基于MCMC方法的正则粒子滤波算法及其应用

粒子退化现象是一般粒子滤波无法避免的问题。通过分析该现象产生的原因,提出了将MCMC(马尔可夫链蒙特卡罗)方法应用于正则粒子滤波算法(RPF),与采样重要重采样(SIR)粒子虑波算法比较,此算法不仅克服了粒子退化现象,而且解决了重采样带来的采样枯竭的影响,仿真和实验结果表明:该算法在滤波精度和自适应调整粒子个数方面比SIR粒子滤波有很大的提高。

一种多样性引导的进化粒子滤波

粒子滤波(PF)算法存在的主要问题是粒子退化现象,利用重抽样过程可以有效减轻退化现象,但带来了采样枯竭问题,导致滤波精度下降.本文提出一种多样性引导的进化粒子滤波(DEPF),把粒子群优化(PSO)算法引入到传统PF中,通过PSO搜索寻优重新分配粒子,使粒子的表示更加接近真实后验,并在PSO的搜索寻优过程中使用多样性引导机制来保证所得粒子集的多样性,以提高PF的精度.仿真实验结果表明了该算法的有效性.

基于裂变繁殖粒子滤波的检测前跟踪算法

针对粒子滤波检测前跟踪(PF TBD)算法存在采样枯竭现象的缺点,提出基于裂变繁殖粒子滤波的检测前跟踪算法。该算法结合检测前跟踪问题的特点,根据代表目标有无的存在变量将粒子分为死亡、新出生和继续存活三类粒子集,其中对继续存活的粒子集进行裂变繁殖操作。裂变繁殖操作增加了粒子的多样性,有效克服了采样枯竭现象。仿真实验验证了所提算法检测性能稳定可靠,跟踪精度高。