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.     

基于改进的萤火虫算法优化粒子滤波方法

针对粒子滤波算法权值退化和多样性匮乏造成的滤波精度下降问题,提出了权值抖动萤火虫算法和不完全重采样结合的方法来改进粒子滤波.该算法在全局最优值代替萤火虫间的交互信息基础上利用权值抖动吸引度函数改进萤火虫算法来优化粒子滤波的采样过程,使粒子集趋向于真实值附近,同时采用不完全重采样方法,能够缓解粒子退化问题.实验结果表明该算法可以有效缓解粒子退化和改善粒子多样性贫化,同时提高了滤波精度.     

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.     

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.     

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．     

一种新的正则化粒子滤波图像恢复算法

引入粒子滤波对解决非线性非高斯模型的优良特性,将一种新的正则化粒子滤波算法(regularized particle filter)应用到混合噪声和乘性噪声图像恢复中.由于采样重要性重采样(SIR)方法在重采样时没有考虑观测量而引入误差,本文方法从后验连续分布中采样,引入观测量进而减少误差,同时将易实现的累积分布函数和正则化重采样步骤融合,进一步使粒子方差最小化,解决粒子衰竭问题,缓解退化现象.通过对具有混合噪声图像以及医学乘性噪声图像的恢复效果表明了该算法的有效性,且与小波阈值法和SIR粒子滤波法对比显示了其优越性.     

迭代容积卡尔曼粒子滤波算法

针对标准粒子滤波算法粒子退化和贫化问题,提出了一种基于高斯-牛顿迭代思想的容积卡尔曼粒子滤波算法.该算法利用当前量测信息,使用容积数值积分原则通过以一组确定的点集和相应的权值直接计算非线性随机函数的均值和方差,避免了求导运算,并通过Gauss-Newton迭代方法对容积卡尔曼滤波(CKF)的非线性最小二乘问题进行求解,减小了线性化误差,以此来产生粒子滤波算法的重要性密度函数,使得迭代CKF产生的重要性密度函数更接近于真实后验概率分布,从而改进了滤波性能.仿真结果表明,与粒子滤波和CPF滤波相比,迭代CKF粒子滤波具有更高的估计精度.     

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。     

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.     

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。     

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。     

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.     

ISCPF在捷联惯导初始对准中的应用

针对标准粒子滤波算法中存在的重要性密度函数难以选取的问题,提出了一种新的迭代平方根容积粒子滤波(ISCPF)算法.将高斯-牛顿迭代和平方根容积卡尔曼滤波(SCKF)算法相结合,得到迭代平方根容积卡尔曼滤波(ISCKF)算法.利用ISCKF算法获得粒子滤波算法的重要性密度函数,有效抑制了粒子退化现象.捷联惯导系统大方位失准角初始对准的仿真结果表明:该算法对航向失准角的估计精度可以达到2.21′,相比于标准粒子滤波(PF)算法和容积粒子滤波算法(CPF)具有更高的估计精度.     

新的非线性滤波算法在GPS/DR组合导航中的应用

为解决传统粒子滤波算法中样本贫化的问题,提出一种新的粒子滤波算法.在重要性采样过程中,利用最新测量值,结合UKF滤波来产生粒子滤波中的建议分布;同时在再采样过程中,用高斯混合模型表示后验状态密度,引入最大期望(Expectation Maximization,EM)算法来获得该后验状态密度的参数,从新的参数分布中进行采样得到样本粒子,取代传统的再采样过程.把新算法应用到车辆组合导航系统中,仿真结果表明新算法的有效性.     

一种高精度自适应粒子滤波算法

针对非线性非高斯系统的状态估计问题,提出一种新的高精度自适应粒子滤波算法.该算法采用有限差分扩展卡尔曼滤波器产生优选的建议分布函数,融入最新量测信息,有效克服了粒子退化问题;考虑到预测误差对粒子采样效率的影响,引入系统估计和预测提供的新息差值,通过新息差值在线自适应调整采样粒子数,较好地保证了粒子采样的高效性.理论分析...     

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。     

基于改进粒子滤波算法的动力锂离子电池荷电状态估计

传统电池荷电状态(SOC)估计中常用的扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)方法仅适用于线性系统和高斯条件,虽然粒子滤波(PF)算法能用于非线性和非高斯系统,但PF算法在滤波更新时存在粒子退化现象,使粒子集无法表示实际后验概率分布,导致估计精度降低.采用改进的扩展粒子滤波(EPF)和无迹粒子滤波(UPF)算法对电池SOC进行估计,抑制了粒子权重退化.以Thevenin模型对电池进行建模,利用带遗忘因子的最小二乘方法进行模型参数辨识,结合改进后的滤波算法对电池SOC进行估计.实验结果表明,以UKF为建议密度函数进行重采样的UPF方法平均估计误差为0.71%,低于以EKF为建议密度函数的EPF方法平均误差(1.09%),两种方法的估计误差均小于PF估计误差(1.36%),有效抑制了粒子权重退化.     

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.     

基于融合方法预测锂离子电池剩余寿命

为了准确地预测锂离子电池剩余寿命,创新性地用无迹卡尔曼、遗传算法和粒子滤波算法融合得到的融合方法研究了锂离子电池剩余寿命预测。用无迹卡尔曼算法的滤波结果所构造的建议分布代替标准粒子滤波算法中的重要性密度函数,用遗传算法的选择、交叉和变异过程代替其重采样过程,将3种算法相融合,用于电池的剩余寿命预测。结果表明,相较于标准粒子滤波算法的估算结果,所提的融合方法有效地降低了粒子退化程度,并抑制粒子多样性丧失,其对电池剩余寿命预测的误差更小,更接近实际值。用该融合方法预测锂离子电池剩余寿命时有更高的精确性和适用性。