一种新的克服粒子滤波样本贫化的粗化策略

针对传统粒子滤波算法中存在的样本贫化问题,提出了一种新的粗化策略。该策略通过计算状态变量2个估计值之间的向量差值,并令其指引粒子移动到高似然区域。仿真结果证明,提出的策略加快了粒子滤波算法的收敛速度,同时,由于作为指引的向量差值是基于前一时刻的结果计算得到的,因而无需额外的似然计算,所以这种策略在计算复杂度方面也更优于目前存在的一些数据驱动策略。在对收敛性能和计算复杂度方面要求较高的场景中,提出的策略更具有适用性。

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。

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.

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。

进化粒子滤波算法及其应用

样本贫化现象是应用粒子滤波算法的一个主要障碍,对估计长时间维持不变量的影响尤为严重.通过分析产生该现象的原因,本文引入进化规划算子构成进化粒子滤波算法,增加样本集的多样性而缓解样本贫化现象的影响,改善其估计与跟踪能力,仿真结果显示所提出的算法是可行的.

基于量子遗传和无迹粒子滤波的人体运动跟踪

提出一种人体运动跟踪算法,用于解决多关节人体运动跟踪问题。由于无迹粒子滤波存在样本贫化现象,因而对目标运动估计产生影响,尤其估计模型为复杂的马尔可夫链的时域问题的影响尤为严重。通过分析产生该现象的原因,在无迹粒子滤波中引入量子遗传算法:一方面,增加样本集的多样性而缓解样本贫化现象的影响;另一方面,改善其估计、跟踪能力并有效缩短了计算时间。实验结果表明,所提出算法很好地减轻了样本贫化现象对无迹粒子滤波的影响,并提高了多关节人体运动跟踪的准确性,跟踪结果令人满意。

支持向量回归粒子滤波器的故障预测方法

为了对系统进行故障预测,针对粒子滤波在故障预测中出现的样本贫化与退化问题,提出了一种支持向量回归粒子滤波器。采用支持向量回归方法建立粒子状态与其权值的非线性函数来估计粒子的连续后验概率密度模型。基于该模型进行重采样获得新的粒子集并更新各粒子的权重,增加样本的多样性与有效性,提高对故障的监控与预测能力。仿真结果表明,该方法是可行的,能够准确预报系统故障。

基于果蝇优化算法改进的粒子滤波及其在目标跟踪中的应用

针对粒子滤波算法重采样导致的样本贫化问题,提出一种基于果蝇优化思想的粒子滤波算法.该方法视粒子权值为个体适应度值,并将果蝇不断从低浓度的地方飞向高浓度的地方的觅食寻优过程引入到粒子滤波当中,驱使粒子不断向高似然区域移动,提高了粒子群的整体质量.为了解决标准果蝇优化算法易陷入早熟的问题,将遗传算法中的交叉、变异操作自适应地应用到果蝇优化算法寻优过程当中.首先通过交叉操作改善粒子分布,当果蝇优化算法陷入局部最优时,再采用柯西变异扰动,促使算法快速跳出局部极值并继续搜索全局极值.通过非线性模型仿真以及目标跟踪实验表明该算法有效提高了非线性系统状态估计精度,具有较好的稳定性,同时降低了状态估计所需的粒子数量.

基于鸽群优化改进的粒子滤波算法

针对粒子滤波算法重采样导致的样本贫化问题,提出基于鸽群优化(PIO)思想改进的粒子滤波算法。将鸽群不断从较远位置飞向适应度值高的地方的归巢过程引入到粒子滤波中,驱使粒子不断向高似然区域移动,并将自适应交叉操作加入到鸽群优化过程当中,保障样本多样性。通过非线性模型仿真实验表明,所提算法相对于标准粒子滤波算法,精度提高了45%,稳定性提高了72%,同时降低了状态估计所需的粒子数量。

模拟退火方差缩减的FastSLAM算法在AUV导航定位中的应用

由于标准FastSLAM中存在粒子退化及重采样引起的粒子贫化,导致自主水下航行器(AUV)位置估计精度严重下降的问题,提出了一种基于粒子权值方差缩减的FastSLAM算法.利用模拟退火的降温函数产生自适应指数渐消因子来降低粒子权值的方差,进而增加有效粒子数,以此取代标准FastSLAM中的重采样步骤.建立AUV的运动学模型、特征模型及传感器的测量模型,通过霍夫变换进行特征提取.利用方差缩减FastSLAM算法,基于海试数据进行了AUV同步定位与构图仿真试验,结果表明所提方法能够保证粒子的多样性,并且降低粒子的退化程度,提高了AUV定位与地图构建系统的准确性及稳定性.

磷虾群优化的改进粒子滤波算法

标准的粒子滤波存在着权值退化问题,重采样可以解决权值退化问题,但也会带来样本贫化现象.为解决样本贫化问题,提出了一种利用磷虾群优化的改进粒子滤波算法.该算法结合粒子滤波的求解过程,以磷虾个体的诱导、觅食和随机扩散运动引导粒子向高似然区域移动.首先,将粒子滤波中粒子的状态值作为磷虾群的个体位置,从而将粒子的状态估计转化为磷虾群的寻优;其次,针对粒子滤波的特点,分析了磷虾算法中可以改进的参数,对磷虾算法中个体诱导、觅食运动的权值设计了新的动态更新策略,保证算法前期全局快速寻优后期局部精确寻优,同时为保持粒子的多样性,对磷虾个体进行遗传算法中的交叉操作,并设计了新的交叉概率更新公式;最后,在标准磷虾算法的基础上分析了改进算法的收敛性,并选用一种单静态非增长模型进行仿真试验.仿真结果表明,所提出的算法与标准粒子滤波以及粒子群、蝙蝠算法优化的粒子滤波相比具有更高的状态估计精度和更小的均方根误差,粒子的分布更合理.

