粒子群优化人工免疫粒子滤波器

为解决粒子滤波算法中存在的粒子退化和样本枯竭问题,提出一种新的粒子滤波算法.利用粒子群优化思想促使采样粒子向高似然区域移动,减缓粒子权值的退化;再通过人工免疫算法中的变异操作扩大算法寻找最优值的范围并增加粒子的多样性,避免算法陷入局部最优,增强算法的全局搜索能力,进而缓解样本枯竭.实验表明,该算法比标准粒子滤波的状态估计精度提高近40倍,比扩展卡尔曼粒子滤波提高近28倍,比无迹卡尔曼粒子滤波提高近6倍,滤波效率为37.523％,是标准粒子滤波的37倍,该算法具有更好的实时性和更高的状态估计精度,能有效缓解粒子的退化和样本的枯竭.     

基于改进的粒子滤波的视觉跟踪算法

通过对基于粒子滤波算法的运动目标跟踪技术进行研究,并针对粒子滤波算法的退化现象做出了两方面的调整。第一,对粒子滤波的重采样阶段做出了改进,在粒子上添加一个微小的高斯干扰,使得重采样的粒子分布发生变化,同时使采样枯竭得到了抑制;第二,经过一段时间的跟踪后,将跟踪目标重新初始化,继续跟踪,使得跟踪结果更加完善。通过自适应调整跟踪目标的窗口,使其大小改变,背景中的颜色尽量没有与跟踪目标相同的颜色。实验结果表明。这种改进过的粒子滤波算法能够在复杂的情况下进行跟踪,并且跟踪性能优于Meanshift方法。     

一种基于重要性权值选择的粒子滤波方法

针对粒子滤波算法存在计算量大和重采样过程带来计算量的扩张随粒子数的增加而成级数增加的问题,改进了一种基于重要性权值选择的粒子滤波方法．该方法运用重要性权值选择准则去除无效粒子而保留对状态估计贡献较大的粒子,每一状态时刻都根据权值选择的结果决定所要利用的粒子及其数目．仿真结果表明,该方法不仅保持了较高的滤波性能,而且能有效减小算法的计算量,有利于工程实现．     

渐消自适应Unscented粒子滤波及其在组合导航中的应用

提出一种新的渐消自适应Unscented粒子滤波算法,通过Sigma点来获取状态估值和协方差阵,利用渐消因子自适应的调节权值大小,得到一种参数可调节的重要性密度函数。该重要性密度函数考虑了最新量测的影响,更合理地利用有效信息,保证了粒子多样性,使滤波性能明显改善,能更好地解决非线性非高斯系统模型的滤波问题。将提出的算法应用于SINS/SAR组合导航系统中,与扩展Kalman滤波和渐消自适应扩展Kalman滤波比较,仿真结果表明,提出的滤波算法能提高导航解算的精度,其性能明显优于扩展Kalman滤波和渐消自适应扩展Kalman滤波。     

离散不确定系统的两步鲁棒滤波方法及在飞行试验中的应用

提出了一种离散系统的两步处理鲁棒滤波方法。为了得到鲁棒滤波计算式，采用了上界不等式逼近和等效系统矩阵，得到了鲁棒滤波的时间更新算法，以及下界不等式逼近和等效观测矩阵，得到了鲁棒滤波的测量更新算法。并且，利用矩阵反逆公式简化了时间更新和测量更新表达式的结构。为了便于工程应用，给出了鲁棒滤波算法收敛的条件。飞行试验数据处理的结果表明，中提出的方法是有效的。     

万有引力优化的粒子滤波算法

针对经典粒子滤波中存在的粒子易退化、易丧失多样性以及滤波精度严重依赖于粒子数量的问题,提出一种万有引力优化的粒子滤波算法．通过万有引力算法优化粒子滤波中的粒子集来提高滤波精度．首先将每个粒子看做质量大小正比于粒子权值的点,粒子间的引力吸引着粒子向高似然区域移动,从而优化粒子集．然后利用精英粒子策略加快万有引力优化算法中粒子收敛速度,并避免粒子陷入局部最优; 引入感知模型防止过度收敛导致的粒子拥挤或重叠．仿真实验表明,该算法在粒子数较少的情况下与经典粒子滤波算法和粒子群优化粒子滤波算法相比,保持了更好的粒子滤波精度和速度．     

基于迭代sigma点粒子滤波的再入目标跟踪

标准粒子滤波提议分布选择时,由于没有计入最近的观测值信息,重要性权的方差随时间递增,导致权值蜕化。针对这一问题提出了一种新的滤波算法,迭代sigma点粒子滤波算法。该算法在预测时采用sigma点粒子滤波产生拟合概率密度函数的加权粒子,并通过观测值对加权粒子进行更新;修正过程采用迭代卡尔曼滤波优化预测阶段得到的描述状态分布的均值和方差。将其运用于再入大气层目标的跟踪模型,仿真结果表明:与标准粒子滤波相比,该算法能保证滤波收敛,具有更高的估计精度和更好的鲁棒性。     

