一种用于解决粒子滤波粒子退化现象的重要性重采样算法的研究

粒子滤波通过蒙特卡罗模拟来实现递推贝叶斯估计，在非线性非高斯系统中体现出良好的特性；但粒子滤波存在粒子退化现象的缺陷，针对这一问题，提出一种新的重采样算法，即分区重采样算法，其主要思想是根据多项式重采样与分层重采样算法的特点，把随机数区间划分成若干个区，每个区内的随机数任意排列，而区与区之间按升序排列。与目前常用的其他重采样算法相比，该方法提高了粒子滤波的平均性能，仿真实验验证了该算法的有效性和实用性。

基于改进平方根无迹粒子滤波的RAM类目标跟踪

RAM类目标运动复杂,对跟踪系统提出了更高的要求。针对粒子滤波在解决RAM类目标跟踪过程中存在的粒子退化等问题,通过无迹变换计算得出后验概率密度函数充当粒子滤波的先验概率密度函数,提高后验概率密度函数拟合程度,最终提高粒子的有效性。同时,在无迹变换过程中采用qr分解取代部分Cholesky分解,使输出信号方差矩阵保持非负性。最后,针对一段RAM类目标轨迹建立动力学模型,通过Matlab进行仿真,验证了该算法的有效性。

保持粒子多样性的非退化粒子滤波方法研究

针对现有粒子滤波算法中的粒子退化问题以及重采样所引起的粒子多样性减弱问题,将自适应遗传算法与粒子滤波结合设计一种新的非退化粒子滤波算法.该算法通过对粒子使用遗传算子操作以保证粒子的多样性和有效性,根据粒子在前一时刻计算出来的先验信息自适应地实时调节当前时刻的遗传操作概率,有效增加了粒子对系统状态变化的适应性.实验结果表明,该算法可有效提高非线性系统状态的估计精度,尤其在系统状态发生突变的时候,可以得到较好的估计精度.

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.

改进蝠鲼觅食优化的粒子滤波算法

针对粒子滤波中粒子退化和重采样造成的粒子多样性损失的问题,提出一种改进的粒子滤波算法,将蝠鲼觅食优化算法应用到粒子滤波当中。通过链式和螺旋阶段使驱使粒子向高似然区域靠近,粒子随机进行横向交叉,提高多样性;利用适应度阈值将粒子分为高低权值两组,分别进行翻滚觅食过程,通过全局最优值和低权值粒子进行线性组合,使后者仍以新粒子的形式存在于滤波之中,改善粒子退化现象。仿真结果表明,对比其它智能优化的粒子滤波算法,提出算法提高了最优解求解精度,减少了滤波的估计误差。

基于进化采样的粒子滤波算法

在粒子滤波算法中,重采样的引入有效地改善粒子退化现象,但同时也导致了粒子多样性减弱问题的产生.本文给出了一种基于进化采样的改进粒子滤波算法.该算法在重采样过程后,首先根据马尔可夫链蒙特卡罗(Markov-Chain-Monte-Carlo,MCMC)技术和遗传算法中的模拟二进制交叉原理生成候选粒子,并利用适应度函数完成对于其权重的度量.然后结合当前时刻的重采样粒子构建候选粒子集,进而提升了重采样后粒子的多样性,最终依据粒子自身的权重实现粒子的优选.仿真结果表明:该算法可有效地提高对于非线性系统状态的估计精度.

遗传重采样粒子滤波器

粒子退化现象是影响粒子滤波器性能的一个重要因素.奉文针对粒子退化,将遗传机制应用于粒子重采样,以进化设计解决退化问题.分析并给出了平衡粒子集的有效性与多样性的手段以取得最佳性能的遗传粒子滤波结构的方法.