基于RBPF的激光SLAM算法优化设计

针对基于RBPF的激光SLAM算法在重采样过程中出现的样本贫化和激光测量模型不准确的问题,提出一种优化的激光SLAM算法。为缓解重采样过程中的样本贫化问题,采用最小采样方差重采样方法改进原重采样方法,使重采样后的粒子保持多样性。结合似然域模型与意外对象观测概率,使激光测量模型更好地反映真实环境。实验结果表明,改进的重采样方法定位效果较好,相对原激光SLAM算法,改进的激光SLAM算法在动态环境中的建图和定位精度更高。

基于微分进化的组合重采样粒子滤波算法

针对粒子滤波重采样带来的样本贫化问题,设计了微分进化组合重采样算法。通过引入微分进化算法的交叉变异操作保持了粒子多样性;同时将残差重采样和微分进化重采样算法组合起来,克服了单纯微分进化重采样的时滞性问题。蒙特卡罗仿真表明,所研究的算法在精度上有很大的提高,并且实时性较好。算法效率提高了1倍,只需300个粒子就可以达到残差重采样粒子滤波1000个粒子的效果,而且实时性提高了很多。

基于无迹卡尔曼滤波和权值优化的改进粒子滤波算法

针对传统粒子滤波面临的重要密度函数的选取和粒子多样性丧失引起的样本贫化问题,提出基于无迹卡尔曼滤波和权值优化的改进粒子滤波算法。与传统的粒子滤波算法相比,有两点改进:首先该算法采取无迹卡尔曼滤波产生建议分布函数;其次,在重采样过程,提出基于权值优化的改进重采样算法来增加粒子的多样性。仿真结果表明,改进算法降低了粒子滤波算法的粒子退化程度并避免样本贫化现象的出现,更加接近真实值,提高了跟踪精度。

基于智能优化粒子滤波算法的人体运动目标跟踪

粒子滤波算法应用于目标跟踪时,存在样本贫化和计算量大的问题,提出了一种基于智能优化粒子滤波算法。利用粒子群算法良好的局部寻优和全局寻优能力对重采样之后的粒子集进行操作,使粒子可以智能地合作起来,减轻样本贫化。实验结果表明,该算法实时性强,提高目标状态的估计精度,缩短了计算时间,其滤波性能优于常规粒子滤波算法。

一种基于传统粗化策略的改进粒子滤波算法

粒子滤波算法是一种重要的处理非线性、非高斯模型的推理算法,针对标准粒子滤波算法中存在的样本贫化问题,提出了一种新的基于传统粗化策略的改进粒子滤波算法。该算法首先利用带有簇类合并的K-means聚类算法对粒子进行聚类,再计算每个簇内状态变量的两个估计值之间的向量差值,将其作为粒子移动的指引方向。仿真结果证明,带有簇类合并的K-means算法的聚类效果优于标准K-means算法聚类效果,而且提出的粒子滤波改进算法加快了带有传统粗化策略的标准粒子滤波算法的收敛速度。

入侵式野草优化粒子滤波方法

针对粒子滤波存在的样本集贫化现象,将入侵式野草优化思想融入粒子滤波的采样阶段,提出了一种入侵式野草优化粒子滤波方法。该方法通过优化采样过程并融合最新观测值,使粒子以自身权值在附近搜索空间动态繁衍,优胜劣汰出具有最优权值的粒子集,以指导粒子向后验概率的局部高似然域运动,增加了样本多样性而缓解样本集贫化现象。试验结果表明,该方法具有较高估计精度与运行效率。

基于权值优选的改进二阶中心差分粒子滤波算法

针对标准粒子滤波算法难以解决的粒子退化问题和样本贫化现象,提出了基于权值优选的改进二阶中心差分粒子滤波算法。该算法主要从以下两方面进行改进:首先采用二阶中心差分滤波方法通过协方差矩阵的平方根来产生重要性密度函数,从而解决粒子退化问题;然后通过重采样方法的利用权值优选的思想来增加粒子集的多样性,有效避免了样本贫化的现象。仿真结果表明:该算法状态估计结果更加接近目标真实的状态估计,平均均方根误差也更低,跟踪效果更佳,同时保持了较高的运算效率。

基于多簇聚类粒子滤波的雷达目标检测算法

基于粒子滤波(PF)的似然比统计检测方法,解决了非线性非高斯条件下外辐射源雷达系统难以推导似然比检测统计量的问题,但是PF存在的样本贫化问题会影响算法的检测性能。针对PF算法中样本贫化造成雷达目标检测性能下降的问题,提出了一种多簇聚类PF改进算法,该算法使用K-Means聚类算法将粒子划分为多个粒子簇,利用PF的最大似然粒子状态与当前粒子簇状态均值之间的向量差,对当前粒子簇中的粒子进行状态补偿。仿真结果表明,提出的多簇聚类PF算法比传统的粗化策略PF算法具有更好的检测性能,在相同的虚警概率条件下,检测能力提升8%。