基于权值优化的粒子滤波算法研究

为解决粒子滤波算法中存在的权值退化和实时性差的问题,提出了一种改进的权值优化组合粒子滤波算法(impWOPF),该算法通过对粒子权值设定门限Thershold,剔除权重小于Thershold的粒子,减少不必要的粒子运算,然后对小于粒子群权值均值的粒子进行权值优化组合,以增大小权值粒子的权值,保持了粒子多样性,提高了算法的实时性。仿真结果表明,该算法能够在保证估计精度的同时,有效降低重采样过程中的计算量,有利于实时信号的处理。     

裂变优选重采样粒子滤波算法

重采样在缓解粒子退化的同时带来了粒子贫化问题,针对这种情况,提出一种裂变优选重采样方法。在需要进行重采样时刻,提取出有效粒子,该时刻有效粒子对应于上一时刻的粒子确定为裂变父代粒子,裂变子代粒子数正比于各有效粒子权值,将子代粒子进行一次滤波迭代,根据该时刻量测值和权值公式计算每个子代粒子的权值,选择权值大的粒子覆盖该时刻的无效粒子。蒙特卡罗仿真表明:与裂变自举粒子滤波、随机重采样粒子滤波相比,滤波精度更高,有效粒子数增加,而且重采样后粒子退化速度变缓。     

基于最优邻居引导萤火虫移动的粒子滤波算法

针对重采样算法导致粒子种类减少影响粒子滤波估计精度的问题,将萤火虫算法引入到粒子滤波过程中,提出了一种改进的粒子滤波算法.改进算法在萤火虫个体相对亮度的计算中引入最新时刻的观测值,同时为避免迭代后期粒子在最优值附近震荡,引入递减函数更新吸引度的大小.为减少算法的复杂度,利用最优邻居引导萤火虫个体移动并控制搜寻的范围.最...     

改进粒子滤波在行人跟踪中的应用

为提高粒子滤波在目标跟踪中的性能,将萤火虫算法(Firefly Algorithm,FA)的优化思想引入粒子滤波,并用自适应差分进化(Self-adaptive Differential Evolution,SaDE)算法代替粒子滤波的重采样,提出一种改进的粒子滤波跟踪算法,并采用新的跟踪特征HSV-iLBP进行跟踪.该算法将FA用于粒子滤波的重要性采样,通过计算迭代来抽取更加有效的粒子,并将粒子滤波的重采样过程看作求解目标函数的最值问题,通过自适应差分进化算法的迭代寻找最优粒子,改善粒子的退化和贫化问题.HSV-iLBP模型由于结合了维数低的HSV颜色特征和iLBP纹理特征,从而在提高跟踪鲁棒性的同时,能有效降低计算复杂度.通过仿真实验,验证了改进算法在行人跟踪上具有更好的精度和速度.     

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.     

基于自适应遗传算法的粒子滤波器

针对重采样导致的权值退化问题,应用遗传算法的进化思想来优化重采样算法,将粒子权值作为适应度值,合理设定阈值,利用最佳个体保存法保存高适应度粒子,利用自适应交叉、变异操作对低适应度粒子进行进化,将高适应度粒子与进化粒子组合成新的粒子集进行状态估计.仿真实验表明,该算法具有良好的实时性和估计精度,其状态估计精度比标准粒子滤波提高近24倍,比无迹卡尔曼粒子滤波提高近4倍,耗时约为无迹卡尔曼粒子滤波的1/10.     

基于改进残差重采样粒子滤波的纯方位目标追踪

目标被动追踪利用持续的观测信息来估计目标的运动状态,针对此问题提出了一种改进残差重采样粒子滤波算法.算法考虑采样粒子集的空间分布特性,将粒子集空间分布分割为数量可变、可数的网格,在每个网格内运用时间序列相关性分析选择重要粒子,能够丰富采样粒子的多样性,并将该网格内所有粒子的残余权值和赋予该重要粒子,从而削弱采样粒子的退化现象,提高非线性系统状态估计精度.实验表明:当观察噪声方差小于系统噪声方差,特别是当初始采样粒子数目较小时,该算法在单站纯方位目标追踪状态估计中的精度优于传统残差重采样粒子滤波算法.     

