基于人工免疫重采样粒子滤波的单通道盲源分离

针对单通道盲源分离重采样过程中出现的粒子枯竭现象,提出了一种基于人工免疫重采样粒子滤波的新算法.以二进制相移键控调制信号为例,针对传统粒子滤波算法中存在的粒子枯竭现象,利用人工免疫重采样粒子滤波进行信号未知参数和码元的最大后验概率估计,在保证粒子有效性的同时解决了粒子退化问题,有效地缓解了粒子枯竭现象,提高了算法的跟踪估计能力.仿真结果证明了该算法的可行性和有效性,改进后的算法在不加纠错编码,信噪比大于14 dB的情况下,误码率小于10-2,基本实现了信号的盲源分离.     

基于重要性排序蒙特卡洛粒子滤波的物体跟踪算法

研究复杂背景下的物体跟踪方法. 提出一种用于物体跟踪的重要性排序马氏链蒙特卡洛粒子滤波算法. 算法利用少量加权初始粒子得到后验概率分布的初步估计,并通过重要性排序马氏链蒙特卡洛采样技术从该初步估计抽取新的粒子,以构建对应不同模态的多条独立马氏链,从而充分逼近真实后验概率分布的多模态. 所提出的算法自适应地根据当前模态分布构建多条独立马氏链,因此能够在多模态的复杂场景下准确估计目标状态的后验概率分布;同时,在构建马氏链的过程中,算法采用重要性排序策略确定历史样本被选为状态转移核的似然度,提高了小权重样本被选中的可能性,降低了在马氏链构建过程中陷入局部最优的概率. 仿真实验以及真实视频上所进行的实验显示,所提出的方法能够实现准确稳定的物体跟踪,且效果优于标准粒子滤波算法以及马氏链蒙特卡洛粒子滤波算法.      

高斯混合粒子滤波器在静基座捷联惯导系统初始对准中的应用

为解决传统粒子滤波算法中影响状态估计性能的采样枯竭问题,提出一种高斯混合粒子滤波(GMPF)算法,基于Sigma点卡尔曼滤波(SPKF)和粒子滤波的特点,采用加权EM算法取代传统粒子滤波的再采样过程,减弱了采样枯竭的影响,增强了算法的估计性能.对捷联惯导系统静基座大方位失准角初始对准的仿真结果表明,该算法的估计精度优于扩展卡尔曼滤波.     

适于无源阵列跟踪的粒子滤波交互多模型算法

针对无源阵列被动跟踪效果较差的问题,融合交互式多模型和粒子滤波方法,提出了一种基于粒子滤波的交互多模型(IMM-PF)算法。该算法采用多模型结构跟踪目标的任意机动;各模型采用粒子滤波算法处理非线性、非高斯问题。各模型中相对固定数目的粒子群经过相互交互、粒子滤波后再进行重抽样以减少滤波退化现象。在交互阶段,对各模型的相应粒子进行输入交互;在滤波阶段,抽取N个采样点,得到估计采样,从而求得估计输出和有关函数;在混合阶段,获得状态向量的后验条件概率密度函数,通过这个后验概率密度便可获得状态向量的估计量。与典型的交互式多模型算法(IMM-KF)进行了比较,计算机仿真结果证实了本文新算法的正确性和有效性。     

一种改进的粒子滤波目标跟踪算法

为解决常规的基于粒子滤波的目标跟踪算法,使用状态转移分布作为采样粒子的建议分布函数,没有考虑当前的观测值,从而造成定位时间长、定位精度低的问题.采用将最新的观测值融合到采样过程中,利用粒子群优化方法实现目标的跟踪,使得采样粒子集往后验概率密度分布较大的区域移动,从而显著地降低了精确定位所需的粒子数.研究结果表明:改进后的目标跟踪算法性能更优.     

基于分布函数逆映射采样的粒子滤波方法

针对粒子滤波存在的退化问题,提出一种基于最优重要性密度对应的分布函数的逆映射采样的粒子滤波方法.该方法首先在[0,1]区间均匀采样一组随机样本,然后根据分布函数的单值逆映射关系,将这些随机样本映射成对应于最优重要性密度的粒子,其中分布函数通过数值积分计算.这些粒子的分布非常逼近所求状态的后验概率密度函数,有效解决了粒子退化问题.理论分析和仿真结果表明:与现有粒子滤波方法相比,所提方法明显改善了滤波性能.     

雷达多目标交叉轨迹跟踪算法

针对雷达跟踪系统中的多目标运动情况,以及目标轨迹交叉重叠导致的目标丢失或跟踪错误等问题,将多目标联合状态下的加权重采样思想引入到标准粒子滤波算法中.对基本粒子滤波算法进行优化,使用离散随机变量模拟目标后验概率,存在多个目标时引入联合状态概念,用关联函数把多个目标的状态变量和观测变量表示出来,把联合状态下的采样数据加入跟踪粒子的权值更新过程,使得粒子能够根据目标间的状态变化准确预测各个目标的后验分布,从而更新目标运动估计值,避免下一时刻粒子采样分布错误.联合加权重采样优化后的粒子能够准确跟踪目标运动,粒子预测和更新也不受目标交叉运动影响,克服跟踪不稳定或跟踪误差较大的问题.仿真结果表明,改进的粒子滤波算法能够达到正确跟踪多个目标的效果,并且目标轨迹交叉时仍然能够保持较高的跟踪精确度.     

