一种基于重要性权值选择的粒子滤波方法

针对粒子滤波算法存在计算量大和重采样过程带来计算量的扩张随粒子数的增加而成级数增加的问题,改进了一种基于重要性权值选择的粒子滤波方法.该方法运用重要性权值选择准则去除无效粒子而保留对状态估计贡献较大的粒子,每一状态时刻都根据权值选择的结果决定所要利用的粒子及其数目.仿真结果表明,该方法不仅保持了较高的滤波性能,而且能有效减小算法的计算量,有利于工程实现.

基于权值选择的粒子滤波算法研究

退化现象是粒子滤波算法应用中的一个主要问题,常规的再采样方法虽可解决退化问题,但容易导致粒子耗尽.对此,提出一种基于权值选择的粒子滤波算法.按照粒子权值的大小选择较好的粒子用于滤波,以增加样本的多样性,从而缓解粒子滤波的退化问题.仿真结果表明,所提出的算法是可行的.

一种改进的自适应重采样粒子滤波算法

针对粒子滤波跟踪算法中重采样所引起的粒子多样性缺失问题,提出了一种自适应粒子滤波重采样方法。首先将粒子权值进行分类,中等权值粒子保持不变,大、小权值粒子进行权值优化组合,其次对优化组合后的小部分粒子进行系统重采样。最后对粒子的权值及粒子的复制次数分别进行比较运算。试验结果表明,改进后的粒子滤波算法不仅提高了机动目标跟踪的运算效率,而且还有效提高了跟踪的稳定性,目标跟踪更加准确。

基于优化组合重采样的粒子滤波算法

重采样过程的引入,消除了粒子滤波(PF)过程中的粒子匮乏现象,使PF方法迅速地在多个领域内得到应用,但重采样过程却削弱了粒子的多样性,从而导致滤波性能下降,甚至滤波发散.提出了一种基于优化组合的重采样方法,通过选取粒子和被抛弃粒子的适当线性组合而产生新的粒子,增加了粒子多样性,从而提高PF算法的精度.仿真结果表明,步长系数为零时,该算法等价于基本的PF算法;步长系数很大时,该算法不能收敛;在适当选择步长系数的情况下,该算法的滤波性能高于基本的PF算法.介绍了该重采样算法,仿真结果证明了该算法的有效性.

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.

一种改进重采样的粒子滤波算法

针对粒子滤波重采样过程中存在的粒子多样性丧失问题,提出一种改进重采样的粒子滤波算法。按照局部重采样算法对粒子进行分类,中等权值的粒子保持不变,大、小两种权值的粒子采用Thompson-Taylor算法进行随机线性组合产生新粒子。实验结果表明,该算法能在降低计算复杂度的同时不丧失粒子多样性,提高了滤波性能。

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。

粒子滤波器重采样算法的分析与比较

重采样算法解决了粒子滤波器的退化问题。从重采样实现原理、均匀分布理论和计算复杂度的角度对目前广泛应用的四种重采样算法(包括多项式重采样、残差重采样、分层重采样和系统重采样)进行了理论分析,同时引入有效样本数,设定重采样阈值,将四种算法应用于经典纯方位跟踪,通过仿真比较不同重采样算法条件下的运行时间和跟踪性能,并分析重采样阈值的设定对滤波性能的影响。仿真表明,四种算法在跟踪性能上很接近,系统重采样和分层重采样算法下的运行时间很接近,优于其余两种算法,设定重采样阈值后,整体跟踪误差减小了约50%,但并未明显减慢跟踪误差随时间推移的发散趋势。

基于遗传算法改进的粒子滤波重采样模型（英文）

提出一种基于遗传算法改进的新粒子滤波算法,该算法对于每次迭代计算出的最差粒子并未简单地进行丢弃,而是将这些最差粒子利用生物遗传中的遗传性和变异性将其进行修正。该算法利用最差粒子数据与种群中特殊数据进行交叉变异方法来增强粒子种群中的多样性,从而有利于粒子滤波对机动目标的跟踪;同时保留部分粒子在未来进行唤醒也体现了多样性。该算法更有利于实现粒子滤波在机动目标跟踪的适应性,提高其跟踪效果。

一种高实时性粒子滤波重采样算法

重采样是解决粒子滤波退化问题的主要方法。传统的重采样算法,如系统重采样、残差重采样,以及Bolic等提出的"残差系统重采样"算法,均存在运算时间较长、占用存储空间较大等问题。而时效性是制约粒子滤波方法实用性的瓶颈。对粒子滤波的基本原理进行了论述;提出了一种高实时性粒子滤波重采样算法——"简单重采样算法",通过仿真实验与分析,该算法在状态估计精度上与其它重采样算法相当,但却具有计算量小、速度快、实时性强等优点,适于硬件实现。

一种基于改进重采样的粒子滤波算法

针对传统粒子滤波算法中存在的样本贫化问题,提出一种基于改进重采样的粒子滤波算法。为了验证算法的有效性,对机动目标跟踪和分时恒值估计两类问题进行了仿真。结果表明,所提出的算法能够解决样本贫化问题,且具有较小的估计误差和较短的运算耗时。