和声搜索粒子滤波视觉跟踪

为了降低粒子滤波精度对精确重要性采样函数的依赖性,提高粒子滤波的视觉跟踪效果,将和声搜索引入到粒子滤波框架中,提出了一种基于和声搜索的粒子滤波视觉跟踪算法.通过记忆考虑、基因变异、随机变异等和声搜索算子结合当前观测信息,改善了粒子滤波视觉跟踪算法的重要性采样函数,增强了重要性采样函数对系统状态转移模型的鲁棒性.同时,对和声搜索参数进行了优化,平衡了视觉跟踪实时性和精确性的要求,并对粒子的权重进行了补偿,使其符合粒子滤波的理论基础贝叶斯估计.实验结果表明:优化的和声搜索参数,比常见参数更适合和声搜索粒子滤波;与基于粒子滤波、和声搜索、Mean-Shift改进的粒子滤波、分布场、多示例学习等视觉跟踪算法相比,和声搜索粒子滤波视觉跟踪算法能够在光线变化、遮挡等复杂场景下获得了更精确的视觉跟踪效果.和声搜索粒子滤波算法较好地结合当前观测与历史信息,获得鲁棒的视觉跟踪性能.     

基于粒子滤波的跳频信号频率跟踪方法

针对跳频信号的参数估计问题,提出一种基于粒子滤波的跳频信号频率实时跟踪方法.首先建立以跳频瞬时频率为系统状态的状态空间模型,然后通过基本粒子滤波算法序贯重要性重采样（sequential importance resampling,SIR）实现了对跳频信号频率的后验概率密度估计,进而得到频率的实时估计;为进一步提高粒子滤波的跟踪性能,提出一种基于ESPRIT辅助的粒子滤波（auxiliary esprit particle filtering,AESPRIT-PF）算法.仿真实验分析了在不同信噪比和不同粒子数目下算法的跟踪性能,结果表明该算法具有稳健的跳频频率实时跟踪能力,是一种有效的跳频信号参数估计方法.     

基于无味粒子滤波的动态场景下高机动目标跟踪

针对传统粒子滤波的目标跟踪算法存在粒子退化问题,提出了基于无味粒子滤波(UPF)的目标跟踪算法。为了将当前观测信息融入,采用无味卡尔曼滤波(UKF)生成粒子滤波的提议分布,以改善滤波效果。针对目标在机动过程中引起的视觉形变以及背景的变化,又采用了颜色直方图作为目标的颜色分布模型,并与UPF相融合。仿真结果表明,该算法对动态场景下的高机动目标有较好的跟踪效果。     

基于改进的迭代容积卡尔曼滤波姿态估计

为了充分利用新的量测信息,提高姿态估计的精度,在分析现有迭代滤波策略存在问题的基础上,采用一种新的容积点迭代策略,将其与容积卡尔曼滤波算法相结合,提出了一种改进的迭代容积卡尔曼滤波(improved iterated cubature Kalman filter, IICKF)算法．该算法采用容积数值积分理论近似非线性函数的均值与方差,利用状态扩维理论来解决量测迭代中量测噪声与状态相关的问题,同时利用一种新的容积点迭代策略,即在量测迭代过程中直接采用容积点迭代,避免每步迭代都进行均方根计算来产生容积点,克服传统迭代策略是基于高斯近似产生采样点的局限,有效地降低扩维带来的计算量．仿真结果表明：该算法的估计精度高于乘性扩展卡尔曼滤波(multiplicative extended Kalman filter, MEKF)以及迭代容积卡尔曼滤波(iterated cubature Kalman filter, ICKF)算法,该算法的提出有助于提高姿态估计的精度．     

等式状态约束下的粒子滤波算法

针对具有等式状态约束的非线性高斯系统滤波问题,在粒子滤波过程中,通过投影方法将状态向量投影到状态约束子空间,利用拉格朗日乘子法求解修正后的状态向量.由于在粒子滤波算法中可以针对状态估计或者粒子集修正,因此,对应了两种能够处理等式状态约束的粒子滤波方法.新方法与常规粒子滤波算法相比滤波误差明显降低.仿真结果验证了新方法的...     

粒子滤波算法在BDS高铁铁轨静态形变监测中的应用研究

高铁因每天清晨需要6h的空窗期维修时间而无法通行,社会的发展需要减少空窗期时间来提高高铁运转效率。传统的基于北斗卫星导航系统(BeiDou Navigation Satellite System, BDS)的高铁铁轨路基的形变监测系统需要一天的观测时长对路基进行精确的监测,这远超高铁空窗期的观测时长无法对提高高铁运转效率起到作用。针对这种情况,在原形变监测解算算法上加入粒子滤波算法,尝试将观测时长缩减到高铁空窗期内;同时,在采样数据大幅度下降的情况下确保解算的监测点坐标值满足高铁路基的定位精度要求。本文利用广汕高铁的BDS形变监测系统的实测采样数据进行实验仿真,验证了粒子滤波算法加入后的有效性。实验结果表明,在粒子滤波算法加持下,观测时长缩减到15 min可确保监测点解算坐标值的$ A,B,H $ 3个方向精度均满足高铁路基定位的±5 mm精度要求,为减少高铁空窗期时间,提升高铁运转效率提供了有效的方法和思路。     

