法

在粒子滤波框架下,估计的准确性受到建议分布选取的影响很大。传统的粒子滤波通常采用系统转移概率作为建议分布,但传统的建议分布选取方法由于没有考虑新的观测信息,因此不能产生准确的估计值。为此采用一种叫做Galerkin法的数学工具去构造建议分布,依据该方法构造的建议分布相对传统的方法提高了粒子滤波估计的准确性。同时,在新的跟踪算法框架中,将颜色模型和形状模型进行自适应的融合,并提出了一种新的模型更新方法,提高了目标跟踪的稳定性。实验结果证明了该跟踪算法的有效性。     

基于二值掩码图像的粒子滤波目标跟踪快速算法

粒子滤波算法是进行运动目标跟踪的一种重要方法。针对传统粒子滤波算法在进行目标跟踪时存在的计算量大、实时性不足的问题,提出一种基于二值掩码图像的粒子滤波目标跟踪快速算法。该算法在传统粒子滤波算法的每个帧处理阶段产生二值掩码图像,再结合权重选择方法移除背景中权重较小的粒子,保留权重较大的重要粒子。提出的算法可以有效减少参与计算的粒子数目,节约算法的计算成本,从而提高目标跟踪的实时性。与传统粒子滤波算法进行比较,实验结果表明,提出的算法不仅能够有效地提高跟踪速度,而且跟踪结果的准确性和鲁棒性也有所增强。