基于GHF高斯粒子滤波的检测前跟踪算法

针对粒子滤波存在粒子退化,会导致检测前跟踪(TBD)算法的检测和跟踪性能下降这一不足,提出了一种基于高斯-哈密顿滤波(GHF)高斯粒子滤波的TBD算法.该算法基于高斯粒子滤波,采用GHF算法构造的重要性密度函数采样连续出现粒子,考虑了最新的量测信息,采样粒子更逼近于真实的后验概率密度,克服了粒子退化问题.仿真结果表明:与基本TBD算法相比,所提出的TBD算法提高了对目标的检测和跟踪性能.     

应用粒子群优化的高斯粒子滤波

针对高斯粒子滤波(GPF)在多峰高斯假设条件下不能满足贝叶斯估计精度的问题,提出一种基于粒子群优化的高斯粒子滤波算法(PSO-GPF).该算法用粒子群优化算法更新高斯建议分布的参数,解决粒子退化和多峰高斯下的粒子精度问题.同时,带压缩因子的粒子群优化算法能有效平衡粒子的全局探测与局部开采.实验结果表明,新算法的滤波精度比高斯粒子滤波精度平均可提高93.9%,具有更高的稳定性.     

基于遗传算法的粒子滤波器在目标跟踪中的应用

粒子滤波器是解决非高斯运动跟踪的一种非常有效的方法，粒子滤波器存在的一个最大的问题是粒子的退化现象，本文中我们提出了一种基于遗传算法的改良粒子滤波器设计方案，以进化设计解决了退化问题，并结合理论与实践证明了其解决粒子退化现象上的优势。     

自适应高斯厄米特粒子 PHD 滤波多目标跟踪算法

针对高斯厄米特粒子概率假设密度(probability hypothesis density,PHD)算法可能导致滤波计算复杂度较高、精度不强,性能较差的问题,提出一种自适应高斯厄米特粒子PHD的改进算法,该算法通过在高斯变换的过程中引入阈值,以该闽值为界剔除权值较小的积分点,对大于阈值的积分点进行归一化处理,在保证滤波精度的基础之上,减小权值较小点在计算上带来的冗余;另外在高斯厄米特滤波的过程中引入了自适应因子,适当调整高斯厄米特滤波过程中的增益,自适应调节滤波的均值与方差,以提高滤波过程的精度.仿真结果表明:改进后的算法相比于高斯厄米特粒子PHD算法在精度上有明显提高,同时简化了计算复杂度,达到预期的目的.     

一种快速高斯粒子滤波算法

为改善高斯粒子滤波(GPF)算法的实时性,研究了一种快速的GPF算法.在GPF的预测及更新步骤中用初始粒子群的线性变换取代高斯分布采样,以降低生成新粒子群所需时间,提高滤波算法的运行速度.对两种生成粒子群方法的复杂度及粒子群所代表的分布进行了分析,分析结果表明:线性变换法和高斯采样法生成的粒子群所代表的分布相同,且线性变换法的运行效率更高.将粒子滤波算法(PF),GPF算法及改进后的GPF算法分别应用于一维的一种离散时变非线性模型和二维的基于角度目标跟踪(BOT)模型,仿真结果表明:改进后GPF算法预测性能不变,速度得到了提高,生成1 000个粒子平均需时22 ms,比GPF算法减少了6 ms.     

桥梁极值应力的改进高斯混合粒子滤波器动态预测

为合理地动态预测在役桥梁的极值应力信息,应用桥梁健康监测(BHM)系统的长期日常监测极值应力数据,建立非线性动态模型,引入扩展卡尔曼滤波器(EKF)与高斯混合粒子滤波器(GMPF)相结合的改进高斯混合粒子滤波器(IGMPF)预测算法,对监测极值应力的一步向前预测分布参数及其状态变量的后验分布参数进行预测分析,并进行了实例验证.IGMPF不仅可以得到实测极值应力状态的合理重要性函数,还可以解决传统预测方法的短期性和精度不高的问题,为实际BHM系统的动力响应预测提供了理论基础.     

水下机器人执行器的高斯粒子滤波故障诊断方法

针对智能水下机器人的执行器故障,提出了基于高斯粒子滤波的故障诊断方法.引入控制力(矩)损失参数表示故障,根据6自由度空间运动方程建立执行器故障模型;运用改进的高斯粒子滤波器对参数和运动状态进行联合估计;使用修正的贝叶斯算法检测故障,采用滑动窗口法估计故障的幅值;进行仿真实验并与真实海洋实验数据测试验证.结果表明,该方法能够快速检测故障,且故障幅值的估计精度较高.     

