人工免疫粒子滤波算法的研究

退化现象是应用粒子滤波算法的一个主要障碍,常规的再采样方法虽然可解决退化问题,但容易产生粒子耗尽现象.针对上述问题,将人工免疫算法引入粒子滤波,提出了人工免疫粒子滤波算法.通过人工免疫算法寻找较好的粒子用于估计,以增加粒子集的多样性,从而缓解了粒子滤波的退化现象并解决了粒子耗尽问题.仿真结果表明该算法是可行的.     

随机加权粒子滤波

研究粒子滤波方法优化问题,粒子退化是传统粒子滤波存在的致命缺陷.由于粒子退化,导致滤波精度的明显下降.针对粒子退化问题,在研究随机加权估计和粒子滤波算法的基础上,提出了一种新的随机加权粒子滤波算法.算法通过对样本进行随机加权,克服了传统粒子滤波算法中的粒子退化问题,保证了粒子的多样性.仿真结果表明,在小子样条件下,随机加权粒子滤波比经典粒子滤波的精度高.在大样本下二者的性能相同.但随机加权粒子滤波不需要重采样,因而算法简单,计算量小,更适合非线性非高斯系统模型的滤波计算,可为实际应用提供参考.     

强跟踪粒子滤波算法及其在故障预报中的应用

粒子退化和对突变状态的跟踪能力差是粒子滤波在故障预报应用中存在的主要问题. 再采样粒子滤波虽可缓解粒子退化, 但易导致样本贫化; 扩展粒子滤波也可在一定程度上解决退化问题, 但难以跟踪突变状态. 本文提出了强跟踪粒子滤波算法, 将强跟踪滤波引入粒子滤波更新粒子, 产生重要性密度, 缓解粒子退化和样本贫化问题, 提高跟踪突变状态的能力. 仿真结果显示该算法可行并能及时准确地预报系统故障.     

基于粒子群优化的遗传粒子滤波算法

针对遗传粒子滤波算法中粒子匮乏问题,提出一种新的基于粒子群优化的遗传粒子滤波算法。利用粒子群优化算法,驱动粒子向高似然区域移动,以增加有效粒子的数目,从而抑制粒子退化和匮乏现象,同时将遗传算法中的选择、交叉、变异引入粒子滤波,以改善粒子退化及计算量大的问题。实验表明,该算法有效地改善了粒子匮乏现象,同时提高了状态预估的精度,降低了算法的计算量,提高了算法的鲁棒性。     

基于自适应人工鱼群的粒子滤波算法

针对粒子滤波算法中存在粒子退化及粒子枯竭的问题,本文提出一种自适应的人工鱼群粒子滤波算法,该算法通过把觅食行为和聚群行为引入粒子滤波算法中,并自适应调整人工鱼的移动步长和视野范围,从而增加了粒子的多样性,克服了粒子退化及粒子枯竭问题;驱动粒子向最优位置靠近,克服粒子易陷入局部最优问题,增强了粒子的全局搜索能力。仿真实验表明,本文提出的算法与人工鱼群粒子滤波及标准粒子滤波算法相比,滤波精度有显著的提高。     

基于量子遗传粒子滤波的WSN目标跟踪算法

为了解决粒子滤波算法中存在的严重的退化现象,以及采用常规的重采样方法解决退化问题导致的粒子耗尽问题,研究了粒子滤波退化现象存在的原因和量子遗传算法具有的优点,将量子遗传算法引入粒子滤波,提出了基于量子遗传粒子滤波的无线传感器网络目标跟踪算法.通过量子遗传算法的编码方式增加粒子集的多样性,从而缓解了粒子滤波的退化现象并解决了粒子耗尽问题,而量子的并行性也节省了计算时间,提高了跟踪的实时性.仿真结果表明了该算法是可行的.     

一种基于小生境技术的群智能粒子滤波算法

针对基本粒子滤波存在严重的退化问题和重采样技术导致粒子枯竭的问题,提出一种新型粒子滤波算法——基于小生境技术的群智能优化粒子滤波算法.通过多模寻优增强粒子的多样性和寻优能力,使得采样后的粒子向高似然区域移动,从而有效地提高了系统状态估计精度.仿真实验表明,该算法是有效而稳定的.     