高斯辅助粒子算法

粒子滤波算法在处理非线性,非高斯问题的状态估计方面有独特的优势。粒子滤波方法由于存在粒子退化,粒子多样性匮乏等问题,不能准确地估计系统状态。该文提出了一种新的粒子滤波算法-高斯辅助粒子滤波算法,将即时的观测值信息引入重要性概率密度函数当中。该研究进行重采样时,用高斯变换对粒子进行了重新分布并调整重采样后的粒子权值。通过仿真实验验证该方法可以有效运用当前观测量值,优化粒子分布,在解决粒子退化问题的同时,也能维持粒子的多样性,提高滤波效率。     

改进渐消中心差分粒子滤波的单站无源定位算法

针对粒子滤波中存在的重要性密度函数难以选取和可能出现粒子退化的问题,提出了一种改进渐消中心差分粒子滤波算法.该算法从研究粒子滤波的建议分布出发,充分利用最新观测信息,通过引入改进的渐消因子实时调整增益阵,得到一种优化的建议分布函数,能够有效缓解粒子退化现象.同时,在粒子采样中,研究采用了多样化的采样方式减轻滤波中粒子枯竭的影响,进一步提高了滤波精度.将该算法应用到单站无源定位系统中进行仿真运算,仿真结果表明,在不同的观测精度环境下,该算法使得系统具有更好的自适应性和滤波精度.     

一种改进重采样的粒子滤波盲分离算法

在通信混合信号单通道盲分离技术中,粒子滤波盲分离算法是一大主流算法。针对粒子滤波算法必然存在的粒子退化问题,提出一种结合有效粒子数和残差重采样思想的改进重采样粒子滤波盲分离算法。所提算法在粒子退化,即有效粒子数减少至需进行重采样时,根据有效粒子数的值找出一定数量的权重大的粒子,按每个粒子的权重占总权重的比例复制一定数量的该粒子到新粒子集中。复制后将该粒子权重更新为剩余权重,把所有权重重新归一化,再用传统随机重采样方法复制少量粒子,完成重采样的改进算法,进而得到改进重采样的粒子滤波盲分离算法。仿真结果表明,在粒子滤波单通道盲分离应用中,提出的改进重采样算法与传统随机重采样算法相比,在复杂度近似相同的情况下误码性能提高了约1 dB。     

基于优化Gmapping算法的巷道喷浆机器人建图研究

为了满足煤矿巷道喷浆机器人自主移动对精确环境地图的需求，对Gmapping算法在大场景中易发生权值退化和粒子贫化，导致机器人位姿估计误差过大以及地图重叠、分层等一致性变差的问题，提出分类回收重采样算法. 在重采样过程中，按比例将低权重粒子修正回收，充分利用现有信息，在抑制权值退化的同时尽量保护粒子多样性. 试验结果表明，在对ACES building和MIT Killian Court数据集进行建图时，对利用传统算法定位和建图效果很差的粒子数，改进后的Gmapping算法仍能将机器人平移误差和旋转误差维持在较低的水平，并能获得清晰、准确的环境地图；采用分类回收重采样算法后期粒子分布情况更加符合粒子滤波要求，验证了分类回收重采样算法的有效性.     

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.     

无线传感器网络中基于粒子滤波的目标跟踪算法研究

近几十年来,随着传感器、无线通信、信息处理、计算机等相关技术的不断发展和创新,基于无线传感器网络的应用越来越广泛,对无线传感器网络中的目标跟踪算法进行研究也具有极大的现实意义。在研究滤波算法的基础上,针对粒子滤波算法中的粒子退化问题,考虑无迹粒子滤波中的重要性函数充分利用了当前观测值但是运行时间长的问题,提出一种在有效粒子数满足一定条件下进行无迹变换的方法,将先验分布和通过无迹卡尔曼方法得到的重要性函数相结合作为新的提议分布以减缓粒子的退化。对于粒子滤波中的样本贫化问题,提出一种改进的分类重采样方法,当粒子的多样性不足时,在大权值粒子上加一个以噪声方差控制的扰动并给予小权值粒子一定的被选概率,以此增加粒子的多样性,并以C++为仿真工具对所提方法进行了试验。结果表明,改进的粒子滤波算法在估计精度上优于标准粒子滤波和无迹粒子滤波,而且运行时间比无迹粒子滤波减小一半多。     

