基于权值选优粒子滤波器的故障预测算法

样本贫化现象会严重影响再采样粒子滤波故障预测算法对故障的预测能力,是粒子滤波算法在故障预测应用中的一个主要障碍。针对上述问题,提出了一种基于权值选优粒子滤波器的故障预测算法。按照粒子权值的大小,从大量的粒子中选择出比较好的粒子用于滤波,以增加样本的多样性,从而缓解样本贫化问题,提高再采样粒子滤波故障预测算法的跟踪能力。仿真结果显示所提出的算法是可行的。

权值选优粒子滤波的无线传感器网络目标跟踪

基于动态分簇结构的特点,结合权值选优粒子滤波(PF)算法的优越性,研究了无线传感器网络分布式目标跟踪算法。该方法采用这种改进的粒子滤波算法,利用簇和簇之间的传递关系,获得目标的动态状态。根据当前时刻目标的本地估计位置、预测速度和加速度,获得目标的预测位置。结果表明:此方法相比集中式目标跟踪,能在节省能量消耗的基础上,比普通粒子滤波的跟踪精度提高了大约60%。

一种双重优化的粒子滤波

粒子滤波存在的一个主要问题就是粒子的退化现象,虽然重采样可以有效缓解退化问题,但同时带来了粒子枯竭问题。为了解决上述问题,将权值选优的思想应用于粒子群优化的粒子滤波(PSOPF)。每次选择权值较大的部分粒子进行滤波,并且加入改进的多样性引导机制来保证粒子的多样性,提出一种双重优化的粒子滤波(DOPF)。仿真表明,改进算法相比基于权值选择的粒子滤波(WSPF)以及粒子群优化粒子滤波都在精度上有所提高,能克服WSPF存在的不足,并能在一定程度上应对状态大幅度突变情况,并提高了数据的精度。