航天器相对视觉／IMU导航量测修正多速率滤波

针对具有单目视觉和惯导组件(IMU)的航天器相对导航问题,研究了以量测信息为修正手段的异速滤波算法.异速滤波也就是多速率卡尔曼滤波器,其中滤波过程被分解为量测更新和时间更新,根据实际情况选取滤波器周期,一般可选取频率较快的系统采样周期作为组合导航系统的滤波周期,根据是否有慢速信息决定在滤波时刻进行时间更新或者量测更新.为增强滤波器对观测信息的适应能力,设计利用量测信息对滤波量测噪声阵和状态估计误差协方差阵进行后验修正.理论分析和数学仿真均表明,基于量测修正的多速率卡尔曼算法能够提高滤波器的数据更新频率,同时改善滤波器的性能,提高导航系统的冗余度.     

多方法融合的粒子滤波算法的神经丝自动跟踪

神经丝蛋白质是医学中研究肌萎缩侧索硬化症病情进展的标志物.为了能精确捕获某种神经丝蛋白质在神经鞘中的活动特性,引入了一种多方法融合的粒子滤波算法跟踪神经丝蛋白质的运动.该算法汲取颜色直方图法、核函数法及图模法等的优点,融合粒子滤波算法,实现自动跟踪神经丝蛋白质.此外,为了解决粒子滤波中样本贫化,即在粒子滤波计算中很大一部分粒子重叠到一个单独的点上的情况,需要重采样计算解决此问题.但在重采样过程中,容易造成一些粒子丢失各向异性而导致跟踪精度降低,甚至跟踪目标失败,故结合粒子滤波算法提出了一种改进重采样约束方法.实验结果表明,基于改进重采样法及多方法融合的粒子滤波算法较传统算法能有效地减少样本贫化问题,并且可以高精度地跟踪移动、变形的神经丝蛋白质,为医学中神经丝蛋白质研究提供了新支撑方法.     

基于对称KL距离的自适应粒子滤波算法

针对粒子滤波算法中粒子数自适应的问题,提出了一种新的算法.将当前滤波时刻的粒子随机划分为粒子数相同的两个粒子群,并采用对称KL距离方法计算他们之间的信息距离,然后根据信息距离的大小决定增加或者减少下一时刻参与滤波的粒子数,从而实现了滤波过程中粒子数目的自适应.该方法在确保一定滤波精度的基础上,能够减少滤波过程中需要的粒子数,为降低粒子滤波算法的时间复杂度提供了新的途径.仿真结果表明了算法的有效性.     

均匀重采样粒子滤波器在SINS初始对准中的应用

针对标准粒子滤波算法中存在的样本贫化问题,提出一种在随机重采样中加入均匀采样的均匀重采样方法,不但可以保证标准粒子滤波算法逼近精度,同时能通过保留被抛弃粒子的分布范围增加粒子的多样性.针对捷联惯性导航系统的初始对准问题,应用这种均匀重采样的粒子滤波算法进行了仿真研究.仿真结果表明,在初始方位失准角为10°的情况下,均匀重采样粒子滤波算法的对准精度高于标准的粒子滤波算法,初始对准的稳定性也得到了有效改善.     

基于多模型粒子滤波的机动多目标跟踪算法

针对密集杂波环境下机动多目标跟踪中系统强非线性以及运动模式切换对于滤波精度的不利影响,提出了一种基于多模型粒子滤波的机动多目标跟踪算法.新算法实现了多模型粒子滤波和广义概率数据关联算法的有机结合.通过在粒子状态采样过程中引入模型信息改善了交互式多模型和粒子滤波结合中导致的计算量膨胀问题,并利用广义概率数据关联算法实现回波的有效确认和回波信息的充分利用.给出了应用该方法的具体步骤,最后,理论分析和仿真实验证明该算法的有效性.     

迭代扩展卡尔曼粒子滤波器

提出了一种基于迭代扩展卡尔曼的粒子滤波新方法．该方法利用迭代扩展卡尔曼滤波的最大后验概率估计产生粒子滤波的重要性密度函数,使重要性密度函数能够融入最新观测信息的同时,更加符合真实状态的后验概率分布．仿真结果表明,提出的迭代扩展卡尔曼粒子滤波的估计性能要明显优于标准的粒子滤波、扩展卡尔曼粒子滤波和unscented 粒子滤波．     

一种集群智能粒子滤波算法

将集群智能思想引入粒子滤波,提出一种新颖的基于人工鱼群算法的粒子滤波器.该算法利用人工鱼群算法中觅食行为和聚群行为的交替,使得先验粒子不断向高似然域移动,从而改善粒子分布,提高估计精度．此外,利用Kullback信息描述聚群行为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．仿真实验证明,这种算法是一种有效的粒子滤波算法,其滤波性能优于扩展卡尔曼滤波和常规粒子滤波．