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.     

基于空间分布和时间序列分析的粒子滤波算法

针对粒子滤波存在的粒子贫化问题,提出了一种改进的重采样粒子滤波算法.在重采样步骤中基于采样粒子集的空间分布引入时间序列分析,选取相关度最高的粒子进行传递,避免了只关注采样粒子权值的传统重采样算法中仅复制大权值粒子而任意丢弃小权值粒子的缺陷,因此能够消弱粒子贫化现象,提高算法的估计精度.在理论上利用两样本Kolmogorov-Smirnov检验原理证明了改进算法重采样后的粒子集和采样前的粒子集来自同一总体.仿真结果表明,尤其是在初始采样粒子数目较小时,该算法在非线性系统状态估计中的精度优于传统的粒子滤波算法.     

宽带波达方向估计的辅助粒子滤波算法

针对粒子滤波宽带波达方向估计中因采样粒子权值不稳定导致估计误差较大的问题,提出了基于辅助粒子滤波的宽带波达方向估计算法。该算法利用贝叶斯重要性采样算法,在权值大的粒子基础上引入辅助粒子变量,重新定义重要性采样分布函数。经过两次加权计算,进而改善粒子退化问题,并引导粒子向高似然区域移动,使粒子在真实状态周围分布更均匀,粒子权值比仅用重采样的粒子权值变化更稳定。仿真实验表明,该算法在均方根误差和检测概率性能上优于粒子滤波算法。      

基于Sh相关系数的非线性系统状态粒子估计算法

本文提出一种适用于非线性系统状态的粒子估计算法--基于Sh相关系数的粒子估计(PE)算法.该算法主要由预测、更新和平滑组成,利用被估计状态观测值路径和粒子观测值路径之间的Sh相关系数来修正粒子权值.仿真实验结果表明,该算法在状态估计精度上优于序列重要性重采样(SIR)算法、辅助粒子滤波(APF)算法、正则化粒子滤波(RPF)算法、高斯粒子滤波(GPF)算法和高斯混合粒子滤波(GSPF)算法.     

基于辅助变量粒子滤波的空对海BO-TMA的研究

论文探讨了TMA(目标运动分析)中基本的非线性估计问题;介绍了粒子滤波(PF)的基本思想和辅助变量PF(AVPF)的基本算法,特别针对空对海单站只测方位TMA(BO-TMA)问题应用AVPF和EKF(扩展卡尔曼滤波)进行了对照研究;建立了问题的离散非线性滤波估计模型;设计了典型的应用场景;给出了Monte Carlo仿真运行结果;表明AVPF具有更高的估计精度、更好的收敛特性和滤波一致性。     

基于非线性混合效应状态空间模型的粒子滤波

粒子滤波算法是一种用于解决非线性系统问题的新型算法。通常粒子滤波利用重要性重抽样算法,选用先验分布,但是其易受外部观测值影响,从而导致权重变化较大。为此,文中引入辅助粒子滤波算法进行改进,该算法优势在于前一时刻的样本在抽取时以当前的观测数据为条件,这样得到的样本更加接近真实状态。最后,通过仿真实例,进一步分析验证了辅助粒子滤波算法比采样重要性重抽样更为有效。     

单站目标被动跟踪的滤波器方法研究

为了实现对单站目标的被动跟踪,分析并比较了扩展Kalman滤波器和粒子滤波器在非线性估计方面的性能,并且针对粒子滤波器存在的粒子退化现象,引入改进的重采样算法和基于无迹变换的滤波算法.仿真实验分别比较了几种滤波器在目标做匀速、匀加速、变加速情况下距离和速度滤波的均方根误差,结果表明粒子滤波器滤波性能优于扩展的Kalman滤波器,改进的重采样算法和基于无迹变换的粒子滤波器可以有效改善估计精度.     

