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。

改进的部分分层式粒子滤波重采样算法

粒子滤波算法由于其处理非线性非高斯的能力优势,目前应用领域非常广泛。然而粒子滤波中存在的粒子退化、样贫等问题同样不容忽视,针对这些问题提出了一种改进的重采样粒子滤波算法。该方法借鉴了部分分层重采样和残差重采样的思路,通过对粒子权值大中小分类,在兼顾粒子多样性的情况下用不同策略分层次复制三个集合样本,从而优化了重采样算法。最后通过与经典粒子滤波重采样算法和其他部分重采样(PR)算法相比,以一维非线性跟踪模(UNG)和二维纯角度跟踪模型(BOT)两个模型的仿真结果验证了所提算法的滤波性能和有效性。

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。

一种改进的自适应优化粒子滤波算法研究

粒子滤波算法在非线性滤波领域受到广泛关注,但是该算法存在样本退化问题.为了改进粒子滤波算法的性能,这里结合自适应优化机制对粒子滤波算法的建议分布选择机制及重采样技术进行改进.对于粒子滤波的建议分布选择,提出一种基于自适应退火参数优化的混合建议分布方法.通过混合建议分布不足的分析,利用退火参数来优化控制状态转移先验分布函数和观测似然函数之间的比例,同时,基于自适应参数优化机制来动态调整退火参数的值.对于粒子滤波的重采样,提出了基于部分分层重采样优化算法的自适应重采样技术.通过有效样本大小的评估来执行自适应重采样策略,此外,基于部分分层重采样算法,利用权重优化的思想对其重采样前后权重计算的方法进行优化.通过相关算法的性能比较,所提改进粒子滤波算法的有效性得以验证.

粒子滤波算法改进策略研究

为了改进粒子滤波算法的性能,这里研究了一种粒子滤波算法改进策略。该粒子滤波算法改进策略包括四部分:首先,采用了结合退火参数的混合建议分布,以考虑当前观测测量值的最新信息;接着,基于有效样本大小确定自适应重采样的阈值,以保证有合适的重采样次数;然后,基于权重优化思想提出了一种改进的部分系统重采样算法,在利用算法执行速度快的同时优化部分系统重采样算法;最后,在重采样后执行粒子变异操作,以保证样本的多样性。通过仿真实验,粒子滤波改进策略的性能和有效性均得以验证。

基于自适应渐消无迹粒子滤波的Unscented FastSLAM算法

针对机器人导航无迹快速同步定位与地图构建(Unscented Fast SLAM)算法由于重采样造成样本粒子退化,进而导致估计精度下降的问题,提出一种基于自适应渐消无迹粒子滤波的Unscented Fast SLAM算法。该算法将无迹粒子滤波与渐消滤波相融合产生自适应建议分布函数,同时将粒子根据权值进行优化组合,仅对组合后的部分不稳定的粒子进行系统重采样。通过这两方面使得系统在具有高度自适应性的同时保证粒子的多样性,缓解粒子的退化现象。仿真实验表明,提出算法与Unscented Fast SLAM算法相比,可以用较少的粒子实现更高的SLAM的估计精度,很大程度上降低了SLAM算法的复杂度。

基于改进粒子滤波的射频识别室内跟踪算法

针对复杂室内环境下移动目标难以跟踪和粒子滤波容易丧失粒子多样性的问题,提出一种射频识别室内跟踪算法。将读写器接收到的信号强度指示样本值直接作为观测量建立非线性状态空间模型,给出一种带有马尔科夫链蒙特卡洛(MCMC)移动步骤的改进部分系统重采样算法,采用度量函数实现粒子集分类并进行重采样处理加入MCMC移动步骤,增加粒子多样性。应用该滤波算法对非线性单变量静态模型和上述非线性跟踪模型进行仿真,并与其他重采样滤波算法进行比较,实验结果表明,该滤波算法的滤波性能更好,跟踪精度更佳。

基于人工免疫的渐消容积粒子滤波目标跟踪算法

针对基于传统粒子滤波的目标跟踪算法过程中由于重采样造成样本粒子的退化,使得估计精度下降和实时性较差的问题,提出一种基于人工免疫的渐消容积粒子滤波目标跟踪算法。该算法将容积粒子滤波与渐消滤波相融合产生自适应提议分布函数,同时根据粒子权重大小对样本粒子进行优化重组,对重组后的不稳定粒子进行人工免疫重采样。通过优化提议分布与重采样这两方面,使得目标跟踪系统具有更高的自适应性,并且保证粒子的多样化,有效地缓解粒子退化问题。仿真实验表明,该算法与基于传统的容积粒子滤波目标跟踪算法相比,跟踪精度大大提高,同时具有更高的实时性,降低了算法的复杂度。