一种新的进化裂变粒子滤波算法

针对经典自举粒子滤波中的重要性函数选取和重采样所导致的样本枯竭问题,提出了一种基于进化裂变的改进粒子滤波算法．该算法首先采用无迹卡尔曼滤波算法产生重要性函数,然后对重要性采样粒子进行裂变通过进化策略更新粒子集以增加粒子多样性,从而克服经典自举滤波重采样过程中的粒子退化问题．仿真实验表明,该算法能有效地提高跟踪精度, 跟踪性能优于经典粒子滤波算法．     

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.     

基于支持向量机粒子滤波的目标跟踪算法

针对传统粒子滤波目标跟踪算法存在的粒子退化问题,提出了一种新的基于支持向量机的粒子滤波目标跟踪算法。该算法利用滤波过程中的预测粒子集及其权值,使用支持向量机估计出系统状态的后验概率密度,再根据该概率密度重采样更新粒子集,以提高粒子的多样性,从而克服粒子的退化现象。仿真结果表明,该算法能显著增加有效粒子的数量,其目标跟踪精度优于马尔可夫链蒙特卡罗移动方法以及正则粒子滤波算法。     

粒子滤波算法在目标跟踪中的应用

粒子滤波算法通过非参数化蒙特卡罗仿真方法实现递推贝叶斯滤波,基于序贯重要性采样的粒子滤波算法无法避免粒子退化问题;通过在滤波初始化阶段对初始化粒子进行优化选择,在重采样阶段使用非排序的基于权重的重采样算法对粒子滤波算法进行了改进,从一定程度上解决了粒子退化问题;仿真验证,本算法在保持与传统粒子滤波算法运算时间的条件下,提高了粒子滤波算法的估计精度,从而提高了其在机动目标跟踪中的性能.     

一种适用于无线传感器网络的遗传粒子滤波跟踪算法

针对WSN遗传粒子滤波跟踪算法的粒子集退化的问题,提出了一种改进的遗传粒子滤波跟踪算法,该算法在遗传交叉过程中同时随机选取新旧粒子集中的粒子进行交叉,充分利用了父代优良基因,并给出了交叉、变异概率等参数的选取方法.仿真结果表明:与原算法相比,改进的遗传粒子滤波算法在大噪声条件下改善了粒子贫乏问题,提高了跟踪精度.     

一种新的改进粒子滤波算法

标准粒子滤波算法存在的最大问题是粒子退化,针对这一问题,提出了一种改进的粒子滤波算法,该算法将无迹卡尔曼滤波算法(UKF)、混合遗传模拟退火算法和基本粒子滤波算法相结合,运用无迹卡尔曼滤波算法获得重要性函数,提高了粒子的使用效率; 运用混合遗传模拟退火算法的进化思想,提高了粒子的多样性．仿真结果表明,新算法很好地解决了基本粒子滤波算法存在的粒子退化问题,提高了系统的滤波精度和稳定性(在信噪比为16dB时,精度提高80％以上),较好地抑制了噪声的干扰．     

GPS/DR车辆组合导航改进的粒子滤波算法研究

粒子滤波是一种基于Monte Carlo仿真的最优回归贝叶斯滤波算法,在组合导航系统的观测精度较低时能获得较好的滤波效果,但在观测精度较高时,不但可能导致滤波发散,而且存在重要性分布函数难以选取,出现粒子退化的现象。为了克服这些缺点,文章研究GPS/DR车辆组合导航改进的粒子滤波算法,提出了基于改进粒子滤波算法的GPS/DR车辆组合导航信息融合技术。采用马尔科夫链蒙特卡洛(MCMC)移动方法,移动粒子样本到状态空间中的新位置,既保证了移动后的粒子样本和实际概率函数同分布,又防止了大量后选粒子被拒绝。用改进的粒子滤波算法和扩展Kalman滤波算法,分别对GPS/DR车辆组合导航系统进行仿真实验,结果表明,改进的粒子滤波算法能减小导航定位误差,滤波性能明显优于扩展卡尔曼滤波。     

基于高斯Sigma点选取的改进UPF算法

针对标准粒子滤波存在的粒子退化现象,提出了一种改进的UPF算法。该算法采用基于高斯Sigma点选取的自适应无味卡尔曼滤波产生建议分布函数,然后利用MetropolisHastings(MH)方法优化粒子,提高了对系统后验概率密度的逼近程度。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,提高了跟踪精度。     

一种基于粒子群优化的粒子滤波改进算法

粒子群优化粒子滤波算法能有效改善粒子退化问题,但其适应度函数受量测噪声方差影响较大,限制了滤波精度的提高.为此,提出了一种基于粒子群优化的粒子滤波改进算法.该算法给出一种新的适应度函数,用当前状态估计值与各粒子状态的差值大小作为评价标准,使得最终优化粒子受噪声方差影响减小,在量测模型精度高的场合中提高了滤波精度.理论分析及仿真结果表明,本文所提算法的滤波性能优于标准粒子滤波与粒子群优化粒子滤波算法.     

基于强跟踪-扩展卡尔曼粒子滤波的巡航段自主导航方法

通过对探测器巡航段状态方程和观测方程非线性问题的研究,提出一种强跟踪扩展卡尔曼粒子滤波(ST-EPF)算法,并将其应用于巡航段自主光学导航的方案中,由此来实时确定探测器的轨道。所提出的改进粒子滤波算法是将强跟踪扩展卡尔曼滤波引入粒子滤波来更新粒子,产生重要性密度,缓解粒子退化和样本贫化问题,以提高导航系统对状态突变的跟踪能力。通过仿真表明,改进粒子滤波算法在探测器轨道参数精度和方差预报的有效性方面有了较大地提高,能够适应快速变化的飞行环境,而且滤波精度明显的优于EPF滤波算法。