改进粒子滤波算法的比较

重要性密度函数的选择对粒子滤波至关重要,围绕重要性密度函数的选择,已提出许多改进粒子滤波算法,典型的有扩展卡尔曼粒子滤波(EPF),不敏卡尔曼粒子滤波(UPF)、辅助粒子滤波(APF)及正则化粒子滤波(RPF).详细讨论了4种改进粒子滤波算法的基本思想、性能特.占及主要步骤.通过对一典型标量非线性系统的滤波实验,对4种改进算法的性能进行了仿真比较,实验结果表明,4种改进算法都从不同程度上改善了粒子滤波器的性能,其中,UPF的性能最优.最后,分析了各算法的改进原因.     

基于粒子滤波器的非线性估计方法

介绍基于粒子滤波器的非线性估计方法.采用正则化粒子滤波器来缓解粒子滤波器重采样造成的问题,改进了粒子滤波器的性能.在一种典型的非静态增长模型下比较EKF,UKF,PF和RPF的滤波性能差异.仿真结果表明,PF在滤波精度方面优于EKF和UKF,而RPF在精度和计算复杂度等方面均优于PF.     

自适应差分演化粒子滤波器

针对非线性、非高斯系统中的粒子滤波算法存在粒子权值退化和重采样后引起样本枯竭问题,提出一种自适应差分演化粒子滤波算法。用一种自适应参数控制策略对差分演化算法的参数进行控制,并以此代替粒子滤波中的重采样算法。通过对状态更新后的粒子做自适应差分变异、自适应杂交和选择等优化操作,利用权值大小选出下一时刻的粒子集合。实验表明,该算法能有效缓解粒子权值退化和样本枯竭问题,缩短算法运行时间,提高估计精度,同一般的差分演化粒子滤波算法相比,状态估计的精度更高。     

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。     

基于微分进化的组合重采样粒子滤波算法

针对粒子滤波重采样带来的样本贫化问题,设计了微分进化组合重采样算法。通过引入微分进化算法的交叉变异操作保持了粒子多样性;同时将残差重采样和微分进化重采样算法组合起来,克服了单纯微分进化重采样的时滞性问题。蒙特卡罗仿真表明,所研究的算法在精度上有很大的提高,并且实时性较好。算法效率提高了1倍,只需300个粒子就可以达到残差重采样粒子滤波1000个粒子的效果,而且实时性提高了很多。     

基于改进粒子滤波算法的红外小目标检测跟踪

将粒子滤波算法引入到红外小目标的检测跟踪领域,为解决重要性函数选择和粒子退化问题,结合蚁群搜索算法与粒子群优化算法改进标准的粒子滤波.改进后的粒子滤波能有效减少粒子数,降低运算量,避免了粒子迁移线性化,且无需重采样.分析论证了该算法的基本原理,着重叙述了粒子迁移的过程.通过跟踪实拍红外图像以及仿真图像验证,表明该算法能...     

基于粒子滤波与样本加权的压缩跟踪算法

该文针对压缩跟踪算法无法适应目标尺度的变化以及没有考虑样本权重的问题,提出一种基于粒子滤波与样本加权的压缩跟踪算法。首先,对压缩特征进行改进,提取归一化矩形特征用于构建目标表观模型。然后,引入样本加权的思想,根据正样本与目标之间距离的不同赋予正样本不同的权重,提高分类器的分类精度。最后,在粒子滤波的框架下融合尺度不变压缩特征进行动态状态估计,在粒子预测阶段利用2阶自回归模型对粒子状态进行估计与预测,借助观测模型对粒子状态进行更新,并且对粒子进行重采样以防止粒子退化。实验结果表明,相比于原始压缩跟踪算法,改进算法能够更好地跟踪目标尺度的变化,提高跟踪的稳定性和准确性。     

改进的粒子滤波算法

针对标准粒子滤波算法重采样后粒子多样性丧失问题,提出一种在粒子补偿的基础上,利用预测值与观测值的方差进行粒子重采样的改进粒子滤波算法。该算法是在标准粒子滤波算法的基础上,加入粒子补偿的步骤,然后利用预测值与观测值的方差在权值较高的粒子周围进行重采样来改善标准粒子滤波算法中粒子多样性丧失问题。实验结果表明:在相同条件下,改进粒子滤波算法比标准粒子滤波算法具有更小的平均均方误差(RMSE)和更高的目标跟踪精度,数据表明,其目标跟踪精确度提高30%以上。     