非高斯噪声环境下的智能粒子滤波多用户检测方法

粒子滤波适用于任何非线性非高斯系统的状态估计问题,具有应用灵活、适用范围广等优点．建议分布的选择恰当与否直接决定着粒子滤波的估计精度和估计效率．针对这一难点提出了采用粒子群优化算法来确定粒子的建议分布．粒子群优化算法作为新的群智能算法同样适应于各类非线性非高斯系统,采用该算法确定粒子滤波的建议分布保证了粒子滤波广泛的适应性,同时提高了估计精度．最后在Alpha稳定分布噪声环境下对CDMA系统多用户检测进行了仿真,结果表明,采用智能算法来确定粒子的建议分布极大地提高了粒子滤波的估计精度．     

非线性非高斯结构系统识别的粒子滤波方法

采用粒子滤波方法（PF方法）在非高斯噪声条件下对非线性系统进行参数识别。传统扩展卡尔曼滤波（EKF）方法具有高斯噪声假设与非线性系统线性化的缺陷,PF方法可以克服EKF方法的缺点;因此在系统识别中具有很强的鲁棒性,更适合进行非线性结构系统参数识别。数值仿真结果发现PF方法的系统识别精度高于EKF方法,证明PF方法在非线性非高斯结构系统识别中的有效性。     

基于高斯-粒子滤波的SLAM算法提取果实特征

针对传统农作物采摘方式落后、采摘效率低、果实特征识别精度低等问题,提出了一种基于SIFT的果实特征匹配算法.对导航机器人采集的果实图像进行去噪与特征提取,然后对不同传感器采集到的含有一定角度偏差的图像进行匹配,得到较精准的特征位置:提出了一种高斯-粒子滤波(Gauss-Particle Filter,Gauss-PF)的SLAM(Simultaneous Localization and Mapping)算法.仿真实验表明,通过增大噪声协方差及特征位置初值误差验证算法的精度,PF和Gauss-PF算法的误差均随时间逐渐降低,且在x,y方向,后者误差均小于1 cm.新的算法具有较强的稳定性与较高的定位精度.最后在同等条件下,基于单个果实特征位置(0,0)的特征进行x,y方向2次观测,并采用Gauss-PF和PF算法对观测值进行量测估计,实验表明新算法均能在(0,0)的较小邻域[-1,1]cm误差范围内对其进行估计,高于PF算法的精度[-2,2]cm.     

基于折扣高斯粒子滤波器的桥梁可靠性动态预测

桥梁健康监测(BHM)系统在长期运营中积累了大量信息,如何利用这些信息动态预测结构可靠性已成为BHM领域的关键科学问题之一.为合理预测桥梁的动态可靠性,应用BHM系统日常监测的极值应力数据,建立带有最优折扣因子的动态线性模型,结合高斯粒子滤波器给出折扣高斯粒子滤波器预测算法,分别对日常监测极值应力的一步向前预测分布参数和状态变量后验分布参数进行修正预测,并基于此,采用一次二阶矩(FOSM)方法预测桥梁的动态可靠性,结合桥梁实测数据对所提方法进行了验证分析,为桥梁预防性养护维修决策提供理论基础.     

求积分卡尔曼粒子滤波算法

针对非线性/非高斯系统的状态估计问题,提出一种采用求积分卡尔曼滤波(QKF)算法来产生重要性密度函数的粒子滤波新算法--PF-QKF算法.新算法使用统计线性回归的方法,通过一套高斯一厄米特积分点来线性化非线性函数,不需要计算雅可比矩阵,易于实现,而且所产生的重要性密度函数在系统状态转移概率密度的基础上,融入最新的观测数据,提高了对系统状态后验概率的逼近程度.理论分析和实验结果表明,PF-QKF算法的估计精度比无味粒子滤波(PF-UF)算法提高了约18%,其计算复杂度比PF-UF算法稍有降低,表明PF-QKF算法是一种很有效的非线性滤波算法.     