基于混沌的改进粒子群优化粒子滤波算法

针对基本粒子滤波(PF)算法存在的粒子退化和重采样引起的粒子多样性丧失,导致粒子样本无法精确表示状态概率密度函数真实分布,提出了一种基于混沌的改进粒子群优化(PSO)粒子滤波算法。通过引入混沌序列产生一组混沌变量,将产生的变量映射到优化变量的区间提高粒子质量,并利用混沌扰动克服粒子群优化局部最优问题。利用单变量非静态增长模型(UNGM)在高斯噪声和非高斯噪声环境下将该算法与基本粒子滤波和粒子群优化粒子滤波(PSO-PF)的性能进行仿真比较。结果表明:该算法的性能在有效粒子数和均方根误差(RMSE)等参数都优于基本粒子滤波和粒子群优化粒子滤波,改善了算法的精度和跟踪性能。

强跟踪粒子滤波算法及其在故障预报中的应用

粒子退化和对突变状态的跟踪能力差是粒子滤波在故障预报应用中存在的主要问题.再采样粒子滤波虽可缓解粒子退化,但易导致样本贫化;扩展粒子滤波也可在一定程度上解决退化问题,但难以跟踪突变状态.本文提出了强跟踪粒子滤波算法,将强跟踪滤波引入粒子滤波更新粒子,产生重要性密度,缓解粒子退化和样本贫化问题,提高跟踪突变状态的能力.仿真结果显示该算法可行并能及时准确地预报系统故障.

自适应不完全重采样粒子滤波器

针对传统重采样算法易引起粒子贫化的问题,提出了自适应不完全重采样粒子滤波(A particle filter based on adaptive part resampling,APRPF)算法.APRPF以分步的方式仅对部分粒子进行重采样,以递推的方式计算表征粒子退化程度的度量函数(Measurement of particle degeneracy,MPD),直到满足给定条件.重采样后的粒子由新生粒子和未参与重采样的粒子组成,前者的存在有助于缓解退化问题,后者可使粒子集保持一定多样性.实验结果表明,与标准粒子滤波(Sampling importance resampling,SIR)、辅助变量粒子滤波(Auxiliary particle filter,APF)、正则化粒子滤波(Regularized particle filter,RPF)三种滤波器相比,APRPF的估计精度高;由于平均重采样次数少,计算量也小.

一种新型的基于自适应遗传算法的粒子滤波算法

针对粒子滤波算法的退化以及粒子多样性减弱问题,设计了一种新的基于自适应遗传算法的粒子滤波算法.该算法首先用粒子的重要性权重来度量其适应度值,依据粒子的适应度值自适应确定粒子进行遗传操作的概率;然后对选出的粒子实施交叉、变异操作;最后重新评估粒子的适应度并进行状态估计.这种可自适应调节概率的遗传操作能对粒子进行移动,从而提升了粒子的多样性,并使得粒子都能分布在状态的后验概率密度分布的周围.实验结果表明,该算法可有效提高非线性系统状态的估计精度,尤其在系统状态发生突变时,可以得到较好的估计精度.

改进粒子滤波器的移动机器人同步定位与地图构建方法

传统的基于粒子滤波器的移动机器人同步定位与地图构建(SLAM)方法往往随着迭代次数的增加会产生粒子退化的问题,提出了一种基于人工鱼群算法与定向重采样思想的改进的粒子滤波器用于移动机器人SLAM问题。方法首先将人工鱼群算法引入到粒子滤波器中,从而使得粒子分布在重采样之前就更加接近真实情况,然后利用定向重采样的方法,使得新产生的粒子更加接近于真实的运动情况,从而提高了机器人的位置估计精度与地图创建精度。仿真实验结果证明了该方法能够得到更多的有效粒子,而且能够提高粒子的多样性,并且提高SLAM性能。

改进的粒子滤波重采样算法

针对粒子滤波算法粒子退化的问题,提出了分类重采样(CR)算法。根据重采样时筛选出粒子数目的多少采用不同类型的复制方案,并在有效粒子减少的情况下,及时补充新粒子。仿真结果表明:当选取的粒子数目较少或者仿真周期较长时,该算法相比较多项式重采样(MR)算法和系统重采样(SR)算法具有较小的均方根误差,且多次仿真得到的均方根误差(RMSE)的方差也相对较小,说明该算法在鲁棒性、持久性和稳定性方面有所改善。

基于MCMC粒子滤波的机器人定位

针对基于传统粒子滤波的机器人定位方法存在粒子退化的问题,提出了基于马尔科夫蒙特卡罗(MCMC)粒子滤波的机器人定位方法.将传统的粒子滤波算法与典型的MCMC方法——Metropolis Hastings(MH)抽样算法有机结合,并应用于机器人定位研究中.试验结果表明,MCMC方法可以有效抑制粒子退化问题.与基于传统粒子滤波的机器人定位方法相比,该方法降低了定位误差均值和定位误差最大值,取得了更高的定位精度,有效地解决了机器人定位这一非线性非高斯状态估计问题.