基于二阶插值滤波的粒子滤波改进算法研究

粒子退化等问题严重制约了粒子滤波的工程应用,通过对粒子滤波的分析与总结,提出一种基于二阶插值滤波的粒子滤波改进算法,利用二阶插值滤波器计算出更优的重要性函数,从而有效抑制粒子滤波的退化,降低了计算量,通过对导弹再入时的非线性导航参数估计问题进行实例仿真分析,所得结果验证了该算法的有效性.     

几种改进的粒子滤波算法性能比较

粒子滤波算法摆脱了解决非高斯滤波问题时随机量必须满足高斯分布的制约,近年来广泛应用于跟踪与定位研究中.与粒子滤波有关的一个普遍问题是退化现象,增加粒子个数可以部分的解决这个问题,同时马尔可夫链的引入可以使粒子分布更加合理,因此建议分布的选择是至关重要的.分析粒子滤波原理后,将马尔可夫链蒙特卡罗法方法引入粒子滤波算法的实现中,结合扩展卡尔曼滤波和不敏卡尔曼滤波两种建议分布进行仿真.仿真结果展示了改进的粒子滤波算法的良好性能,而且粒子退化现象得到有效遏制.     

融合分数阶和蝴蝶优化的改进粒子滤波算法

针对传统粒子滤波算法造成的粒子退化和多样性丧失问题,提出一种融合分数阶和蝴蝶优化的改进粒子滤波算法.在粒子采样阶段引入分数阶,根据分数阶的历史记忆特性,可以有效解决粒子多样性丧失问题;在搜索阶段引入蝴蝶优化算法,有效解决粒子退化问题;把Lévy飞行与蝴蝶优化算法相结合,能避免出现局部最优.最后,将提出的改进算法与传统粒...     

目标跟踪状态估计排序粒子群算法研究

基于视觉的无人机地面目标跟踪状态估计为非线性滤波问题,针对使用一般粒子滤波算法存在粒子退化和计算量大的缺陷问题,提出了一种基于排序的粒子滤波算法,对粒子依误差大小进行排序并计算粒子权重。仿真试验表明,该方法减轻了粒子贫化的影响,提高了状态估计精度。     

一种基于优化的自适应遗传算法的粒子滤波算法

针对粒子滤波的粒子退化现象及多样性损失问题,提出了一种新的基于优化的自适应遗传算法的粒子滤波算法。该算法首先依据每个采样时刻生成的粒子集合重要性权值作为适应度值,自适应的确定交叉、遗传的概率;然后对选出的粒子进行遗传操作,重新度量其粒子的权值并进行状态估计。该方法不仅保留了粒子的多样性,而且相对于普通的基于自适应遗传算法的粒子滤波算法,降低了高权值粒子交叉和变异的可能,使粒子的采样更接近于状态后验概率密度分布。实验结果表明,该算法有效提高了滤波精度。     

基于小生境遗传算法的粒子滤波算法

重采样是解决粒子滤波退化问题的主要方法,重采样的基本思想是采取复制保留权值较高的粒子,删除权值较低的粒子,而这导致了粒子多样性的减弱,特别是在样本受限条件下,甚至导致滤波发散。针对上述问题,提出改进的粒子滤波算法,将Mean Shift与粒子滤波融合,在重采样部分引入小生境遗传算法,提高粒子的多样性,避免粒子退化。实验表明,改进后的算法状态估计精度更高,效果更好。     

一种多样性引导的进化粒子滤波

粒子滤波(PF)算法存在的主要问题是粒子退化现象,利用重抽样过程可以有效减轻退化现象,但带来了采样枯竭问题,导致滤波精度下降.本文提出一种多样性引导的进化粒子滤波(DEPF),把粒子群优化(PSO)算法引入到传统PF中,通过PSO搜索寻优重新分配粒子,使粒子的表示更加接近真实后验.并在PSO的搜索寻优过程中使用多样性引导机制来保证所得粒子集的多样性,以提高PF的精度.仿真实验结果表明了该算法的有效性.     