粒子滤波在线非线性非高斯视频追踪中的应用

讨论了非线性非高斯假设条件下视频追踪的问题和时序蒙特卡罗技术的最新发展,尤其是粒子滤波算法的发展,使采用一个目标状态的集合对贝叶斯模型的后验分布进行建模和跟踪成为可能,这个集合可以看作是这个后验密度函数的采样集合.提出的算法考虑了衰减问题及重复采样,实验结果表明,该方法能清晰稳定地进行视频追踪.     

基于中国餐馆过程的语音增强

针对有色噪声中的语音增强问题,通过引入中国餐馆过程混合模型（Chinese Restaurant Process Mixture Model,CRPMM）,其潜变量满足中国餐馆过程,能够较方便地获得马尔科夫链式样本的展开.建立了参变量与潜变量基于块采样的后验更新形式,结合卡尔曼滤波技术,能够在分布空间上更精确地逼近噪声的后验分布.仿真算例及实际语音信号增强算例表明,较之传统的参数化卡尔曼滤波算法及变分贝叶斯滤波算法,基于数据驱动的无穷维的块采样技术能够更好地适应新模态,并取得较好的语音增强效果.     

基于改进粒子滤波算法的动力锂离子电池荷电状态估计

传统电池荷电状态(SOC)估计中常用的扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)方法仅适用于线性系统和高斯条件,虽然粒子滤波(PF)算法能用于非线性和非高斯系统,但PF算法在滤波更新时存在粒子退化现象,使粒子集无法表示实际后验概率分布,导致估计精度降低.采用改进的扩展粒子滤波(EPF)和无迹粒子滤波(UPF)算法对电池SOC进行估计,抑制了粒子权重退化.以Thevenin模型对电池进行建模,利用带遗忘因子的最小二乘方法进行模型参数辨识,结合改进后的滤波算法对电池SOC进行估计.实验结果表明,以UKF为建议密度函数进行重采样的UPF方法平均估计误差为0.71%,低于以EKF为建议密度函数的EPF方法平均误差(1.09%),两种方法的估计误差均小于PF估计误差(1.36%),有效抑制了粒子权重退化.     

基于GA-MCMC的粒子滤波图像恢复算法

针对粒子滤波的退化和贫化问题,提出一种GA-MCMC粒子滤波图像恢复算法.该算法引入遗传算法(GA)全局寻优和粒子总数多样性的特性,结合马尔可夫链蒙特卡罗方法(MCMC)的收敛性,将交叉、变异和选择操作融入到粒子滤波图像恢复中,提高了粒子滤波的鲁棒性、精确性和灵活性.实验结果表明,该算法能减少贫化和退化问题,且在对具有混合噪声的真实图像恢复效果方面显示了其优越性.     

迭代无迹Kalman粒子滤波的建议分布

对非线性非Gauss系统,粒子滤波是一种有效的状态估计方法。粒子滤波的关键是建议分布的选择,好的建议分布会改进粒子贫化和样本耗尽等粒子滤波存在的普遍问题。该文用迭代无迹Kalman滤波产生粒子滤波的建议分布,提出了一种新的粒子滤波算法——迭代无迹Kalman粒子滤波。给出的建议分布将最新的观测融入样本过程并修正该过程,从而改进了滤波性能。数值模拟结果表明,提出的算法与常用的无迹粒子滤波、扩展Kalman粒子滤波相比,具有数值稳定、估计结果精确的优点。     

基于差分进化的Unscented FastSLAM2.0算法

针对Fast SLAM2.0算法中重采样过程带来的"粒子耗尽"问题,将差分进化引入进来,提出一种基于差分进化的无迹Fast SLAM2.0算法。首先采用unscented粒子滤波器估计机器人的路径后验概率,然后采用扩展卡尔曼滤波器对环境路标进行估计和更新,最后引入改进的差分进化算法代替重采样过程来优化粒子。仿真实验表明,与Fast SLAM2.0算法相比,该方法提高了机器人在路径估计和路标估计上的精度,验证了算法的有效性。     

一种新型的简化群优化粒子滤波算法

针对粒子滤波的粒子退化和贫化问题,将新兴的简化群优化(SSO)算法引入到粒子滤波的重采样阶段.SSO算法结构简单,在保留优良粒子的基础上,增加一项粒子随机运动过程,以提供粒子多样性.实验结果表明,新算法不仅有效提高了对非线性系统状态的估计精度,而且具有更高的运算速度.     

