基于高斯Cost-Reference粒子滤波器的WSN目标跟踪算法

提出了一种新的高斯Cost-Reference粒子滤波器算法及多传感器动态协同策略用于无线传感器网络目标跟踪问题.该算法的显著特点是:(1)鲁棒性,不需要事先对系统过程噪声和测量噪声的分布进行精确建模,具有较好的噪声自适应能力,非常适用于无线传感器网络未知的、复杂的应用场景;(2)能量有效性,该算法采用高斯分布来近似状态的后验概率分布,节点间交互时只需要传输高斯分布的均值和方差,而不需要传输所有的粒子及其权值,极大地减轻了网络通信负载,能有效延长网络的寿命.     

基于卷积粒子滤波的交互式多模型算法

针对噪声分布未知环境下的非线性目标跟踪,提出了基于卷积粒子滤波的交互式多模型算法。该算法利用卷积粒子滤波器并行地运行多个模型,对前一时刻每个模型的状态后验概率密度进行交互,从交互后的概率密度中采样作为当前时刻滤波器的初始粒子,对当前时刻每个模型的状态后验概率密度进行加权作为系统输出。与基于粒子滤波的交互式多模型算法相比,算法消除了对量测噪声分布的依赖,提高了效费比,理论分析和仿真结果证明了该算法的有效性。     

一种补偿的扩展KALMAN粒子滤波

设计合适的重要性概率密度函数是粒子滤波中的一个重要问题.首先分析了扩展Kalman滤波器的线性化误差,然后加入调节因子,采用补偿的方法减小线性化误差,并用此方法获取粒子滤波中的重要性概率密度函数,同时该概率密度函数参考了最新的观测量,因此提议分布产生的粒子更能反映系统状态的后验概率分布.实验结果表明新算法的估计性能优于标准粒子滤波和Kalman粒子滤波,与Unscented Patticle Filter相比,新算法降低了计算复杂度.     

基于集合卡尔曼滤波的改进粒子滤波算法

提出一种基于集合卡尔曼滤波的粒子滤波改进方法。该方法利用集合卡尔曼滤波的最大后验概率估计产生粒子滤波每一时刻各粒子的建议分布函数,使建议分布函数融入最新观测信息的同时,更加符合状态的真实后验概率分布。该方法在对粒子滤波的建议分布进行估计时使用采样方法近似非线性分布,且采样点数灵活可变,使计算精度和算法效率得到提高。仿真结果表明,提出的集合卡尔曼粒子滤波的估计性能明显优于标准粒子滤波、扩展卡尔曼粒子滤波和无迹粒子滤波。     

基于微分进化算子的量子粒子群优化算法及应用

分析了量子粒子群优化算法(Quantum-behaved Particle Swarm Optimization,QPSO)的进化方程,指出其存在的局部收敛问题,通过将微分进化(Differential Evolution,DE)的基本操作思想引入到QPSO中,提出了改进的QPSO算法(QPSO-DE);算法改进的方法是在粒子搜索过程中,以一定的概率对粒子的每一维执行微分进化操作,以增加粒子的随机性,从而减少了粒子群体因多样性缺失而易于陷入局部最优或停滞的情况,增强了粒子群体的搜索能力,提高了算法的优化性能;对多个标准测试函数及在IIR数字滤波器优化设计中的仿真实验结果表明,与PSO算法和QPSO算法相比,QPSO-DE算法能够取得更好的优化结果。     

基于模型类型匹配PHD滤波器和TBM的多目标联合跟踪分类

为了解决杂波和漏检下多目标的联合跟踪与分类问题,提出了模型类型匹配概率假设密度(probability hypothesis density,PHD)滤波器,同时将其与多传感器的可转移信度模型(transferable belief model,TBM)框架相结合,并用多个运动学雷达和粒子滤波递推实现。该算法对飞行器的先验信息进行估计,从而替代了属性传感器。在预测阶段,根据模型和类型对PHD滤波器进行粒子匹配;传感器得到观测结果后进行粒子权重的更新;再根据粒子对应的权重得到目标的后验状态模型类型分布;这些PHD滤波器可以同时得到目标的状态和类型;结合TBM和航迹粒子标签算法,得到多个传感器的融合结果。仿真表明,本文提出的模型类型匹配PHD滤波器的性能比传统多模型PHD滤波器更精确,同时多传感器的TBM框架也全面提升了算法的性能。     

