非线性系统状态突变下的非退化粒子滤波方法研究

针对粒子滤波算法中的粒子退化及重采样所引起的粒子多样性减弱问题,将粒子群优化思想融合到粒子滤波的采样阶段,提出了一种改进的基于粒子群优化的粒子滤波算法.本项工作的特色主要表现在如下相互联系的两个方面:第一,在采样前,首先取上一时刻重采样前权重最大的粒子状态作为最优值,然后根据改进算法的粒子移动策略,将上一时刻重采样后的粒子移向最优值周围的高似然区域,从而能够增加粒子的多样性和有效性,有效避免了粒子的退化;第二,构造了改进算法的建议分布,并从理论的角度证明了该建议分布的可计算性.实验结果表明,从精度和时间这两个方面的综合考虑,改进算法要优于UPF等算法,对非线性系统突变具有更强的适应性.     

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.     

基于BB-BC的粒子滤波算法研究

粒子滤波是目前解决非线性、非高斯系统问题的主流方法,为克服粒子退化对粒子滤波性能的影响,提出了一种基于大爆炸-大坍塌(BB-BC)优化算法的智能化粒子滤波算法。将大爆炸-大坍塌优化算法应用于重采样,以迭代机制设计解决粒子退化问题。仿真结果表明,该算法与标准粒子滤波算法相比计算简单,滤波效果优于标准粒子滤波算法。     

基于改进的UPF算法的列车组合定位方法研究

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。     

高斯衍生粒子滤波器

针对基于高斯滤波的重要性采样方法运算量的明显增加主要集中在使用高斯滤波生成更好的重要性密度函数的问题,提出了一种新的高斯衍生粒子滤波算法(GDPF).该算法将一种类似光子衍射的粒子衍生重要性采样方法与现有的高斯辅助粒子滤波算法(GAPF)相结合,通过粒子的扩张与收缩,在保证不减少参与状态估计的粒子数的条件下减少更新粒子数,根据粒子权值大小自适应地调整衍生粒子数,能很好地缓解精度与运算量之间的矛盾,抑制粒子退化等问题.对衍生粒子进行理论分析,证明了其与高斯采样粒子的等效性.仿真结果表明,当选取了相同的参与状态估计的粒子数时,所提算法保持了与原算法相当的估计精度,同时运算量大大降低.     

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.     

基于序列重要性重采样算法的MIMO时变信道半盲估计

粒子滤波可以用来处理非线性非高斯问题,而序列重要性重采样算法能较好地解决粒子滤波中的粒子退化问题,由此将序列重要性重采样算法运用于MIMO时变信道进行半盲估计.实验结果表明:与使用传统的粒子滤波方法相比,基于序列重要性重采样算法的MIMO时变信道半盲估计方法均方误差和误码率降低,从而改善了接收端的符号检测性能.