搜索能力自适应增强的群智能粒子滤波

针对传统粒子滤波的退化、样本枯竭现象及其导致的状态推理精度差的问题,提出了一种新型粒子滤波算法。利用群智能优化算法中的粒子群优化算法作为优化手段,改进粒子的先验分布。通过自适应地调节粒子的惯性权值增强粒子群的探索和开发能力,减少粒子群优化算法的早熟现象,使得采样后的粒子朝着高似然区域移动,从而有效地提高系统状态推理精度。利用Crame′r Raolowerbound定义了算法有效性的度量。通过仿真实验证明该算法是有效和稳定的。     

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。     

基于幅值信息的联合概率数据关联粒子滤波算法

针对非线性非高斯环境下多目标被动跟踪的低可观测问题,将粒子滤波、联合概率数据关联和量测的幅值信息相结合,提出了一种基于幅值信息的联合概率数据关联粒子滤波算法。将联合概率数据关联算法中的关联似然与幅值似然比相结合,利用粒子滤波算法进行跟踪滤波,用幅值量测来改善低可观测条件下的目标跟踪性能。仿真结果表明,该算法提高了数据关联的可靠性和目标跟踪的精度。     

基于模糊测度的多特征融合鲁棒粒子滤波跟踪

针对基于单一颜色特征的粒子滤波跟踪算法易受光照变化、部分遮挡及相似干扰物的影响,而利用多特征融合的粒子滤波方法存在各特征权值、跟踪模板及窗口大小自适应选取问题,提出了一种基于模糊测度的多特征融合鲁棒粒子滤波跟踪算法。采用颜色及边缘方向直方图来描述目标量测模型,通过分别计算这两类特征在候选目标与参考目标之间的Bhattacharyya距离来确定其各自特征的模糊测度,通过查取模糊规则表来自适应地确定两类特征的权重;将连续帧的多特征联合模板更新机制用于对初始目标模板的更新;针对目标发生尺度变化造成跟踪窗口难以自适应的问题,通过引入粒子离散度实现了跟踪窗尺寸的自适应调整。实验结果表明:所提出的跟踪算法位置平均误差小于8个像素,相比于传统方法可以有效克服光照、部分遮挡以及相似目标干扰等影响,具有较高的跟踪精度及较强的鲁棒性。     

基于种群年龄模型的动态粒子数微粒群优化算法

针对微粒群优化算法的早熟停滞缺陷问题,提出了一种基于种群年龄模型的动态粒子数微粒群优化算法. 该算法建立了生物种群年龄模型,将每个粒子划分为不同的年龄段,动态地依据种群环境和个体信息有效地控制种群的粒子数规模;设计了较优粒子的生殖策略和较差粒子的死亡策略,增加群体的多样性和减少冗余计算量,以保证算法获得最优性能. 将此算法与其他改进算法进行比较,仿真测试结果表明,新算法具有较高的全局搜索成功率和效率,计算量显著降低,优化精度显著提高,能够有效地避免算法陷入局部停滞的缺点.     

自适应杂交退火粒子群优化算法

为解决粒子群优化(particle swarm optimization, PSO)算法易早熟、后期收敛慢、收敛精度低等问题, 提出一种自适应杂交退火PSO算法。采用Sigmoid函数控制惯性权重, 平衡粒子的全局搜索和局部搜索能力; 采用双曲正切函数控制加速系数, 平衡粒子的自我认知和社会认知能力, 提高算法精度; 引入模拟退火算子, 使粒子在搜索过程中以一定概率接受差解, 增加粒子跳出局部最优的能力; 在算法后期引入杂交变异算子, 增加种群多样性, 进一步提高算法精度。基于3种标准测试函数对所提算法的性能进行了验证, 并与现有典型PSO算法进行了对比。结果表明, 所提算法在收敛精度及收敛速度上均具有一定提升。最后, 将所提算法应用于阵列天线方向图综合设计, 取得了较现有算法更优的结果。     

基于改进粒子滤波的微弱目标检测前跟踪算法

研究高速微弱目标的积累检测问题,提出了一种改进粒子滤波的检测前跟踪算法。该算法采用与雷达距离-多普勒图像相匹配的量测数据模型,能克服传统点扩散函数的模型误差。采用“新生”粒子从强度最高的分辨单元集内均匀产生,且按概率对权重最低的部分“存活”粒子用“新生”粒子将其替换的粒子更新策略,在增加粒子多样性的同时缓解了粒子的退化。仿真实验表明,本文算法的检测与跟踪性能要优于标准的粒子滤波算法。     

