基于序贯蒙特卡罗概率假设密度滤波的多目标检测前跟踪改进算法

实现目标数目未知且可变条件下的多目标检测与跟踪是个极具挑战性的问题,在信噪比较低的情况下更是如此。针对这一问题,该文提出一种基于点扩散模型的多目标检测前跟踪改进算法。该算法在序贯蒙特卡罗概率假设密度(SMC-PHD)滤波框架下实现,通过自适应粒子产生机制完成新生目标在像平面中的初始定位,并根据目标在图像中可能出现的位置对全体粒子集进行有效子集分割和快速权值估算,最后利用动态聚类方法完成多目标状态的准确提取。仿真结果表明,该方法有效改善了多目标检测前跟踪的估计性能,并大大提高了算法执行效率。

CBMeMBer滤波器序贯蒙特卡罗实现新方法的研究

为提升多伯努利滤波器序贯蒙特卡罗(Sequential Monte Carlo,SMC)实现中粒子采样的有效性,提出一种CBMe MBer辅助粒子滤波(Auxiliary particle filter,APF)实现的新方法.首先,利用多伯努利后验概率密度选择适合于CBMe MBer滤波器的辅助变量去重新定义采样问题.分别选择量测和先验密度分量作为辅助变量,确保最终的状态粒子能够集中在真实目标量测对应航迹的伯努利概率密度上进行采样,以使粒子向似然函数的峰值区移动,得到更为精确的多目标多伯努利(Multi-target multi-Bernoulli,Me MBer)后验概率密度的估计.同时,文中深入研究并给出了在量测更新和漏检情况下辅助变量以及多目标状态采样分布函数的设计,并研究利用渐近更新(Progressive correction,PC)算法对先验密度分量的量测更新进行迭代逼近计算,以提高最终分布函数求解的准确度.最后,针对两个典型非线性多目标跟踪问题的应用验证了算法的有效性.

基于序贯蒙特卡罗滤波的MIMO快时变信道跟踪

高数据传输速率以及终端的高速移动,导致无线通信信道具有时间选择性与频率选择性两个特征。本文主要研究了基于训练序列的多输入多输出(MIMO)时变频率选择性衰落信道的估计与跟踪问题。首先,根据时变无线信道的动态性,将信道冲击响应近似看作一个低阶的自回归矢量过程(AR),以便于进行时变信道的跟踪。接着在此模型的基础上,利用序贯蒙特卡罗滤波对MIMO通信系统中的双选择性信道进行了跟踪;跟踪过程中需要与信号检测交替进行,即在状态变量的预测和新息修正的中间要进行一次码元的检测,所采用的方法是极大似然序列检测,最后与扩展卡尔曼滤波作了比较。仿真结果表明,在信道噪声是非高斯的情形下,序贯蒙特卡罗滤波的跟踪性能更优越于扩展卡尔曼滤波。

一种用于序贯蒙特卡罗仿真的风电机组多状态可靠性模型

针对传统风电机组可靠性模型不适合序贯蒙特卡罗仿真的不足,利用基于马尔可夫链的解析方法建立了风电机组的多状态可靠性模型。通过对整个风电场的风况和风机的历史运行数据的统计,得出风机有功输出状态之间的转移率,利用基于马尔可夫链的解析方法求出每个风机状态出现的概率和该状态的平均持续时间。在此基础上,提出了用于序贯蒙特卡罗仿真的双重抽样方法。在Matlab中编制了风电机组多状态可靠性模型的仿真程序,并与常用的基于单重抽样方法的两状态模型进行比较分析。仿真结果表明了所建多状态可靠性模型和所提双重抽样方法的有效性,该模型能反映故障情况下任意持续时间的风机出力,从而提高了模型的准确性和应用范围。

可用输电能力评估的序贯蒙特卡罗仿真法

电力市场环境下,频繁的电能交易使系统运行的不确定性急剧增加。为保证系统的安全、可靠和经济运行,必须合理考虑不确定性因素的影响后,再对电网输电能力进行评估。该文提出了一种基于序贯蒙特卡罗仿真的可用输电能力(available transfer capability,ATC)计算方法,能综合考虑动态时变性和不确定性的影响,根据元件的运行特性及状态转移特性按时间顺序来仿真系统状态,并定义一系列的概率指标进行ATC评估。采用Matlab6.5编写相关的计算程序,通过IEEE39节点系统的算例分析,证明在ATC计算中,考虑不确定性和时变性因素的必要性。计算结果表明,该文提出的方法新颖实用,具有一定的工程应用价值。

基于序贯蒙特卡罗方法的风电场有功出力可靠性评估

考虑运行、停运和降额状态,建立风电机组的多状态故障模型;在此基础上,考虑风速的随机性、风电场尾流效应和风机本身的故障建立风电场的可靠性模型。基于序贯蒙特卡罗方法给出风电场有功出力可靠性评估的方法和流程。在Matlab中编写相关程序,并对风电场的有功出力进行可靠性评估,通过分析不同可靠性参数对评估结果的影响,验证所建可靠性模型和评估方法的有效性和适应性。