单站无源定位中的一种简单粒子滤波算法

提出了一种简单的正则粒子滤波,克服了标准粒子滤波在用于单站无源定位中时出现的粒子匮乏现象,将粒子滤波成功的应用到了无源定位中.通过计算机仿真表明,这种简单的正则粒子滤波能有效缩短定位时间,提高定位精度.     

模型集自适应的交互多模型辅助粒子滤波算法

为了提高机动目标的跟踪精度,提出一种基于目标转弯率模型的模型集自适应交互多模型辅助粒子滤波算法(AMSIMMAPF).采用转弯率模型实时辨识目标的角速度,根据辨识到的角速度来更新交互多模型的模型集.利用辅助粒子滤波可以避免粒子权值退化、样本衰减,不受线性模型高斯噪声限制的特点,各模型滤波选用辅助粒子滤波算法以提高跟踪精度.理论分析和仿真结果表明,与交互多模型粒子滤波算法相比,本算法具有跟踪精度高,计算量小的特点.     

基于分布式无味边缘粒子滤波的同步定位与地图构建

针对复杂环境下同步定位与地图构建(SLAM)中分布式粒子滤波算法存在计算量大、粒子退化严重的问题,在分布式算法的基础上结合无味粒子滤波和边缘化算法,提出了一种基于分布式无味边缘粒子滤波的算法.该算法依据分布式思想将系统分解为多个仅包含部分状态量的子系统,各子系统均采用无味粒子滤波算法进行状态估计,通过边缘化算法优化无味粒子滤波算法的边缘分布函数,主滤波器融合各子滤波器的数据计算最终结果,克服了滤波精度低、计算复杂度高的问题.最后,通过仿真试验证明改进的分布式边缘粒子滤波算法能够抑制粒子退化现象,具有较好的实时性和滤波精度,是解决SLAM的新的有效方法.     

基于果蝇优化算法改进的粒子滤波及其在目标跟踪中的应用

针对粒子滤波算法重采样导致的样本贫化问题,提出一种基于果蝇优化思想的粒子滤波算法.该方法视粒子权值为个体适应度值,并将果蝇不断从低浓度的地方飞向高浓度的地方的觅食寻优过程引入到粒子滤波当中,驱使粒子不断向高似然区域移动,提高了粒子群的整体质量.为了解决标准果蝇优化算法易陷入早熟的问题,将遗传算法中的交叉、变异操作自适应地应用到果蝇优化算法寻优过程当中.首先通过交叉操作改善粒子分布,当果蝇优化算法陷入局部最优时,再采用柯西变异扰动,促使算法快速跳出局部极值并继续搜索全局极值.通过非线性模型仿真以及目标跟踪实验表明该算法有效提高了非线性系统状态估计精度,具有较好的稳定性,同时降低了状态估计所需的粒子数量.     

一种新的正则化粒子滤波图像恢复算法

引入粒子滤波对解决非线性非高斯模型的优良特性,将一种新的正则化粒子滤波算法(regularized particle filter)应用到混合噪声和乘性噪声图像恢复中.由于采样重要性重采样(SIR)方法在重采样时没有考虑观测量而引入误差,本文方法从后验连续分布中采样,引入观测量进而减少误差,同时将易实现的累积分布函数和正则化重采样步骤融合,进一步使粒子方差最小化,解决粒子衰竭问题,缓解退化现象.通过对具有混合噪声图像以及医学乘性噪声图像的恢复效果表明了该算法的有效性,且与小波阈值法和SIR粒子滤波法对比显示了其优越性.     

Bidirectional Feedback Dynamic Particle Filter with Big Data for the Particle Degeneracy Problem

Particle Filter(PF) is a data assimilation method to solve recursive state estimation problem which does not depend on the assumption of Gaussian noise, and is able to be applied for various systems even with non-linear and non-Gaussian noise. However, while applying PF in dynamic systems, PF undergoes particle degeneracy,sample impoverishment, and problems of high computational complexity. Rapidly developing sensing technologies are providing highly convenient availability of real-time big traffic data from the system under study like never before. Moreover, some sensors can even receive control commands to adjust their monitoring parameters. To address these problems, a bidirectional dynamic data-driven improvement framework for PF(B3 DPF) is proposed.The B3 DPF enhances feedback between the simulation model and the big traffic data collected by the sensors,which means the execution strategies(sensor data management, parameters used in the weight computation,resampling) of B3 DPF can be optimized based on the simulation results and the types and dimensions of traffic data injected into B3 DPF can be adjusted dynamically. The first experiment indicates that the B3 DPF overcomes particle degeneracy and sample impoverishment problems and accurately estimates the state at a faster speed than the normal PF. More importantly, the new method has higher accuracy for multidimensional random systems.In the rest of experiments, the proposed framework is applied to estimate the traffic state on a real road network and obtains satisfactory results. More experiments can be designed to validate the universal properties of B3 DPF.