基于改进粒子群算法的快速反射镜自抗扰控制

为了提高快速反射镜(fast steering mirror, FSM)的跟踪精度和扰动抑制能力, 建立了基于自抗扰控制器(active disturbance rejection control, ADRC)的FSM闭环控制系统, 并对ADRC的参数整定方法进行研究。由于ADRC参数用试凑法整定效率低, 用粒子群优化(particle swarm optimization, PSO)算法整定容易陷入局部最优, 因此提出一种惯性权重基于箕舌线调整的改进PSO(improved PSO, IPSO)算法。通过系统仿真实验, 在考虑卫星平台振动的情况下, 采用基于IPSO、PSO的ADRC和传统比例-积分-微分(proportion integration differentiation,PID)控制器分别控制FSM。结果表明, 在跟踪不同频率的高频正弦信号时, 采用基于IPSO的ADRC控制的FSM跟踪精度相较其他两种控制器控制FSM的跟踪精度均有明显提升。     

一种随机微粒群混合算法求解约束优化问题

将微粒群算法（Particle Swarm Optimization,PSO）与随机优化方法-Alopex算法相结合,提出一种随机微粒群混合算法（APSO）求解约束优化问题。该算法使PSO算法中微粒的飞行速度无记忆性,结合Alopex算法重新生成停止进化微粒的位置;采用双群体搜索机制,一个群体保存具有可行解的微粒,用APSO算法使微粒逐步搜索到最优解,另一个群体保存具有不可行解的微粒,并且可行解群体以一定的概率接受性能较优的不可行解微粒,这种简单的群体多样性机制使微粒能够快速、准确地找到位于约束边界上或附近的最优解。结果表明该算法寻优性能优良且具有较好的稳定性。     

机动目标跟踪的斯-厄米特粒子滤波算法

闪烁噪声环境下的机动目标跟踪实质上是一个非线性非高斯系统滤波问题,为了提高跟踪精度,应用高斯-厄米特滤波方法来产生粒子滤波器(PF)的重要密度函数,解决了PF算法的粒子退化问题,并给出了基于高斯-厄米特粒子滤波器(GHPF)的闪烁噪声机动目标跟踪算法。仿真结果表明,各种PF算法对闪烁噪声机动目标的跟踪精度远远好于卡尔曼滤波方法;同时GHPF不仅提高了估计精度,而且减少了粒子数目,降低了算法的复杂度,因此其综合性能要好于其他PF算法,具有较高的跟踪精度和较好的实时性。     

基于PSO的ML-PDA算法及其并行实现

针对密集杂波条件下的目标检测与跟踪问题,开展极大似然概率数据关联(maximum likelihood probabilistic data association, ML-PDA)算法优化与实时计算问题研究。在算法层面,通过在极大化对数似然比(log likelihood ratio, LLR)过程中引入粒子群优化(particle swarm optimization, PSO)方法,并进一步提出基于观测引导的PSO播撒粒子方式,提升算法的计算效率;在实现层面,提出基于图形处理器(graphic processing unit, GPU)的PSO实现策略。仿真实验结果说明了基于观测引导PSO算法搜索的有效性。在GPU平台上实现该算法获得显著的加速比,验证了所提出方法具有工程实时性。     

基于混合遗传粒子群算法的混沌系统参数估计

针对粒子群算法容易出现"早熟"的缺点,提出了一种改进的混合遗传粒子群(hybrid genetic particle swarm optimization,HGPSO)算法。在粒子群算法的迭代中引入淘汰机制,将满足淘汰条件的粒子与当前适应度最优的粒子进行多后代择优交叉和一定概率的变异操作,以期得到适应度更优的新粒子,代替被淘汰粒子。通过对4个典型函数的测试表明,该算法能够有效地克服"早熟"现象,提高了全局寻优的能力。将改进的算法用于Lorenz混沌系统的参数估计。仿真结果表明,即使在加入测量噪声的情况下,该算法仍能够对系统的未知参数做出有效的估计。     

基于SOM网络的智能化粒子测速算法

提出了基于自组织映射(self-organized mapping,SOM)神经网络的粒子图像测速算法。该方法使用SOM神经网络对粒子测速技术中运动追踪方法进行了改进,并在匹配过程中根据兴趣区域的粒子密度对粒子追踪算法与粒子相关算法进行了选择处理。经SOM网络改进的测速算法首先利用相关后的结果进行网络构建,然后使用追踪技术对候选匹配点进行筛选。该算法不仅消除了粒子密度与灰度分布的敏感性,而且也降低了相关时对分析窗口尺寸的敏感。最后,使用人工合成的粒子图进行了算法验证及误差分析。结果表明:所提算法在分析精度方面有很大的提高并且具有很强的鲁棒性。     