基于序贯蒙特卡罗仿真的配电网可靠性评估模型

提出了考虑线路容量约束和潮流分布的基于序贯蒙特卡罗仿真和时变负荷模型的评估配电网可靠性的模型。模型中切负荷策略综合考虑了停电损失费用、停电电量、网损和停电时间,因而该模型在模拟配电网的故障和负荷点停电情况方面更加符合实际运行情况,并可以评估不同调度策略下的可靠性风险指标和可靠性效益指标的影响。经采用IEEERBTS配电系统测试,结果表明该模型是合理的、有效的。

移动机器人的改进无迹粒子滤波蒙特卡罗定位算法

粒子滤波是移动机器人蒙特卡罗定位(Monte Carlo localization,MCL)的核心环节.首先,针对粒子滤波过程的粒子退化问题,利用迭代Sigma点卡尔曼滤波来精确设计粒子滤波器的提议分布,以迭代更新方式将当前观测信息融入顺序重要性采样过程,提出IUPF(Improved unscented particle filter)算法.然后,将IUPF与移动机器人MCL相结合,给出IUPF-MCL定位算法的实现细节.仿真结果表明,IUPF-MCL是一种精确鲁棒的移动机器人定位算法.

马尔可夫链蒙特卡罗容积粒子滤波器

针对非线性、非高斯系统状态估计问题,提出了一种基于重要密度函数的改进粒子滤波器—马尔可夫链蒙特卡罗容积粒子滤波器。在状态转移概率的基础之上综合考虑了当前的量测信息,利用容积卡尔曼滤波对每个采样粒子进行估计,使得重要密度函数更加贴近于真实后验;同时为避免粒子贫乏,在重采样后加入马尔可夫链蒙特卡罗步骤。理论分析和实验仿真表明:马尔可夫链蒙特卡罗容积粒子滤波器的性能要优于容积粒子滤波器以及其他参照滤波器。

基于序贯蒙特卡罗仿真的发输电系统充裕度评估算法

可靠性评估可为电力系统的规划及运行提供决策依据,使供电能够经济连续并保证电能质量。通过对充裕度算法和蒙特卡罗仿真研究,建立了基于序贯蒙特卡罗模拟法的发输电系统充裕度评估模型。同时建立了主要元件故障模型,并且应用深度优先搜索算法进行网络拓扑分析,考虑了由于潮流计算方法局限性导致潮流不收敛或线路潮流过大情况的处理,通过编制相应程序以IEEE-RBTS和IEEE-RTS79为例计算了可靠性指标,验证了该算法和模型的正确性及可行性,为电网的规划设计及其安全运行提供了有价值的参考依据。

一种快速准蒙特卡罗粒子滤波算法

针对准蒙特卡罗(Quasi-Monte Carlo,QMC)方法应用于粒子滤波采样时计算复杂度高,以及粒子滤波中重采样步骤引起样本枯竭的问题,提出一种结合准蒙特卡罗方法的粒子滤波算法,在重要性采样后,将生成的随机化QMC序列分别映射到以大权重粒子为核心的独立子空间上,避免了直接对采样空间进行预测,同时又保持了样本多样性.实验结果表明该方法可以有效抑制样本枯竭现象,获得了高于蒙特卡罗(Monte Carlo,MC)方法的估计精度,而计算效率与粒子滤波相近.

基于无迹粒子PHD滤波的序贯融合算法

针对在杂波、漏检和非线性情况下,粒子概率假设密度滤波(particle probability hypothesis density filter,P-PHDF)算法估计精度不高、滤波发散及粒子退化等问题,提出了一种基于无迹粒子概率假设密度滤波(unscented particle-PHDF,UP-PHDF)的序贯融合算法。利用无迹粒子滤波(unscented particle filter,UPF)实现PHDF,由UKF算法得到更好更优的重要性密度函数并从中采样,使粒子的分布更接近多目标概率假设密度分布;另外,为进一步提高滤波算法的性能,实现基于雷达和红外传感器的UP-PHDF序贯融合算法,通过两传感器交替滤波保证目标状态的可观测性。在复杂环境下,仿真结果表明该算法的估计精度和稳定性明显优于单传感器P-PHDF算法。

基于序贯蒙特卡罗和well-being模型的风/柴/储能发电系统可靠性分析

介绍了序贯蒙特卡罗模拟法和well-being模型两种可靠性评估方法。通过研究储能容量和峰值负荷对系统的可靠性的影响,对两种可靠性评估方法进行比较分析。研究结果表明,采用well-being模型对系统进行可靠性评估较蒙特卡罗模拟法对系统的各个运行状态更加全面。

