基于围猎改进哈里斯鹰优化的粒子滤波方法

针对标准粒子滤波过程的权值退化和样本贫化问题,该文结合融入围猎策略的哈里斯鹰优化算法设计一种群智能优化粒子滤波方法(EHHOPF)。首先,引入围猎策略替代哈里斯鹰优化算法全局搜索策略以适配粒子滤波环境;其次,采用Sigmoid函数构建非线性猎物逃逸能量平衡算法的探索阶段和开发阶段;最后构建选择比例因子融合开发阶段捕猎策略并采用非线性猎物跳跃强度保证算法收敛效率。仿真结果表明,与标准粒子滤波以及磷虾算法、蝙蝠算法、布谷鸟算法、灰狼算法优化的粒子滤波方法相比,基于围猎改进哈里斯鹰优化的粒子滤波方法有效提升了系统状态估计精度、滤波稳定性和滤波实时性。

基于布谷鸟算法优化的粒子滤波

为解决粒子滤波算法中粒子权值退化和粒子贫化问题,提出基于布谷鸟算法优化的粒子滤波(CS-PF)。对鸟窝寻优位置公式增加扰动项,将粒子集合平分为log2N (N为粒子数)项,降低粒子移动时陷入局部最优的可能性;为保证粒子多样性,当均匀分布的随机数大于阈值时,利用改进的鸟窝寻优方法更新粒子位置,部分粒子向高似然区移动,部分在低似然区。实验结果表明,粒子位置更新阈值在[0.2,0.35]时,CS-PF能够有效解决粒子滤波的权值退化和粒子贫化问题。

基于分类采样的目标跟踪方法

针对传统粒子滤波跟踪过程中存在的权值退化及样本贫化问题,提出了一种基于分类采样的目标跟踪方法。该方法仅对满足重采样条件的建议分布函数进行滤波估计,保证最新观测信息对粒子的修正作用,并对重采样粒子集合进行种群划分,依据权值大小聚类为小权值种群、保留种群和大权值裂变种群三类。重采样过程中,首先对大权值粒子进行裂变,然后采用差分进化方法同小权值种群进行优化,通过突变、交叉、选择产生新粒子种群,避免了对历史小权值信息的丢弃。仿真结果表明,该算法较传统的重采样方法在精确性和稳定性方面得到了较好的改善。

非线性受扰观测序列的深度优化粒子滤波算法

提出深度优化粒子滤波(DIPF:Deep Improved Particle Filtering)算法,从权值增长趋势和权值大小的综合比较进行样本的优化选择,通过对样本的统计分析确定样本的复制与裂变,虽然深度优化由于趋势判断增加了滤波时间,但是它克服了样本枯竭问题,提高了估计的精度.

基于均值漂移的粒子滤波算法设计及其在导航数据处理中的应用

针对标准粒子滤波算法中存在的计算量大和粒子的权值退化的缺陷,将均值漂移算法和PF算法进行融合,设计基于均值漂移搜索算法的粒子滤波新算法。该算法仍遵从粒子滤波算法的计算框架,基本原理是利用MS算法对粒子的聚类作用,将均值漂移思想融合到粒子滤波算法的重要性采样过程中,对粒子集进行确定性搜索,使每个粒子收敛于局部最优值,这样粒子的状态表示更接近真实的状态分布,因此只需较少的粒子数便可达到未嵌入MS的使用大量粒子数的粒子滤波状态估计的性能,从而在缓解粒子的权值退化的同时提高粒子滤波算法的实时性。大量的数值试验和对GPS/DR组合导航数据处理的结果验证了该方法的有效性。

基于混沌的萤火虫改进粒子滤波算法研究

针对常规的粒子滤波算法存在粒子权值退化和采样粒子贫化以及需要大量粒子才能进行比较准确的状态估计的问题,提出了一种基于混沌的萤火虫改进粒子滤波算法。利用混沌系统所具有的遍历性和随机性初始化粒子群,使得初始粒子分布更加均匀,同时向常规粒子滤波算法中引进萤火虫算法的寻优机制,使得粒子能够向高似然区域运动,提高了滤波精度,并对部分权值优秀粒子进行混沌细搜索,对部分权值低的粒子进行再生,提高了种群多样性。实验表明:该方法尤其是在粒子种群数量较小的情况下,较常规粒子滤波精度更高,并有效地改善了权值退化和样本贫化问题。

基于“新息误差”的粒子流滤波算法

在粒子滤波(PF)过程中存在粒子权值退化、维度灾难、计算成本高等问题。粒子流滤波通过构造对数同伦函数避免了粒子权值退化问题,但是在求解边值问题时过于依赖观测方程,当噪声较大时效果较差。针对上述问题,提出了一种改进的粒子流滤波算法。首先,该算法在粒子流动的过程中引入了一种“新息误差”结构,使每个粒子的更新相互独立;其次,利用Galerkin有限元法求得边值问题的数值解,从而消除了拟合样本先验可能导致的数值不稳定问题;最后,分别在通用非线性滤波模型和机动目标跟踪模型中对改进的算法进行了性能测试。仿真结果表明,改进的算法可以抑制系统对观测信息的依赖性,在噪声增大的情况下也能得到相对较好的结果,有效改善了滤波精度,而在多维目标跟踪情况下算法的计算效率与滤波精度高于标准粒子滤波。