基于改进的无迹粒子滤波算法的列车组合定位方法研究

列车实时定位是保证列车安全运行的重要环节。随着北斗卫星导航系统的发展,北斗卫星已逐步具备应用于列车定位的能力。针对北斗导航定位系统的特点及存在的问题,将SINS系统作为其补充定位方式。由于传统滤波算法在进行状态估计时仍存在粒子退化现象,为了进一步提高估计性能,提出了基于人工免疫无迹粒子滤波算法(AI-UPF)的列车组合定位方法。将人工免疫算法引入UPF算法的重采样过程,对粒子进行克隆和变异,改善了样本集的多样性,减轻了退化现象的影响。用该方法和UPF算法分别对北斗/SINS列车组合定位系统进行仿真实验。结果表明,AI-UPF算法能进一步减小定位误差,滤波效果较好。     

基于遗传算法的改进粒子滤波算法

针对粒子数量和质量对粒子滤波(Particle Filter,PF)的退化问题具有重要影响,从大量采样粒子中采用遗传算法(Genetic Algorithm,GA)获得采样重要性重采样粒子滤波（Sampling Importance Resampling Particle Filter,SIRPF）的初始粒子,改善初始粒子质量,并保证其随机性和统计性.在车辆定位仿真中,采用定位精度、滤波发散次数和计算时间为指标对改进的遗传 粒子滤波算法GA SIRPF和传统SIRPF进行比较.结果表明,GA改进了初始粒子质量,减少了粒子退化可能性,提高了系统定位精度.     

基于GNSS的高速列车多传感器组合定位方法研究

从常用列车定位方法比较分析入手,探讨列车定位技术发展趋势.在此基础上,重点阐述了多传感器组合定位与GNSS定位的发展现状及其应用于高速列车定位面临的挑战,提出了以GNSS为主的多传感器组合定位平台建设性方案,并对其特点进行了剖析,为高速列车运行过程定位建模与优化探索新途径.     

基于粒子群优化粒子滤波的SC-FDE系统信道估计方法

信道估计是SC-FDE系统中接收机对信道进行补偿的前提,针对该系统经典估计算法PF算法存在的粒子权值退化问题,结合粒子群算法,提出了基于粒子群寻优的改进PF算法的SC-FDE系统时变信道估计方法。在分析SC-FDE系统通信原理和建立信道估计动态空间模型的基础上,分析粒子滤波原理,引入粒子群寻优的思想,通过Logistic映射获得随机粒子序列,并利用PSO算法改善粒子分布区域。利用MATLAB软件将PSO PF算法与LS算法、EKF算法、DFT算法进行仿真对比,仿真结果表明,与其他传统信道估计算法相比,PSO PF算法在高斯噪声与非高斯噪声信道环境中均能有较低的误码率与归一化均方误差,并且在慢时变信道环境中性能更好。     

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.     

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.     

粒子数自适应的粒子滤波算法

针对粒子滤波算法时间复杂度高的问题,引入一种在滤波过程中粒子数可以根据过程噪声方差大小进行调整的自适应粒子滤波算法,即KLD-Sampling粒子滤波算法.该算法在保证一定滤波精度的前提下,可以有效地减少滤波过程中使用的粒子数,从而减小滤波时间,提高滤波效率.此外,分析了该算法中距离阈值和小区域阈值的选取与参与滤波粒子数的关系及其对算法性能的影响.仿真实验对分析结果进行了验证.     

基于优化组合重采样的粒子滤波算法

重采样过程的引入,消除了粒子滤波(PF)过程中的粒子匮乏现象,使PF方法迅速地在多个领域内得到应用,但重采样过程却削弱了粒子的多样性,从而导致滤波性能下降,甚至滤波发散.提出了一种基于优化组合的重采样方法,通过选取粒子和被抛弃粒子的适当线性组合而产生新的粒子,增加了粒子多样性,从而提高PF算法的精度.仿真结果表明,步长系数为零时,该算法等价于基本的PF算法;步长系数很大时,该算法不能收敛;在适当选择步长系数的情况下,该算法的滤波性能高于基本的PF算法.介绍了该重采样算法,仿真结果证明了该算法的有效性.     

一种遗传算法优化的无味粒子滤波方法

提出了一种采用遗传算法（GA）优化无味粒子滤波（UPF）的新方法遗传无味粒子滤波器（GAUPF）．在无味粒子滤波（UPF）获得比传统粒子滤波（PF）算法更好的重要性采样分布函数的基础上将遗传机制应用于粒子重采样,以进化设计思想克服粒子退化现象,通过优化UPF算法更好地解决了非线性、非高斯领域的目标跟踪问题．仿真结果表明,该算法较好地解决了粒子退化问题,提高了滤波的精确性．     

栅格地图中基于改进粒子滤波的SLAM

针对移动机器人在未知环境中导航时由于机器人本身位置不确定、所处环境不可预知等问题,提出了一种在栅格地图中基于改进粒子滤波的SLAM定位算法.首先利用贝叶斯规则更新环境信息;然后利用改进粒子滤波对机器人进行定位,地图更新和机器人定位交替进行,直到将整个环境探测完毕.仿真结果表明:该算法在SLAM中增强了实时性,比较精确地...     

