改进型粒子滤波算法在多站纯方位被动跟踪中的应用

针对多站纯方位被动定位与跟踪问题,给出了一种基于均匀重采样和带白适应因子的改进型粒子滤波算法．首先,基于无迹卡尔曼（UKF）粒子滤波器,将参考分布融入最新观测信息,得到符合真实状态的后验概率分布：借助重采样和使用鲁棒估计,改善了粒子滤波的退化问题．其次,引入自适应因子以调整UKF的状态模型协方差与观测模型协方差的比例,得到较高精度的概率分布．仿真结果表明,改进的粒子滤波算法能够实现多站纯方位被动跟踪,比传统非线性滤波器有更高的跟踪精度．     

非高斯噪声中的粒子滤波算法研究

在非线性非高斯动态系统中,粒子滤波已成为解决系统参数估计和状态滤波的主流方法。然而,粒子退化是粒子滤波中不可避免的现象,粒子重采样是解决方法之一。本文针对粒子退化现象,在扩展卡尔曼滤波器的基础上研究了一种基于支持向量机粒子滤波算法,算法实现中扩展卡尔曼粒子滤波器结合支持向量机对当前时刻的重要性采样,再对粒子样本进行重采样。该算法能有效地利用量测值的最新信息,状态估计误差较小,同时避免了粒子匮乏。理论分析和仿真结果表明,新算法在双模噪声非线性系统估计的精度优于标准粒子滤波算法与扩展卡尔曼粒子滤波算法。     

WSN 中基于粒子滤波的目标跟踪研究

针对无线传感器网络中仅有角度测量的目标跟踪问题,详细分析其定位过程,提出一种基于改进粒子滤波算法的新解决方案.方案采用高斯混合模型(GMM)代替单一模型近似概率密度分布,融入粒子滤波算法,提议分布采用SRUKF-PF算法更新粒子.算法中增加改进措施以提高滤波性能如:残差重采样算法用于重采样、K-means算法用于构建预估起始点、EM算法用于拟合GMM近似等.仿真结果验证了方案的有效性.     

改进粒子滤波的无线传感器网络目标跟踪算法

针对粒子滤波(PF)重采样后造成的粒子枯竭现象的问题,提出了一种基于改进重采样的粒子滤波无线传感器网络目标跟踪算法.该算法避免了残差重采样算法中的残留粒子重采样问题,减少了计算时间;通过产生新的粒子,增加了粒子的多样性,从而改善了粒子枯竭现象.仿真实验结果表明:改进重采样的粒子滤波算法提高了目标跟踪精度,降低了跟踪误差.     

基于KLD采样的自适应粒子滤波目标跟踪算法

标准粒子滤波算法用于无线传感器网络运动目标跟踪时,非高斯噪声环境会降低其跟踪精度和计算效率。针对该问题,结合多传感器测量模型和Kullback-Leibler距离(KLD)采样方法,提出一种自适应粒子滤波算法。在满足预设阈值条件时,引入补偿函数对重要性概率密度函数(IPDF)进行迭代更新,同时利用具有自适应退火参数的模拟退火算法使粒子快速接近高似然区域。在此基础上,结合KLD采样动态调整粒子规模,在保证跟踪精度的同时减少运算量。仿真结果表明,与KLD-PF算法相比,该算法的IPDF分布接近真实后验概率密度分布,跟踪精度较高,能够在不同参数的非高斯噪声下进行有效跟踪。     

基于均值漂移和联合粒子滤波的移动节点定位算法

针对无线传感器网络移动节点定位面临的高精度和实时性要求,把均值漂移算法引入联合粒子滤波(Joint ParticleFilter)框架.提出了基于均值漂移和联合粒子滤波的移动节点定位算法.它使用均值漂移算法构建粒子滤波的建议分布,通过有效利用最新观测信息,提高粒子状态估计的准确性,使得采样粒子的状态分布与后验概率分布更接近,减少了状态估计必需的粒子数目.该算法还提出了基于虚拟海明距离和交互势的权重计算方式,减少相邻移动节点间的干扰.仿真实验结果表明,基于均值漂移算法和联合粒子滤波的移动节点定位,可获得比基本粒子滤波更高的定位精度,其定位精度与无味粒子滤波(Uscented Particle Filter)相当,而计算开销比无味粒子滤波减小至少50%.     

