拟蒙特卡罗聚合重采样粒子滤波无源定位算法

提出一种基于拟蒙特卡罗聚合重采样粒子滤波的机载无源定位算法．首先利用基于离散状态空间的粒子聚合技术对空间相近粒子进行加权聚合,在保证粒子空间分布合理性的同时有效抑制了粒子的退化;然后采用拟蒙特卡罗技术将重采样后的粒子向高似然区移动,优化了粒子在状态空间中的分布特性,提高了滤波精度．仿真结果表明: 新算法对比拟蒙特卡罗高斯粒子滤波算法,在保证滤波精度的同时,提高了运行效率．     

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.     

基于支持向量机粒子滤波的目标跟踪算法

针对传统粒子滤波目标跟踪算法存在的粒子退化问题,提出了一种新的基于支持向量机的粒子滤波目标跟踪算法。该算法利用滤波过程中的预测粒子集及其权值,使用支持向量机估计出系统状态的后验概率密度,再根据该概率密度重采样更新粒子集,以提高粒子的多样性,从而克服粒子的退化现象。仿真结果表明,该算法能显著增加有效粒子的数量,其目标跟踪精度优于马尔可夫链蒙特卡罗移动方法以及正则粒子滤波算法。     

一种新的进化裂变粒子滤波算法

针对经典自举粒子滤波中的重要性函数选取和重采样所导致的样本枯竭问题,提出了一种基于进化裂变的改进粒子滤波算法．该算法首先采用无迹卡尔曼滤波算法产生重要性函数,然后对重要性采样粒子进行裂变通过进化策略更新粒子集以增加粒子多样性,从而克服经典自举滤波重采样过程中的粒子退化问题．仿真实验表明,该算法能有效地提高跟踪精度, 跟踪性能优于经典粒子滤波算法．     

基于重采样平滑粒子滤波的检测前跟踪

针对基于序列重采样(SIR)粒子滤波的检测前跟踪(TBD)算法的不足,提出了重采样平滑(RS)算法以及简化的RS算法,并将其应用于常规雷达的TBD算法,得到基于序列重要性重采样平滑(SIRS)的TBD(SIRS-TBD)算法.仿真结果表明,RS算法可以有效地提高粒子的多样性,在雷达上应用SIRS-TBD算法可以实现对低可探测目标的检测和跟踪.     

一种改进的多伯努利多目标跟踪算法

针对粒子势均衡多目标多伯努利滤波的粒子实现形式所需粒子数多、粒子退化严重的问题,将均方根容积卡尔曼滤波与粒子势均衡多目标多伯努利滤波相结合,提出均方根容积卡尔曼粒子势均衡多目标多伯努利滤波算法．该算法利用均方根容积卡尔曼滤波构建重要性密度函数,再对其进行采样获得预测粒子状态,从而提高粒子的准确性,减轻粒子退化．与基于无迹卡尔曼的粒子势均衡多目标多伯努利滤波相比,该算法更稳定,且算法性能不受目标状态维数的限制．仿真实验表明,所提算法与粒子势均衡多目标多伯努利滤波算法和基于无迹卡尔曼的粒子势均衡多目标多伯努利滤波算法相比,其跟踪精度更高．     

融合模糊统计纹理特征的多线索粒子滤波跟踪

针对粒子滤波跟踪算法使用单一特征鲁棒性差,以及粒子重采样策略易导致粒子退化、贫化等问题,提出了一种基于多特征、多线索的改进粒子滤波跟踪方法。使用引入邻域关系的Histon直方图描述目标的颜色特征,并建立了一种稳健的模糊统计纹理特征(FSTF)表达空间纹理信息,然后将其自适应地与区域颜色特征融合构建多线索的观测模型。在粒子滤波跟踪过程中,使用基于K-means的粒子权重聚类进行更为准确的后验分布估计。在重要性重采样阶段,保留高权重粒子的同时基于当前目标状态的先验分布产生新粒子,避免了粒子退化并保证了粒子的多样性。在标准测试集上的实验结果表明:相比其他基于粒子滤波框架的跟踪算法,本文方法能够得到更高的跟踪精度和成功率。与其他效果突出的流行跟踪算法相比,本文方法能在光照变化、目标形变和背景扰动场景下取得更好的跟踪效果。     