基于自适应粒子群优化FastSLAM算法的改进

快速同时定位与建图(FastSLAM)算法中的重采样过程会带来粒子退化和粒子多样性减弱问题,为了改进算法的性能、提高估计精度,针对FastSLAM算法的特点,设计了一种改进的FastSLAM算法,将FastSLAM算法中的粒子滤波部分用自适应粒子群优化算法来代替,并且引入了粒子的筛选区间,通过改善算法初期的粒子分布情况,以及采用交叉变异操作这种自适应优化策略来对粒子种群进行调整.最后在MATLAB仿真平台针对三种算法进行了对比并验证改进后算法的优越性,实验结果表明基于自适应粒子群优化的FastSLAM算法在估计精度和计算效率方面都具有较好的性能.     

基于改进粒子滤波算法的Bouc-Wen模型参数在线识别方法

在线模型参数更新是提高结构混合试验中数值子结构模型精度的有效手段。为了提高强非线性模型参数在线识别精度,在标准粒子滤波算法的基础上提出了一种改进的辅助无迹粒子滤波算法。在重要性采样中,基于最新观测信息采用无迹卡尔曼滤波方法计算每一个粒子估计,以提高粒子非线性变换估计精度;在重采样过程中,引入辅助因子修正粒子权值,以丰富粒子多样性、削弱粒子退化现象。采用改进粒子滤波算法针对Bouc-Wen模型进行了在线参数识别,并与标准粒子滤波算法、扩展卡尔曼粒子滤波算法以及无迹粒子滤波算法的参数识别精度和计算效率进行对比分析。结果表明,与其它3种算法相比,辅助无迹粒子滤波算法在单步计算耗时增加的基础上,在线参数识别精度明显提高,参数识别值波动幅度显著降低。最后,通过橡胶隔震支座拟静力试验,验证了采用改进粒子滤波算法在线识别Bouc-Wen模型参数方法的有效性。     

基于改进粒子滤波的LiFePO_4电池二元SOC估算

准确估算电池荷电状态是电池管理系统的核心技术之一。为提高估算电池荷电状态精度,构建了可描述蓄电池倍率容量特性的二元荷电状态模型,并采用一种改进的粒子滤波算法对LiFePO_4电池进行荷电状态估算。从标准粒子滤波结构入手,先引入残差重采样算法,缓解了传统序贯重要性采样的粒子退化问题;而后在重采样过程中,采用Thompson-Taylor算法对粒子进行随机线性组合,并生成新粒子,可以抑制标准粒子滤波算法执行过程中的粒子贫化问题。基于这种改进的粒子滤波算法实现了对LiFePO_4电池二元荷电状态估算。实验结果表明,改进的粒子滤波算法相比无迹卡尔曼滤波算法,估算电池荷电状态具有更高的精度,估算误差不超过±0.2%。研究结果对电池管理系统估算电池荷电状态具有现实指导意义。     

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.     

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.     

非线性滤波算法在水下导航定位技术中的应用分析

针对自主水下航行器(autonomous underwater vehicle, AUV)导航定位技术的发展需求,提出了水下目标的3种非线性滤波估计方法.首先,分别介绍了扩展卡尔曼滤波(extended Kalman filter, EKF)、无迹卡尔曼滤波(unscented Kalman filter, UKF)和粒子滤波(particle filter, PF)的基本原理和实现步骤.其次,针对PF算法存在粒子退化现象,提出了重采样算法,并通过数值仿真验证该算法的有效性.然后,为了解决PF算法中粒子贫化现象,提出了一种基于萤火虫算法的粒子滤波算法(FA-PF).最后,在非线性环境下通过仿真实验对EKF、UKF、FA-PF算法的滤波性能进行对比分析,重点研究非线性强度及噪声特性对估计精度的影响.研究结果表明：重采样能够在一定程度上减轻粒子退化问题.在弱非线性高斯环境下,EKF、UKF、FA-PF算法的估计精度较为接近;在强非线性高斯环境下,UKF和FA-PF算法的跟踪性能明显优于EKF;在非线性非高斯环境下,FA-PF算法跟踪精度最高.