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.     

鲁棒的机器人蒙特卡洛定位算法

提出一种基于粒子滤波器的机器人定位算法. 首先利用一并行扩展卡尔曼滤波器作为粒子预测分布, 将当前观测的部分信息融入, 以改善滤波效果, 减小所需粒子数; 然后提出变密度函数边界的马尔可夫链蒙特卡洛(Markov chain Monte Carlo, MCMC)重采样方法, 以提高粒子的细化能力; 最后结合普通重采样方法, 提出一种改进的MCMC重采样的机器人定位算法, 减少粒子匮乏效应的同时, 提高了定位精度. 实验结果表明, 该算法较传统方法在计算复杂度、定位精度和鲁棒性方面都有显著提高.     

非线性交互粒子滤波算法

在非线性非高斯系统状态估计问题中,后验概率密度函数的解析形式难以获得,标准粒子滤波算法采用状态转移概率函数代替后验概率作为重要性采样概率密度函数,而未考虑当前观测数据的影响．针对该问题,首先提出了非线性交互多模型算法;然后应用该算法产生重要性采样概率密度函数,设计了新的非线性交互粒子滤波器．新的概率密度函数融入最新观测数据,更接近系统状态后验概率．比较实验表明了所提出算法的有效性．     

基于Monte Carlo的无线传感器网络定位算法

无线传感器网络节点自身定位技术是无线传感器网络关键技术之一。针对目前各种定位算法存在定位精度较低的问题,提出了一种基于Monte Carlo方法的定位算法,该算法利用粒子到锚节点的距离计算各粒子的权值,通过滤波不断更新粒子的集合,使粒子收敛到未知节点的位置。对非视线情况、不同锚节点个数、迭代次数及粒子数进行了定位过程仿真,并和极大似然估计定位算法进行了定位结果比较。结果表明:该算法充分利用了对节点位置估计的有效信息,一定程度上抑制了非视线误差的影响,定位精度高,稳定性好。     

基于爬山粒子群优化的移动传感网络定位算法

针对蒙特卡洛定位（Monte Carlo Localization,MCL）采样效率不高,定位精度较低的问题,提出一种新的基于爬山法优化策略的移动无线传感网络定位算法HCPSO-MCL（Hill Climbing Particle Swarm Optimization-MCL）,将节点定位问题转化为全局优化问题。HCPSO-MCL算法采用基于爬山策略的混合粒子群优化算法对MCL的估计值进行修正,从而实现节点快速准确定位。实验仿真结果表明,HCPSO-MCL较之于MCL算法在定位精度上有很大改进,而且比PSO-MCL（Particle Swarm Optimization-MCL）算法有更快的收敛性。     

无线传感器网络移动节点的定位算法

针对无线传感器网络中节点移动性问题提出一种遗传蒙特卡罗定位算法。将进化理论中的交叉操作与变异操作引入到蒙特卡罗定位算法中,对采样进行优化,使采样向后验密度分布取值较大的区域移动,从而更好地表达后验密度分布。仿真结果表明,该算法可以明显减少所需的采样数,具有更高的定位精度和鲁棒性。     

无线传感器网络中基于量化观测的粒子滤波状态估计

无线传感器网络环境下处理分布式状态估计问题,由于网络中的带宽限制,减少通信成本是非常重要的一个环节,需要将观测值量化后再传送.针对非线性系统的状态滤波问题,本文提出了一种基于量化观测的粒子滤波状态估计算法,并阐述了基于量化观测的状态估计过程.文中分别采用基于均匀量化(UQDPF)和非均匀量化(NUQDPF)观测的分布式粒子滤波算法进行状态估计,通过被动跟踪仿真实例,利用均方根误差(RMSE)比较了误差性能,并且比较了在不同量化级数下的非均匀量化算法的跟踪误差,仿真结果表明,基于非均匀量化观测的粒子滤波器具有更高的跟踪精度,是一种有效的非线性滤波算法.     