基于粒子滤波的机车信号灯跟踪方法

为保障机车行驶安全,由车载高清摄像机获取路况视频并识别信号灯及其颜色状态时,视频中信号灯目标尺度变化大、机车行驶抖动、复杂光环境及光圈自适应调节滞后等因素使得信号灯鲁棒跟踪与识别具有不小难度.针对信号灯跟踪问题,本文提出一种带检测矫正的粒子滤波跟踪方法,该方法在粒子滤波框架下对信号灯进行跟踪,并通过一个在线更新的模板对滤波结果进行检测矫正,以提高跟踪结果的准确性.为提高跟踪算法对光照以及目标尺度变化的适应能力,本文在对信号灯建模时融合了HSV颜色特征与局部二元模式特征.实验结果表明,该方法在较复杂的场景下能够很好地对信号灯进行实时鲁棒的跟踪,并且跟踪结果具有较高的准确性.     

基于Mean-Shift和粒子滤波的两步多目标跟踪方法

针对Mean-Shift跟踪算法容易跟踪丢失以及粒子滤波跟踪算法计算量大等问题,提出了一种两步多目标跟踪算法.利用Mean-Shift进行第一步跟踪得到候选目标,在跟踪不准的情况下再利用粒子滤波进行后续的跟踪结果修正.实验结果表明两步跟踪算法既能保持Mean-Shift跟踪的实时性,也能维持粒子滤波跟踪算法的鲁棒性,有很高的实用性.     

粒子滤波融合跟踪方法

针对Kalman滤波不能处理多传感器量测信息融合中的非线性问题,提出了一种基于粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,通过线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度和更少的计算量.相比于单传感器,减少了量测信息的模糊性,提高了资源的利用率.     

基于粒子滤波的目标跟踪算法

随着当前计算机性能的不断提高,粒子滤波算法日益受到人们的关注,因为其在非线性、非高斯系统和状态滤波等方面具有独到的优势,也被广泛应用到运动目标跟踪研究当中。     

基于Mean-Shift和粒子滤波的两步多目标跟踪方法

针对Mean-Shift跟踪算法容易跟踪丢失以及粒子滤波跟踪算法计算量大等问题,提出了一种两步多目标跟踪算法。利用Mean-Shift进行第一步跟踪得到候选目标,在跟踪不准的情况下再利用粒子滤波进行后续的跟踪结果修正。实验结果表明两步跟踪算法既能保持Mean-Shift跟踪的实时性,也能维持粒子滤波跟踪算法的鲁棒性,有很高的实用性。     

基于粒子滤波和Mean-shift的自适应目标跟踪方法

目标跟踪技术一直是计算机视觉的核心内容。本文结合粒子滤波与Mean-shift跟踪方法,提出了一种新的自适应目标跟踪方法,通过利用粒子滤波获取目标的初始位置,进而采用Mean-shift跟踪方法,实现目标跟踪的准确定位,同时,通过抑制背景特征分布,更新目标特征分布,从而在跟踪过程中自适应调整目标的模板表示。实验结果表明了本文提出方法的有效性。     

一种基于自适应粒子滤波的多层感知器学习算法

针对神经网络状态空间模型中系统噪声统计特性未知导致滤波发散或者滤波精度不高的问题,提出一种自适应的粒子滤波神经网络训练算法.该算法用粒子滤波估计网络的权时,利用序贯更新先验信息的序贯可信度最大化方法在线估计未知系统噪声方差.仿真结果表明:该自适应粒子滤波算法明显优于其他传统的神经网络训练算法,如扩展卡尔曼滤波、噪声可调的扩展卡曼滤波、普通粒子滤波等.     

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.     

融合粒子滤波的网络故障定位算法

网络故障节点定位算法目前是网络移动节点定位算法中一个研究热点,较多的研究人员使用了粒子滤波算法,同样也有人在使用成熟的卡尔曼滤波的定位算法,然而此类算法均离不开受限的粒子能量以及密度。新算法N-FC定位算法基于此背景,以分簇式结构结合簇内节点置信度,对常规定位算法的初始阶段进行了优化,并利用锚节点的密集程度以及抽样尺度优化了采样以及滤波阶段,最后在同参情况下,新算法N-FC定位算法与常规算法进行了对比,得出新算法精确性更高且实用性更强。     

基于改进粒子滤波的锂离子电池RUL 预测

在基于粒子滤波算法的锂离子电池剩余使用寿命预测过程中, 由于基本粒子滤波算法存在粒子退化问题, 难以保证电池寿命预测的精度。为此, 提出一种基于MCMC(Monte Carlo Markov Chain)的无迹粒子滤波改进算法, 从选取适当的重要性密度函数和重采样过程两方面入手, 更全面地克服基本粒子滤波算法中的粒子退化问题, 进而提高锂离子电池剩余使用寿命预测的精度。实验仿真结果表明, 改进后的粒子滤波算法能更好地跟踪电池容量衰退趋势, 预测精度也明显优于基本粒子滤波算法, 为锂离子电池剩余使用寿命的预测提供了新思路。