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．     

一种基于粒子滤波的红外多目标跟踪算法

针对粒子滤波算法固有的"退化"和"样贫"问题,采用基于权值选择重采样算法与粒子滤波算法相结合来优化粒子滤波的滤波性能、克服粒子退化。针对粒子滤波算法在红外目标跟踪,尤其是对遮挡目标跟踪方面的不足,本文从Markov跳变非线性系统贝叶斯状态估计的角度出发,引入一种无向图即马尔可夫随机场(MRF)来描述多目标的交互模型,提出了该系统下的粒子滤波跟踪框架,并将其用在被遮挡的红外多目标跟踪中。实验结果表明,所提出的算法能有效对被遮挡的红外目标进行跟踪,并且在抗遮挡性以及跟踪持久性等方面优于主流算法。     

基于遗传算法改进的粒子滤波重采样模型

提出一种基于遗传算法改进的新粒子滤波算法,该算法对于每次迭代计算出的最差粒子并未简单地进行丢弃,而是将这些最差粒子利用生物遗传中的遗传性和变异性将其进行修正。该算法利用最差粒子数据与种群中特殊数据进行交叉变异方法来增强粒子种群中的多样性,从而有利于粒子滤波对机动目标的跟踪;同时保留部分粒子在未来进行唤醒也体现了多样性。该算法更有利于实现粒子滤波在机动目标跟踪的适应性,提高其跟踪效果。     

遗传粒子滤波的GPS接收机自主完好性监测

针对全球定位系统接收机观测噪声分布的特点和基本粒子滤波存在的粒子退化与采样枯竭问题,提出了一种基于遗传算法进行再采样粒子滤波与似然比方法有机结合的全球定位系统接收机自主完好性监测方法.建立了卫星故障检测的检验统计量,通过比较系统各状态累加对数似然比对卫星故障进行检测.将遗传算法中的选择、交叉和变异操作融入到粒子滤波中,提高了粒子滤波的精确性,在实数域内对粒子进行遗传操作,避免了遗传操作的编解码.实验表明,该算法在非高斯测量噪声下成功地检测并隔离故障卫星,提高了故障检测的性能,验证了该算法应用于全球定位系统接收机自主完好性监测的可行性和有效性.     

基于序贯重要采样算法的被动单站机动目标跟踪

将序贯重要采样(SIS)与交互多模型(IMM)算法相结合,提出了一种新的机动目标跟踪方法——IMM-SIS算法,并将其应用于被动单站跟踪系统,同高斯和粒子滤波器(IMM-GSPF)算法相比,其优点是不需要重采样步骤,也不会出现采样粒子的退化和贫乏现象．通过跟踪一个机动目标的仿真过程,对算法性能进行了检验,结果表明,该算法在计算速度和跟踪精度方面均优于IMM-GSPF算法,同经典的IMM-EFK算法相比,两种算法在鲁棒性和精度上都是优越的．     

基于改进的粒子滤波的视觉跟踪算法

通过对基于粒子滤波算法的运动目标跟踪技术进行研究,并针对粒子滤波算法的退化现象做出了两方面的调整。第一,对粒子滤波的重采样阶段做出了改进,在粒子上添加一个微小的高斯干扰,使得重采样的粒子分布发生变化,同时使采样枯竭得到了抑制;第二,经过一段时间的跟踪后,将跟踪目标重新初始化,继续跟踪,使得跟踪结果更加完善。通过自适应调整跟踪目标的窗口,使其大小改变,背景中的颜色尽量没有与跟踪目标相同的颜色。实验结果表明。这种改进过的粒子滤波算法能够在复杂的情况下进行跟踪,并且跟踪性能优于Meanshift方法。     

基于确定性重采样的粒子滤波算法

复杂背景下的运动目标跟踪往往要面对非线性非高斯问题,粒子滤波算法在非线性非高斯模型中的良好处理能力,使其得到广泛的应用.引入重采样方法(SIR)解决粒子退化问题的同时导致了样本枯竭.针对上述问题,文中提出了一种融合基本重采样方法和确定性重采样方法的新方法,能有效保持粒子的多样性.通过仿真实验表明,该方法能有效提高粒子滤波算法的准确性.     