基于不完全测距的移动传感器网络定位算法

采用基于二次规划的无迹卡尔曼滤波及多维标度方法,研究高精度的移动传感器网络定位算法,从传感器网络整体定位角度出发, 为移动传感器网络定位提供了新思路.首先对传感器网络单元建立符合实际的带约束的非线性相对运动模型;在此基础上重点考虑模型中的物理约束,采用基于二次规划的无迹卡尔曼滤波对节点间相对距离进行滤波估计;最后基于分布式的多维标度定位算法进行局部定位与拼合,给出不完全测距下的移动传感器网络定位算法.仿真结果表明,所提出的算法在相同测距误差下与其他定位算法相比定位精度更高,在不同连通度的传感器网络中,均能得到良好的定位效果.     

Interacting multiple model and sensor selection algorithms for manoeuvring target tracking in wireless sensor networks with multiplicative noise

This article addresses the problem of tracking a manoeuvring target in a wireless sensor network (WSN) consisting of distance-measuring sensor nodes. In order to cope with target manoeuvres, an interacting multiple model (IMM) filter is applied to estimate the position and velocity of the target. The distance-dependent measurement error of sensors is formulated as both additive and multiplicative noise in the observation equation. To deal with nonlinearities in the process and observation equations and also to solve the problem of multiplicative measurement noise, a new particle filter (PF)-based IMM approach is developed. Furthermore, the multiple-model posterior Cramér-Rao lower bound (PCRLB) is derived in the presence of both additive and multiplicative noise and it is used to perform a sensor selection algorithm to reduce energy consumption in WSN nodes. Simulation results show the effectiveness of the proposed IMMPF and sensor selection algorithms in target tracking.     

无线传感器网络节点OSFL-TLBO定位算法

定位技术对于无线传感器的应用是至关重要的,没有位置坐标的传感器节点信息是没有意义的。针对非测距的DV-Hop算法定位精度不高的问题,提出了一种新的基于反向蛙跳-教学优化(OSFL-TLBO)定位算法,以改进DV-Hop用平均跳距来代替欧式距离时的累积误差问题和利用最小二乘法求解非线性方程时对初值敏感,受测量误差影响较大的问题。把无线传感器网络节点的定位问题转化为求解最优解的问题。仿真结果表明,所提算法的定位准确度提高大约10%~25%,有效的提高了定位精度。     

节点分布对无线传感器节点定位性能的影响

为了提高无线传感器节点的定位准确性,针对当前算法没有考虑节点分布对无线传感器节点定位性能的影响,提出一种考虑节点分布的无线传感器节点定位算法。分析节点分布对无线传感器节点定位性能的影响,估计锚节点之间的实际距离和估算距离的误差,并采用DV-Hop算法进行初步定位,综合学习粒子群算法对DV-Hop算法的定位误差进行修正,采用多个实验对算法性能测试。实验结果表明,无论在节点分布均匀或分布不均匀条件下,该算法可以较好地修正DV-Hop算法定位误差,均明显提高了未知传感器节点的定位精度。     

基于Bootstrap采样粒子滤波的WirelessHART时间同步算法﹡

针对无线HART传感器网络时间同步精度较低、能耗过大等问题,提出了一种基于Bootstrap采样的粒子滤波时间同步算法。在未知网络延迟分布的情况下,为了减少观测次数,对发送端和接收端的时间戳观测值进行Bootstrap采样,采用混合粒子滤波算法,获得精确的时钟偏移,从而不仅降低了无线HART传感网络时间同步误差,而且使能耗减小。最后,实验表明,对于无线HART网状分层网络,当观测量达到10以上时,粒子滤波算法获得的时间偏差的均方误差约是最大似然估计算法的50%,而基于Bootstrap采样的粒子滤波算法获得的时间偏差的均方误差约是最大似然估计算法的35%,仿真的结果验证了该方法的可行性和有效性。     

无线传感器网络中基于粒子滤波的人员跟踪方法

人员跟踪是室内定位系统的一项重要任务。在无线传感器网络中利用信号强度实现人员跟踪,无需专门的测距设备,能够降低系统的复杂度和成本,成为研究的热点。但是,由于人体对信号传播产生比较大的影响,给人员跟踪带来困难。提出一种新的信道模型,描述有人环境下信号强度与距离的关系。跟踪算法根据该模型建立信号强度的测量模型,并结合人的运动特点建立状态转移模型,最后利用粒子滤波技术实现了对人员的跟踪。该方法以序贯方式估计人员的位置,计算过程简单,而且对信号强度的噪声不敏感。仿真和实验表明,该方法的跟踪效果良好。