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。

邻域迭代重采样粒子滤波的纯方位目标跟踪

为了解决粒子滤波的非线性全局优化问题,基于重采样的思想是移除权重小的粒子,增加权重大的粒子数量,提出利用邻域搜索重采样的粒子滤波(NIRPF)进行目标跟踪。首先,预测粒子,并利用重要序列采样(SIS)给粒子赋权值;然后,在搜索后验概率密度的高概率区过程,更新单个粒子位置,利用高斯-邻域搜索迭代地加权所有粒子;最后,进行当前状态的估计。纯方位目标跟踪问题涉及两个静态观察器和非机动和机动两类目标。蒙特卡罗仿真结果验证了提出方法的有效性,与均方根容积卡尔曼滤波、容积粒子滤波和随机搜索的粒子滤波相比,提出的方法拥有更快的初始收敛速度,非机动目标和机动目标的根均方误差(RMSE)和时间根均方差(RTAMS)的评估更优。

基于目标跟踪的粒子滤波重采样算法研究

传统粒子滤波(PF)中,重采样步骤里存在着粒子的"平均化"现象,导致粒子本身概率大小的因素被忽略,没有充分利用粒子集所包含的信息。通过改进抛弃小权值粒子的原则,以及充分利用粒子权值大小所代表的意义来进行粒子复制的两点进行算法改进,采用一维非线性目标跟踪模型和新的二维动态跟踪模型分别研究改进PF算法对于平均RMSE的影响。通过仿真,证明了改进后的算法可以显著降低变量的平均RMSE,特别是在二位动态跟踪模型中,使位置坐标和速度两种变量的平均均方根误差(RMSE)都有所改善,从而提高了滤波性能。

粒子滤波自适应部分系统重采样算法研究

样本退化是基于序列重要性采样的粒子滤波中的一个主要问题,为了解决这个问题引入了重采样。常规的重采样算法可以解决样本退化问题,但容易导致样本衰竭,增加计算的复杂度。在部分重采样的基础上,提出了自适应部分系统重采样算法,该算法自适应调整重采样的时间,重采样前按照粒子的权值对其分类,只对少数粒子进行重采样,不仅减少了重采样的时间而且增加了粒子的多样性,仿真结果表明该算法与部分重采样相比有效地提高了粒子滤波的性能,减少了运行的时间。

基于重要性重采样粒子滤波器的机动目标跟踪方法

采用重要性重采样技术改进了标准粒子滤波算法,通过设定有效采样尺度来减少权值较小的粒子数目,在一定程度上克服了退化现象。仿真结果表明,采用PF跟踪机动目标,其跟踪精度要高于IMM,说明PF具有较强的处理非线性系统的能力;对标准PF采用重要性重采样策略后,PF的跟踪精度和平稳性都得到了进一步改善。

基于多样性向导的自适应重采样粒子滤波研究

由于在非线性非高斯系统和多模处理能力上的优越性,粒子滤波算法已经被广泛应用。针对粒子滤波算法现有缺陷分析,提出一种基于多样性向导的自适应重采样粒子滤波。首先,基于多样性向导自适应调整重采样阈值。在基于有效样本大小的自适应重采样技术之上,借助了另一多样性测度即种群多样性因子来自适应地调整有效样本大小的阈值;而且,在重采样之后引入样本变异操作来确保样本的多样性。然后,提出了一种改进的部分分层重采样算法。该算法借鉴部分分层重采样执行快、时间短的优点,同时结合权重优化的思想改进重采样的样本权重计算。最后,通过仿真实验验证了所提粒子滤波算法的性能和有效性。

遗传重采样粒子滤波的目标跟踪研究

针对普通粒子滤波存在的粒子退化和匮乏缺陷,提出了一种利用遗传算法进行重采样的粒子滤波改进方法。该方法通过对每个采样时刻生成的粒子集合进行选择、交叉和变异等遗传迭代,在现有粒子个数范围内生成更多优良粒子,在保留高适应度粒子基础上实现了粒子集合的多样性。相对于普通粒子滤波,基于遗传重采样的粒子滤波仅需要较少的粒子就可以实现状态的精确估计和目标跟踪。数学方程和序列图像实验结果表明了算法的正确性和实用性。

快速Metropolis-Hastings变异的遗传重采样粒子滤波器

为了解决传统粒子滤波器粒子退化与贫乏问题,提出了快速变异的遗传重采样粒子滤波算法。该算法将快速Metropolis-Hastings(MH)移动作为遗传算法的变异算子,使得快速变异算子与传统交叉算子、传统选择算子组合为一种新的粒子重采样算法。快速MH变异能对粒子进行移动,使得粒子的稳定分布为目标的后验概率密度分布。快速变异能有效解决一般变异算法易发散的问题,可以更快地提取到反映目标概率特征的典型粒子。实验证明,基于快速MH变异的遗传重采样方法可以快速提高粒子的多样性,避免粒子退化,减小跟踪误差。

一种改进重采样的粒子滤波算法

粒子滤波算法中重采样是解决粒子退化的一种重要方法,但重采样会导致粒子多样性的损失。针对这一问题,对基本重采样算法进行了改进。改进算法首先按基本重采样思想找到权值大的粒子进行复制,然后借鉴遗传算法进行交叉和变异操作,其中变异由变异尺度因子和粒子集的均值来实现。利用改进重采样的粒子滤波算法对经典纯方位目标跟踪问题进行了仿真,仿真结果表明,改进算法具有更好的跟踪精度。