改进PSO算法及在PID参数整定中应用研究

针对粒子群优化算法(PSO)存在早熟和局部收敛的问题,提出了一种带变异算子的改进粒子群优化算法(IPSOM),该算法在搜索中以一定变异概率对选中的粒子进行变异,同时对飞离搜索区域的粒子用新产生的粒子取代,以克服粒子群优化算法易陷入局部最优解的缺陷。用一典型的Rastigrin复杂函数对新算法进行测试,结果表明改进的算法较之粒子群优化算法(PSO)和常规遗传算法(SGA)不但提高了全局寻优能力,而且有效避免了早熟收敛问题。在此基础上将这种改进算法应用于高阶带时滞对象的PID控制器设计中进行仿真研究,结果表明了所提出算法的有效性和所设计控制器的优越性。     

Momentum particle swarm optimizer

1.INTRODUCTION Engineeringandscientificactivitiesinvolvemanyop timizationproblems.Mostofthemcanbegenerally formulizedasfollows min(ormax)f(xi),Xmin≤xi≤Xmax;i=1,2,…,D where[Xmin,Xmax]Disareal valuedsearch space.Thetraditionaloptimizationalgorithms,such asgradientdescentandNewton’smethods,findlocal minimaefficientlyandworkbestwhenobjectfunc tionf(xi)isunimodal.However,theobjectfunc tionisusuallynon convexandhasmanylocalminima inthefeasibleregion.Insuchcases,thetraditional optimizatio…     

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。     

基于尺度空间粒子滤波器的多参考#br# 直方图目标跟踪算法

在基于直方图的序列图像目标跟踪算法中,目标的直方图通常都是在跟踪初始化时从目标所在的区域获得,然而单个直方图难以适应跟踪全过程中目标的各种变化。针对事先已知目标几种典型外观的跟踪问题,提出了一种基于粒子滤波器的多直方图尺度空间跟踪算法。利用多个典型直方图的线性加权来表示目标的直方图,根据目标的当前区域估计加权系数,生成下一帧的目标概率分布图,在目标概率分布图上运用尺度空间粒子滤波器,来估计多尺度规范化Laplacian滤波函数的极值,从而实现目标的定位。通过在真实序列上与现有算法的对比,表明了此算法不仅可以适应目标的色彩和明暗变化,而且能更准确地描述目标的大小,显著提高跟踪的精度。     

改进的粒子群算法及其非线性盲源分离

采用粒子群算法与自然梯度法相结合进行非线性混叠信号盲分离。用高阶奇数多项式拟合非线性混合函数,建立非线性信号盲分离模型。同时根据粒子群算法的特点,作了改进,引入了“迁徙操作”和局部深度搜索方法。对多项式的参数用粒子群算法来求估计,然后用自然梯度法对线性去混合矩阵进行迭代。仿真结果表明,粒子群算法可以快速、有效地求得非线性混叠信号盲分离的优化解。     

Multiple-target tracking with adaptive sampling intervals for phased-array radar

A novel adaptive sampling interval algorithm for multitarget tracking is presented.This algorithm which is based on interacting multiple models incorporates the grey relational grade (GRG) into the particle swarm optimization (PSO).Firstly,the desired tracking accuracy is set for each target.Secondly,sampling intervals are selected as particles,and then the advantage of the GRG is taken as the measurement function for resource management.Meanwhile,the fitness value of the PSO is used to measure the difference between desired tracking accuracy and estimated tracking accuracy.Finally,it is suggested that the radar should track the target whose prediction value of the next sampling interval is the smallest.Simulations show that the proposed method improves both the tracking accuracy and tracking efficiency of the phased-array radar.     

混合粒子群算法在高维复杂函数寻优中的应用

针对粒子群算法应用于复杂函数优化时可能出现过早收敛于局部最优解的情况,提出了一种改进的算法结构。通过构造单个粒子的最优序列代替单一的进化方向和类似于蚁群算法信息素表的选择机制,保留了粒子的多种进化可能方向,提高了粒子间的多样性差异,从而改善算法能力。算法同时设计了最优序列的加入规则和基于粒子群聚度的最优序列动态长度控制方法。改进后的混合粒子群算法保证了算法拥有更强的搜索能力,也保留了粒子群算法高效优化的特点。仿真实验证明,混合粒子群方法相对传统方法而言具有明显的精度优势。