高斯混合扩展目标多伯努利滤波器

针对杂波环境下多扩展目标跟踪中数据关联过程复杂的问题,提出一种可同时估计扩展目标状态和目标数的高斯混合扩展目标多伯努利(GM-ET-MBer)滤波器,该滤波器无需对测量与扩展目标进行关联。首先采用伯努利随机有限集和泊松随机有限集分别描述扩展目标的状态和观测;然后结合扩展目标状态的预测信息,推导了扩展目标状态的更新方程,并在线性高斯条件下采用高斯混合方法递推地对扩展目标的状态进行估计跟踪。与高斯混合扩展目标概率假设密度(GM-ET-PHD)滤波器相比,GM-ET-MBer滤波器有效地提高了对目标数的估计精度。仿真结果表明,GM-ET-MBer滤波器和GM-ET-PHD滤波器对目标数估计的标准偏差分别为0.267 3和0.395 3,可知所提滤波器对目标数的估计更稳定。     

辅助粒子滤波算法及仿真举例

粒子滤波算法是近年来提出的一种较新的算法.通常的粒子滤波利用采样重要性重抽样算法,该算法选用先验分布,但它易受外部观测量的影响,因而会导致权值变化较大,并且引起较高的蒙特卡罗方差以致会使滤波性能较差.为此,本文引入一个辅助变量,利用一种新的使用二次加权操作的粒子滤波算法--辅助粒子滤波算法来对采样重要性重抽样算法进行改进.最后,通过两个仿真实例一维非线性追踪模型和二维纯方位目标追踪模型,进一步分析指出辅助粒子滤波算法比采样重要性重抽样算法更有效.     

基于粒子群优化粒子滤波的目标跟踪方法

为了提高粒子滤波在视频跟踪中的稳定性,解决粒子多样性衰退的问题,提出了一种基于粒子群优化粒子滤波的视频目标跟踪方法 .该方法在粒子滤波跟踪过程中,首先使用均值漂移方法来确定全局最优位置.同时,设计了一种使用高斯随机数的优化速度,并通过有效粒子数阈值来作为停止优化的判决条件.通过优化过程,使粒子向具有更高似然度的区域收敛.对序列图像的跟踪实验结果表明:该算法提高了估计精度,能够有效地跟踪目标,具有较好的鲁棒性.     

容积粒子滤波算法及其应用

针对使用现有粒子滤波算法对非线性/非高斯离散时间系统的状态估计精度较低的问题,提出了一种新的粒子滤波算法——容积粒子滤波(CPF)算法.新算法使用容积数值积分原则直接计算非线性随机函数的均值和方差,产生粒子滤波算法的建议性密度函数,获得所需要的带权粒子,进而通过计算粒子均值,获得系统状态的最小均方误差估计.CPF算法由于产生粒子时使用了最新的测量信息,因而提高了对系统状态后验概率的逼近程度.仿真实验结果表明,CPF算法的估计误差约是标准粒子滤波算法和扩展粒子滤波算法误差的1/5和1/3,是无味粒子滤波(UPF)算法的估计误差的1/2,且运行时间只有UPF算法的1/3.     

基于粒子滤波的行为识别方法

行为识别是图像处理的一个热点问题。一些研究表明在监督学习的框架下,通过提取时空兴趣点（Spatial-temporal interest points）能较好地识别人体的行为。由于兴趣点中包含与人体行为无关的噪声点,为了改进兴趣点的提取,提出了一种基于人体骨架的改进方法。该方法通过粒子滤波（Particle filter）算法改进人体骨架的精度,而改进后的人体骨架,能得到更有效的兴趣点。通过在“Weizmann”,“KTH”数据集的测试,实验结果表明,该算法不仅能够提高人体行为的识别,而且能够改进人体骨架的精确度。     

二阶中心差分粒子滤波算法

为了改善非线性系统状态估计问题中粒子滤波算法的估计精度,提出采用二阶中心差分滤波方法来产生建议分布函数的新算法.新算法对非线性系统方程作中心差分的二阶Stirling插值公式进行展开,不需要计算雅克比矩阵,易于实现,并且采用Cholesky分解技术保证了协方差的正定性,在一定程度上减小了局部线性化近似的截断误差,并且在系统状态转移概率的基础上融合了最新的量测数据,提高了建议分布对系统状态后验概率的逼近程度.仿真实验表明,与无迹粒子滤波算法相比,新算法的计算量更小,估计精度提高了20%以上.