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。

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。

基于局部信息优先的代数多重网格粗化策略

网格粗化是实施代数多重网格方法的重要步骤之一。在网格粗化过程中,当出现多个最大集合势相同的网格点时,经典网格粗化策略中的集合势并不能精确表征网格点的整体强弱连接强度,导致网格粗化路径不唯一并影响后续求解阶段的计算效率。为克服这一不足,本文提出了一种基于局部信息优先原则的网格粗化策略,并发展了基于局部信息的整体强弱连接系数判别法和基于局部信息的二次粗化阈值判别法两种实施方法。数值计算表明:与经典网格粗化策略相比,本文提出的网格粗化策略可精确表征网格点之间的整体强弱连接强度,有效优化网格粗化路径,并在一定程度上提高了求解阶段的计算效率。