基于混合粒子滤波的多目标跟踪

针对可变数量的多个红外弱小目标的检测与跟踪问题,提出了基于混合概率密度模型的多目标先跟踪后检测方法,开发了一种t分布混合粒子滤波器.在混合粒子滤波器中,利用每个分量粒子滤波器的输出信息,根据序列似然比假设检验,检测每个被跟踪目标的存在性.通过估计目标在离散占据网格上的出现概率,检测新目标的出现.混合粒子滤波器使用单独的粒子滤波器独立估计每个被跟踪目标的状态,避免算法的计算量随着目标数量增加呈指数增长的问题.仿真实验证明混合粒子滤波器能够跟踪目标数量可变的弱小目标,能够同时检测目标的消失和出现.     

快速Metropolis-Hastings变异的遗传重采样粒子滤波器

为了解决传统粒子滤波器粒子退化与贫乏问题,提出了快速变异的遗传重采样粒子滤波算法.该算法将快速Metropolis-Hastings(MH)移动作为遗传算法的变异算子,使得快速变异算子与传统交叉算子、传统选择算子组合为一种新的粒子重采样算法.快速MH变异能对粒子进行移动,使得粒子的稳定分布为目标的后验概率密度分布.快速变异能有效解决一般变异算法易发散的问题,可以更快地提取到反映目标概率特征的典型粒子.实验证明,基于快速MH变异的遗传重采样方法可以快速提高粒子的多样性,避免粒子退化,减小跟踪误差.     

基于粒子滤波的机动目标跟踪改进算法

粒子滤波是指利用Monte Carlo仿真方法处理递推估计问题的非线性滤波算法,这种方法不受模型线性和Gauss假设的约束,是一种处理非线性非高斯动态系统状态估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波(EKF)算法,融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布。仿真结果表明,该算法对机动目标有更好的跟踪效果。     

状态估计中确定性采样滤波器的比较分析

基于采样方法的滤波器在非线性滤波领域内得到了广泛应用。其共同特点是利用抽样粒子点模拟系统状态的概率分布,从而不受状态先验分布假设(如高斯假设)的约束,拥有更高的滤波精度和更广的应用范围。在确定性抽样意义下论述了几种现有的确定性采样滤波器,并对这几种滤波器在状态估计领域(滤波)的应用进行了精度和计算负荷分析。采用一维及多维算例验证了几种方法的估计精度。给出基于实际系统需求一般性评价和选用原则。     

基于空间域划分的分布式SLAM算法

针对同步定位与地图构建(simultaneous localization and mapping, SLAM)中状态量高维时变的问题,本文通过综合集中式和分布式实现结构的各自优势,提出了一种基于空间域划分的分布式SLAM算法。该算法依据两个路标点与机器人连线之间的夹角,将整个空间域中的路标点进行区域划分,保证每个子空间域内含有两个不共线的路标点,并将每个空间域内的路标点组合构建观测模型,采用分布式无味粒子滤波器进行机器人位姿的估计,而采用联邦Kalman滤波完成对路标点的估计,并通过设计各子滤波器中粒子分布的调整方式改善了系统在动态重构过程的精度和稳定性。最后,通过实际数据的仿真试验证明所提算法具有更好的实时性和滤波精度。     

基于自适应渐消EKF的FastSLAM算法

快速同时定位与建图(fast simultaneous localization and mapping, FastSLAM)算法的采样过程会带来粒子退化问题,为了改进算法的性能,提高估计精度,从研究粒子滤波的建议分布函数出发,提出基于自适应渐消扩展卡尔曼滤波(adaptive fading extended Kalman filter, AFEKF)的FastSLAM算法。该算法基于FastSLAM的基本框架,利用AFEKF产生一种参数可自适应调节的建议分布函数,使其更接近移动机器人的后验位姿概率分布,减缓粒子集的退化。因此在同等粒子数的情况下,该算法有效提高了SLAM精度,以此减少所使用的粒子数,降低算法的复杂度。基于模拟器和标准数据集的实验仿真结果验证了该算法的有效性。     