基于Mean Shift重要性采样的粒子滤波跟踪算法

针对粒子滤波算法中粒子退化导致跟踪效果差的问题,将均值漂移(mean shift,MS)算法融入到粒子滤波(particle filter,PF)算法中,提出了基于MS重要性采样的粒子滤波目标跟踪算法。该算法根据MS算法的核函数原理,利用目标颜色分布建立目标参考模型;基于粒子滤波的计算框架,在MS算法的迭代寻优过程中,对粒子进行确定性搜索,使其收敛到目标候选模型的局部最优点,完成对目标模型的重要性采样,有效解决了粒子退化问题,同时减少了粒子数目,增强了目标跟踪的实时性。跟踪实验结果表明,该算法的跟踪性能优于传统的粒子滤波算法。

基于改进粒子滤波的视觉目标跟踪

针对目标跟踪算法在精度和鲁棒性上的要求,提出一种基于改进粒子滤波的视觉目 标跟踪算法.首先,建立多种特征来描述目标外观模型,并对各特征分量的加权系数进行自适 应调节;然后,利用分类重采样方法解决原始重采样方法中的粒子退化和匮乏问题;最后,提出 一种新的模板更新机制,自适应选取运动模板或原始模板.实验结果表明,改进后的算法在具 有挑战的跟踪视频序列上实验,具有良好的跟踪精度和鲁棒性,能够应对视频图像分辨率不 高、目标转动变化、部分遮挡等复杂条件.

基于MCMC方法的正则粒子滤波算法及其应用

粒子退化现象是一般粒子滤波无法避免的问题。通过分析该现象产生的原因,提出了将MCMC(马尔可夫链蒙特卡罗)方法应用于正则粒子滤波算法(RPF),与采样重要重采样(SIR)粒子虑波算法比较,此算法不仅克服了粒子退化现象,而且解决了重采样带来的采样枯竭的影响,仿真和实验结果表明:该算法在滤波精度和自适应调整粒子个数方面比SIR粒子滤波有很大的提高。

粒子滤波的重采样方法

粒子滤波是基于递推的Monte Carlo仿真方法的总称,原则上可用于任意非线性、非高斯随机系统的状态估计。但粒子的退化现象是粒子滤波器的最大缺陷,减轻这一现象影响的方法之一就是对粒子进行重采样。阐述了几种重要的重采样算法及其改进策略,并对其进行总结与展望。

基于BP神经网络的粒子滤波算法

针对粒子滤波算法中的粒子退化问题,提出了一种基于BP神经网络的提高粒子滤波多样性的算法。利用BP神经网络的非线性映射功能,通过对权值进行分裂、选择,将粒子中的小权值粒子状态作为神经网络的输入,粒子的权值作为神经网络的权值,以观测值作为神经网络的目标信号,通过多次训练增大小权值粒子的权值,从而提高粒子滤波算法粒子的多样性,改善算法的滤波性能。仿真结果表明:基于BP神经网络的粒子滤波算法的性能在有效粒子数和均方根误差参数方面优于基本粒子滤波算法,在改善滤波精度方面得到了较好的效果,验证了BP神经网络在改进粒子滤波算法中的有效性。

一种基于粒子滤波的雷达目标似然比检测方法

针对非高斯背景下雷达目标似然比检测统计量难以甚至无法导出的问题,给出了基于粒子滤波的似然比检测模型,并针对粒子滤波不可避免地存在粒子退化而导致检测性能下降的问题,提出将重采样引入基于粒子滤波的统计检测中,仿真结果表明重采样的引入提高了算法的检测性能.应用本文方法对SwerlingⅡ起伏目标模型在不同杂波背景下的检测性能进行了仿真,验证了算法的有效性.