拟蒙特卡罗粒子滤波改进算法及其在雷达目标跟踪中的应用

拟蒙特卡罗粒子滤波算法(quasi-Monte-Carlo particle filter,QMC-PF)精度不高,运算复杂度大,难以满足雷达机动目标跟踪精确性和实时性需求.为此,提出一种基于BP神经网络的新型拟蒙特卡罗粒子滤波算法.该算法将大权重粒子通过QMC分裂采样产生低差异性的子代粒子,以此来替代低权重粒子,保证了样本的有效性和多样性;同时利用BP神经网络计算子代粒子的权重,提高了滤波的精度和速度;最后在不同的模型中进行仿真.实验结果表明,与QMC-PF相比,所提出的算法提高了精度和运算速度,适用于雷达机动目标的跟踪.

基于序贯蒙特卡罗的多线索目标跟踪算法

颜色直方图对噪声和部分遮挡不敏感,当背景颜色与目标颜色相近时,会影响跟踪效果。本文提出一种有效的基于多线索融合的序贯蒙特卡罗图像序列跟踪方法,采用颜色直方图和边缘直方图与序贯蒙特卡罗算法结合起来进行视频跟踪。颜色直方图和边缘直方图一起构建目标观测似然函数。在序贯蒙特卡罗方法的框架下,采用观测模型函数获取图像序列中目标位置的后验概率分布。实验结果表明,结合图像颜色与边缘特征,在序贯蒙特卡罗的框架下可以取得更为有效和稳健的跟踪效果。

拟蒙特卡罗-高斯粒子滤波算法研究及其硬件实现

该文针对粒子滤波计算量大,难以在工程中应用的问题,用拟蒙特卡罗采样(QMC)代替蒙特卡罗采样(MC),减少了运算量。分析并给出了拟蒙特卡罗-高斯粒子滤波(QMC-GPF)算法的并行结构。在该并行结构的基础上,研究了基于FPGA的QMC-GPF的设计与实现。在实现过程中选取2作基数来产生Faure序列,将乘法运算、求模运算简化为便于在FPGA中实现的按位异或运算;采用查找表实现指数函数等复杂函数的计算,充分利用了FPGA中大量的BlockRAM资源;给出了Cholesky分解矩阵各元素的并行计算结构。以红外图像弱小目标跟踪实验为例,验证了本设计的有效性和实时性。

结构损伤识别的序贯辅助粒子滤波方法

提出一种非平稳动力系统突变参数识别的序贯辅助粒子滤波方法(SAPF方法).该方法采用的重要抽样密度函数是一种依靠系统过去状态与系统最近观测量的联合密度函数,因此该方法具有较强的时域在线识别能力,比传统的粒子滤波方法更适合进行非平稳动力系统的参数识别.数值仿真结果证明了此方法在结构损伤在线识别中的有效性.

蒙特卡罗粒子滤波算法应用研究

随着这些年计算机硬件水平的发展,计算速度的提高,源自序列蒙特卡罗方法的蒙特卡罗粒子滤波方法的应用研究又重新活跃起来。本文的这种蒙特卡罗粒子滤波算法是利用序列重要性采样的概念,用一系列离散的带权重随机样本近似相应的概率密度函数。由于粒子滤波方法没有像广义卡尔曼滤波方法那样对非线性系统做线性化的近似,所以在非线性状态估计方面比广义卡尔曼滤波更有优势。在很多方面的应用已经逐渐有替代广义卡尔曼滤波的趋势。

电压暂降随机预估的非序贯蒙特卡罗方法研究

针对电压暂降随机预估中蒙特卡罗法计算效率低、耗时长的缺陷,提出基于非序贯蒙特卡罗法对电压暂降进行随机预估。研究建立了电压暂降故障状态变量的数学模型,并利用Matlab/Simulink建立了IEEE-9节点测试系统模型,得到了故障模型的状态变量。通过分析电压暂降幅值的概率分布,并用非序贯蒙特卡罗法和蒙特卡罗法分别对电压暂降指标进行仿真计算。IEEE-9节点算例表明,该算法较蒙特卡罗法可快速收敛,提高了计算速度,具有良好的稳定性。

精确测量系统的聚类准蒙特卡罗粒子滤波算法

针对粒子滤波在精确测量系统中由于似然分布过于尖锐引起的失效问题,提出一种基于确定性准蒙特卡罗采样和聚类方法的粒子滤波算法,当判定重要性样本缺失时,利用聚类方法提取提议分布中的关键样本,在由关键样本构成的新的支撑集基础上,确定采样空间和繁殖样本个数,并采用准蒙特卡罗方法生成新的确定性样本序列,以获取有效样本,避免失效现象的发生。仿真实验表明,该算法在测量噪声较小的情况下,与一般粒子滤波算法相比,可以获得更为精确和稳定的状态估计。