共查询到17条相似文献,搜索用时 159 毫秒
1.
针对粒子滤波中重采样导致粒子多样性减弱造成的滤波精度下降问题,给出了一种基于模糊支持度采样的改进粒子滤波算法;该算法在重采样过程后,首先根据MCMC(Markov Chain Monte Carlo)原理抽取候选粒子,然后依据重采样粒子和候选粒子自身数据中的蕴含信息,并结合模糊理论构建支持度函数和支持度矩阵,以充分地提取数据中的有效信息,在增强粒子多样性的同时实现其对于粒子的优选;最后仿真结果表明,该算法可有效地提高对于系统状态的估计精度。 相似文献
2.
一种基于小生境技术的群智能粒子滤波算法 总被引:1,自引:1,他引:0
针对基本粒子滤波存在严重的退化问题和重采样技术导致粒子枯竭的问题,提出一种新型粒子滤波算法——基于小生境技术的群智能优化粒子滤波算法.通过多模寻优增强粒子的多样性和寻优能力,使得采样后的粒子向高似然区域移动,从而有效地提高了系统状态估计精度.仿真实验表明,该算法是有效而稳定的. 相似文献
3.
针对粒子滤波(PF)重采样后造成的粒子枯竭现象的问题,提出了一种基于改进重采样的粒子滤波无线传感器网络目标跟踪算法.该算法避免了残差重采样算法中的残留粒子重采样问题,减少了计算时间;通过产生新的粒子,增加了粒子的多样性,从而改善了粒子枯竭现象.仿真实验结果表明:改进重采样的粒子滤波算法提高了目标跟踪精度,降低了跟踪误差. 相似文献
4.
基于多样性向导的自适应重采样粒子滤波研究 总被引:1,自引:1,他引:0
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。 相似文献
5.
6.
7.
8.
9.
针对移动机器人同时定位与地图构建中RBPF-SLAM算法因粒子匮乏而导致栅格地图估计不精确问题, 提出一种基于高斯分布重采样的RBPF-SLAM算法.首先, 根据粒子权重大小对重采样粒子进行排序; 然后, 在重采样中利用高斯分布分散高权重粒子得到新粒子, 从而保证粒子多样性, 避免粒子匮乏, 保证栅格地图的精确构建. 实验结果表明了所提出算法的有效性, 同时也证明该算法能在粒子数减少的条件下保持可靠的估计, 有效地减少了计算量. 相似文献
10.
11.
相关滤波算法因其优越的高效性和鲁棒性被广泛应用于目标跟踪领域,但是该算法无法很好地处理目标遮挡和尺度变化等问题。针对该现象,提出了一种融合相关粒子滤波目标跟踪算法,该算法采用多个相关滤波器,学习到更多目标信息和背景信息,提高了目标与背景辨识度,并且引进了粒子滤波随机采样策略,在目标离开遮挡物时能够快速捕捉到目标。在尺度估计中引入了多尺度因子,对定位到的目标进行多尺度缩放,选用与滤波器响应值最大区域对应的尺度因子作为缩放比例,从而对目标进行尺度更新;粒子滤波算法随着粒子数目的增加,其计算量也随着增加,针对该问题,提出了基于粒子繁衍的重采样算法,在跟踪效率上做了提升。对提出的算法进行了三部分对比实验,实验结果验证了提出算法在处理目标遮挡和尺度变化问题上的有效性。 相似文献
12.
粒子退化和计算量较大是限制粒子滤波应用的主要问题,常规的重采样方法虽然可以缓解粒子退化,但却容易导致粒子枯竭,且计算量较大,因此本文提出了基于混沌摄动的均值逼近粒子滤波器。按权值大小将粒子分组后,用均值替换权值较小的粒子,可使粒子从低似然区向高似然区域逼近。用Kullback信息描述均值逼近产生的粒子分布与似然分布的差别,通过迭代发现Kullback信息是递减的,从而证明该算法是合理的。混沌摄动重采样算法,用类似载波的方法将具有全局遍历性的混沌变量引入,更增加了粒子的多样性。另外,将本算法应用于某型导弹的姿态估计问题中,仿真结果显示了新算法的有效性。 相似文献
13.
针对粒子滤波算法中粒子退化现象及重采样所带来的粒子贫化问题,提出一种基于人工鱼群的无轨迹粒子滤波算法。采用无轨迹变换选取优化的重要性密度函数,将人工鱼群的智能思想引入到粒子滤波中代替重采样过程,通过觅食、聚群和追尾行为找到全局最优位置,驱动粒子向最优点靠近,从而增加粒子多样性。仿真结果表明,与传统的无轨迹粒子滤波和常规粒子滤波相比,该算法在估计精度上有显著的提高。 相似文献
14.
15.
为了解决粒子滤波(PF)的无线传感器目标跟踪中样本贫化导致的精度较低的问题,提出了自适应蝙蝠粒子滤波的WSN目标跟踪方法。通过自适应的蝙蝠算法的滤波算法优化粒子重采样过程,结合最新的观测值定义粒子的适应度函数,引导粒子整体上向较高的随机区域移动。同时利用动态自适应惯性权重探索新的粒子位置更新为设计机制,引入动态适应惯性权重值, 有效调整全局探索和局部探索适应能力、改善粒子贫化和局部极值问题,增加粒子群多样化从而提高跟踪性能。实验结果表明,自适应蝙蝠粒子滤波算法重采样方法可以防止粒子的退化,增加粒子的多样性,减少跟踪误差,可以减少算法的运行时间,实时追踪性能大幅提高。与BA-PF算法和PF算法相比较,IBAPF 算法的计算时间是最短的,IBA-PF算法的位置和速度的平均平方根误差最小(位置0.0311、0.0202、速度0.0262、0.0101),PF算法的跟踪精度是最低的,而IBA-PF跟踪精度较高,IBA-PF算法被证明具有良好的跟踪性能。 相似文献
16.
针对粒子滤波重采样时运算量大的问题,提出一种改进的多单元粒子滤波算法,该算法在多单元粒子滤波的理论基础上,通过加入数据采样步骤,对多个单元的粒子数据进行分组,对其采样选取各组数据的最大值,有效减少系统重采样时的粒子数,提高系统运算效率。实验结果表明:在相同的条件下,相对于多单元粒子滤波,该算法运行时间减少10倍,精度提高20倍,能够满足实时应用要求。 相似文献