基于序列Monte Carlo方法的运动目标跟踪

针对移动机器人中的非线性非高斯特性,提出用粒子滤波的方法对运动目标进行跟踪,研究在贝叶斯框架下进行目标跟踪的原理,分析粒子滤波算法及存在的问题.应用这种方法,针对移动机器人的实际情况,建立了具体的系统模型和测量模型,比较不同的重采样算法,实现了对运动目标的跟踪任务.仿真结果表明,粒子滤波对于非线性非高斯的动态系统有良好的估计效果,在3种常用的重采样算法中,残差重采样的准确性稍高,分层重采样的计算比较简单,而多项式重采样是一种基本的重采样算法.     

均匀重采样粒子滤波器在SINS初始对准中的应用

针对标准粒子滤波算法中存在的样本贫化问题,提出一种在随机重采样中加入均匀采样的均匀重采样方法,不但可以保证标准粒子滤波算法逼近精度,同时能通过保留被抛弃粒子的分布范围增加粒子的多样性.针对捷联惯性导航系统的初始对准问题,应用这种均匀重采样的粒子滤波算法进行了仿真研究.仿真结果表明,在初始方位失准角为10°的情况下,均匀重采样粒子滤波算法的对准精度高于标准的粒子滤波算法,初始对准的稳定性也得到了有效改善.     

基于伪自适应阈值零速检测法的室内个人导航系统

为了限制惯导误差的增长,根据人行走的规律提出了一种基于个人的多种步态模式下的伪自适应阈值零速检测法.通过加速度方差和陀螺模值的平方和作为检测依据,设置一个滑动的时间窗口来判断行人的运动模式,以此来自调节阈值的大小,对跑、走、台阶等运动模式都具有稳定可靠的检测效果.由于航向角不可观测,无法使用卡尔曼零速修正算法对航向角进行修正.采用融合室内地图的粒子滤波算法使穿越墙壁的粒子权重为零,对于大误差数据,通过自适应重采样的方法来有效避免粒子的严重退化现象.实验结果表明:速度在3 m/s内零速检测的准确率达到97%以上.采用融合室内地图的粒子滤波算法后,正常行走约210 m的距离室内定位误差从原来的2.3 m降低到0.2m.     

基于粒子滤波的跳频信号频率跟踪方法

针对跳频信号的参数估计问题,提出一种基于粒子滤波的跳频信号频率实时跟踪方法.首先建立以跳频瞬时频率为系统状态的状态空间模型,然后通过基本粒子滤波算法序贯重要性重采样（sequential importance resampling,SIR）实现了对跳频信号频率的后验概率密度估计,进而得到频率的实时估计;为进一步提高粒子滤波的跟踪性能,提出一种基于ESPRIT辅助的粒子滤波（auxiliary esprit particle filtering,AESPRIT-PF）算法.仿真实验分析了在不同信噪比和不同粒子数目下算法的跟踪性能,结果表明该算法具有稳健的跳频频率实时跟踪能力,是一种有效的跳频信号参数估计方法.     

基于迭代sigma点粒子滤波的再入目标跟踪

标准粒子滤波提议分布选择时,由于没有计入最近的观测值信息,重要性权的方差随时间递增,导致权值蜕化。针对这一问题提出了一种新的滤波算法,迭代sigma点粒子滤波算法。该算法在预测时采用sigma点粒子滤波产生拟合概率密度函数的加权粒子,并通过观测值对加权粒子进行更新;修正过程采用迭代卡尔曼滤波优化预测阶段得到的描述状态分布的均值和方差。将其运用于再入大气层目标的跟踪模型,仿真结果表明:与标准粒子滤波相比,该算法能保证滤波收敛,具有更高的估计精度和更好的鲁棒性。