基于改进灰狼算法的粒子滤波算法研究

针对传统粒子滤波算法易出现粒子贫化与权值退化现象和为了实现对非线性系统较为准确的状态估计,通常需要大量粒子的参与的问题,提出了基于改进灰狼算法的新型粒子滤波方法,该算法用粒子表征灰狼个体,模拟狼群捕猎的过程,使粒子向后验概率的高似然区域移动,提高粒子分布的合理性。在灰狼寻优算法中引入了莱维飞行策略,提高灰狼算法的收敛速度;在部分重采样前采用了权值自适应调整策略,增加粒子的多样性。仿真实验结果表明:改进的方法提高了粒子滤波的估计精度、保证了粒子的多样性与粒子分布的合理性、降低了状态估计所需的粒子数量。     

一种粒子滤波预处理方法

粒子滤波(Particle Filter)是一种基于蒙特卡罗(Monte Carlo)的贝叶斯滤波方法,通常的SIR方法存在严重的粒子匮乏现象。用大权值粒子和小权值粒子的组合来取代小权值粒子,可以减小粒子权值方差,增加粒子多样性。仿真结果表明,在状态估计的初期,使得粒子迅速靠近高似然区域,精度得到了大幅度的提高。同时,算法的实时性也有很好的改善,适用于观测噪声和状态噪声较小的情况。     

基于多传感器数据融合的移动机器人导航

提出了一个允许机器人在室内环境中沿规划好的路径移动的决策和控制结构.机器人的控制系统包含了应用特定硬件实现的可以并行运行的几个程序.移动机器人的导航子系统利用卡尔曼滤波器,融合由视觉系统与由里程计获得的位置估计值.通过一组超声波传感器实现障碍物检测.实验结果表明,效果良好.     

基于SVM数据融合的实时粒子滤波算法

采用粒子滤波的目标跟踪算法在粒子数目较多时计算量大、实时性差,针对该问题提出了一种新的基于支持向量机数据融合的实时粒子滤波算法。该算法在估计窗实时粒子滤波的基础上,使用支持向量机融合窗内不同时刻粒子集,并根据融合的结果更新粒子权值,实现对目标状态的快速跟踪。相对于原算法采用最小化Kullback-Leibler距离来调整估计窗混合分布的权值,该方法的计算复杂度低、速度快,进一步提高了算法的实时性。对纯角度目标跟踪问题的仿真结果表明了该算法的可行性和有效性。     

智能优化的代价评估粒子滤波算法

针对噪声未知情况下粒子滤波算法进行状态估计时准确性低的问题,对智能优化的代价评估粒子滤波算法进行研究。结合代价评估粒子滤波算法特点设计了智能优化重采样策略,利用概率质量函数评价粒子的可信度,通过交叉变异操作引导粒子向风险较小的区域移动,改善基于风险和代价进行样本更新而导致的样本贫乏问题;通过对风险较大粒子的变异,扩展了粒子的后验分布区域。仿真结果表明,提出的智能优化代价评估粒子滤波算法具有良好的粒子优化性能,能在噪声统计特性未知情况下提高状态估计的精度。     

基于激光数据配准的移动机器人自定位

提出了一种基于激光数据配准的移动机器人自定位方法。该方法避免了对激光数据进行特征提取以及点对点的对应,仅以预处理后激光数据的核密度估计作为定位依据,以核相关方法作为比较相邻两组激光数据相似性的度量准则,并在此基础上建立以旋转平移向量为参数的自定位目标函数。最后采用BFGS拟牛顿方法对目标函数进行寻优,最终实现移动机器人的自定位。对180度激光数据的仿真实验结果证明了该方法的有效性。     

基于异步估计自适应Kalman滤波系统设计

一般的Kalman滤波器时系统噪声和测量噪声统计特性要求较为严格,当统计特性存在不确定性时,估计会造成较大的估计误差,甚至使滤波器发散.针对此问题,在基于新息的自适应估计和极大后验估计的基础上对Q和R进行异步估计;以某型号光纤惯性测量装置和GPS系统为背景的仿真实验结果表明,该方法能够有效地对Q和R存在不确定的组合导航系统的误差状态变量进行估计,并能较好地保证自适应滤波器的收敛性,进一步提高了估计精度.