平坦衰落信道下一种基于进化粒子滤波的盲检测器

该文针对平坦瑞利衰落信道下的盲粒子滤波检测器存在的样本贫化问题,提出了一种基于进化粒子滤波的盲检测方法。在粒子滤波的重采样阶段,引入进化规化思想,即采用进化粒子滤波的方法解决样本的贫化现象,从而构成了一种基于进化粒子滤波的盲检测器。仿真结果表明,在信道模型系数未知条件下,该检测器的误码率性能较盲粒子滤波检测器优越,接近已知信道模型系数情况下的混合卡尔曼滤波检测器性能。     

基于粒子滤波的烧结断面图像火焰区域跟踪

在铁矿石烧结过程中,烧结机尾断面图像中的火焰区域蕴含着大量烧结特征信息.为有效识别烧结断面火焰核心区域,提出了改进的粒子滤波算法对烧结断面图像进行火焰区域跟踪.在经典粒子滤波算法中引入RGB颜色空间生成带权粒子.同时,烧结过程中火焰区域可能合并、分裂及脱落,对粒子滤波算法中重采样方法进行权值优化、粒子舍弃与重采样策略优化,避免由粒子退化现象与样本贫乏问题引起跟踪失败.结果表明,改进的粒子滤波算法能够对烧结断面图像火焰区域进行有效、快速地跟踪.     

非均匀稀疏采样环境的改进高斯粒子滤波方法

粒子滤波（PF）技术的研究一直是非线性滤波领域的热点和难点问题,针对非均匀稀疏采样环境下传感器观测的滤波估计问题,提出了一种结合目标运动特性的改进型高斯粒子滤波方法。在该方法中,首先深入分析了传统粒子滤波不能有效对非均匀稀疏采样观测数据进行有效处理的原因,通过引入目标观测、目标观测的有效时间间隔、目标速度等目标特性,综合改善高斯粒子滤波器在时间更新阶段预测粒子和预测协方差估计的准确性,从而提高观测更新阶段重要性密度函数的估计精度,实现对目标状态的精确估计。实验结果表明,对于一维非线性非高斯例子,提出方法要稍好于传统的PF、辅助粒子滤波（APF）和高斯粒子滤波（GPF）;而对于实际的非均匀稀疏采样观测样本,提出方法要远好于PF、APF和GPF,能够有效对目标进行状态估计。      

一种导向粒子滤波跟踪算法

粒子滤波算法在运动目标跟踪方面有着广泛的使用,粒子滤波中的重采样是解决粒子退化的一种重要方法,但是重采样会导致粒子的多样性的丧失。针对这个问题,改进粒子滤波算法,改进过程中结合了导向滤波的基本思想,因此将这种方法称为导向粒子滤波跟踪算法。导向滤波是近几年提出的一种新的滤波方式,与传统滤波相比,它在滤波的时候会引入一幅指导图像,鉴于这个思想,我们在进行粒子滤波的时候,引入一种导向粒子作为一个指导量,来保留一些目标图像上的信息。实验证明了这种算法可以更好地对目标进行定位跟踪。     

基于序列二次规划的粒子滤波算法

针对传统粒子滤波(PF)没有引入当前信息,并存在粒子退化的问题,提出了一种基于序列二次规划(SQP)多级优化的PF 算法。首先,基于残差分布特性采用置信区间剔除较大偏差粒子,调整粒子权值分布;然后,将重采样后的粒子映射到集合U,根据集合U 中各粒子复制次数建立多级优化模型,通过SQP 求解模型的参数值,当前后两级模型优化参数差异小于门限时,输出最后一级优化参数为滤波结果;最后,为防止过度采样导致粒子退化,利用滤波值及其协方差采样新粒子。仿真实验表明:SQP鄄PF 算法在跟踪精度,粒子多样性方面优于传统PF 算法。