MCMC粒子滤波的GPS定位数据处理算法

针对基于传统粒子滤波的GPS(Global positioning system)定位数据处理方法存在粒子退化的问题,研究了基于马尔可夫链蒙特卡罗(Markov chain Monte Carol,MCMC)粒子滤波的GPS定位数据处理算法,引入典型的MCMC方法—Metropolis Hastings(M-H)抽样算法.利用观测伪距非高斯误差分布,建立重要密度函数,将MCMC粒子滤波与建立的GPS系统非线性状态空间模型结合.实测数据实验结果表明,MCMC粒子滤波可有效抑制粒子退化,解决了GPS定位数据滤波这一非线性非高斯问题,避免了噪声的高斯假设和非线性部分的线性化误差,与基于传统粒子滤波的GPS定位数据处理方法相比,该方法降低了定位数据经纬度和速度估计误差,获得了更高的定位精度,并能够在GPS信号质量较差情况下,对GPS定位数据有效滤波,保证载体在此期间内保持较高的位置精度.     

基于人工鱼群的无轨迹粒子滤波算法

针对粒子滤波算法中粒子退化现象及重采样所带来的粒子贫化问题,提出一种基于人工鱼群的无轨迹粒子滤波算法。采用无轨迹变换选取优化的重要性密度函数,将人工鱼群的智能思想引入到粒子滤波中代替重采样过程,通过觅食、聚群和追尾行为找到全局最优位置,驱动粒子向最优点靠近,从而增加粒子多样性。仿真结果表明,与传统的无轨迹粒子滤波和常规粒子滤波相比,该算法在估计精度上有显著的提高。     

基于方差缩减技术的一种自适应粒子滤波器设计

退化现象是粒子滤波(PF)在非线性状态估计应用中存在的主要问题, 重采样过程一定程度上解决了粒子退化现象, 但同时带来了退化现象所导致的样本贫化问题. 本文将方差缩减技术用于PF之中, 通过给所有粒子权重赋予一个指数衰减因子来解决粒子退化现象, 该衰减因子可以根据有效粒子数进行自适应、迭代的选取, 随后通过一个定理来证明了该方法的有效性, 并基于此提出了一种自适应粒子滤波(APF)算法, 给出了算法的具体步骤, 同时对参数选取的原则和算法的局限性进行了详细的讨论. 最后, 通过一个数值例子说明了本文所提出的APF算法在计算负荷不大的条件下较采样-重要性-重采样粒子滤波(PF-SIR)、遗传粒子滤波(GPF)、粒子群优化粒子滤波(PSOPF)具有更高的估计精度.     

增强粒子滤波船舶组合导航算法

针对粒子滤波作为非线性/非高斯估计方法存在的粒子退化和贫化的问题,提出了一种基于集合卡尔曼滤波(Ensemble Kalman filter,EnKF)和马尔可夫蒙特卡罗(Markov Chain Monte Carlo,MCMC)的增强粒子滤波算法。首先,使用EnKF分析代替先验密度对PF的建议密度进行定义,从而降低粒子退化的风险;其次,当发生粒子退化时,通过MCMC方法进行重采样,以增加粒子的多样性,从而降低了粒子贫化的可能性,提高滤波器的精度;最后,将提出的方法应用到GPS PPP/INS组合导航系统中,实验结果均表明,增强粒子滤波算法能提高估计精度,其性能优于标准粒子滤波。     

移动机器人的改进无迹粒子滤波蒙特卡罗定位算法

粒子滤波是移动机器人蒙特卡罗定位(Monte Carlo localization, MCL)的核心环节. 首先, 针对粒子滤波过程的粒子退化问题, 利用迭代Sigma点卡尔曼滤波来精确设计粒子滤波器的提议分布, 以迭代更新方式将当前观测信息融入顺序重要性采样过程, 提出IUPF (Improved unscented particle filter)算法. 然后, 将IUPF与移动机器人MCL相结合, 给出IUPF-MCL定位算法的实现细节. 仿真结果表明, IUPF-MCL是一种精确鲁棒的移动机器人定位算法.