改进粒子滤波的无线传感器网络目标跟踪算法

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.     

利用遗传粒子滤波的单通道扰信盲分离算法

针对低信噪比条件下单通道通信信号与干扰盲分离问题,本文提出了一种基于遗传粒子滤波的单通道盲扰信分离新算法.该算法首先建立了受扰信号的状态空间模型,并利用粒子滤波得到通信码元和未知参数的最大后验估计.针对标准粒子滤波中存在的粒子退化现象,本文引入了遗传进化操作来迭代估计优质粒子,在减少了所需粒子数量的同时,又保持了序贯估计过程中粒子集合的多样性和优质性,使新算法在低信噪比条件下具有更好的分离效果.仿真结果表明,新算法在干信比小于15 dB,信噪比大于10 dB的条件下,可以有效地从单路接收的受扰信号中分离出通信信号与干扰.     

利用粒子流滤波的单通道BPSK信号盲分离算法

由于粒子滤波本身的"粒子贫化"问题,导致基于传统粒子滤波的单通道信号盲分离算法分离性能恶化以及计算量较大,本文提出了一种基于粒子流滤波的单通道BPSK信号盲分离新算法。根据由两路BPSK信号混合的单通道信号,构造了测量方程和状态方程。然后,通过将状态空间中服从先验分布的粒子移动到其对应的后验分布上,实现了粒子更新,其不同于粒子滤波采用重采样来更新粒子,避免了"粒子贫化"现象发生。最后,采用一种基于弱解形式的粒子流滤波器实现BPSK信号的盲分离。计算机仿真结果表明,与粒子滤波算法相比本文算法具有更低的误码率和计算复杂度。     

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。     

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.     

基于进化采样的粒子滤波算法

在粒子滤波算法中, 重采样的引入有效地改善粒子退化现象, 但同时也导致了粒子多样性减弱问题的产生. 本文给出了一种基于进化采样的改进粒子滤波算法. 该算法在重采样过程后, 首先根据马尔可夫链蒙特卡罗(Markov-Chain-Monte-Carlo, MCMC) 技术和遗传算法中的模拟二进制交叉原理生成候选粒子, 并利用适应度函数完成对于其权重的度量. 然后结合当前时刻的重采样粒子构建候选粒子集, 进而提升了重采样后粒子的多样性, 最终依据粒子自身的权重实现粒子的优选. 仿真结果表明: 该算法可有效地提高     

目标跟踪的自适应双重采样粒子滤波算法

针对传统粒子滤波存在的粒子退化、贫化问题及粒子集个数不能自适应改变带来的滤波精度和收敛速度下降的问题,提出一种基于双重采样的自适应粒子滤波算法。该算法首先利用观测新息来确定重采样粒子分布方案,然后在首次重采样基础上,采用粒子交又聚合算法进行二次重采样,提高了粒子的使用效率,避免了由于使用过多粒子而增加计算量的问题。基于DR/GPS的实验仿真结果表明,与传统的PF算法相比,该算法有效提高了滤波精度和稳定性。     

一种改进重采样的粒子滤波算法

针对粒子滤波重采样过程中存在的粒子多样性丧失问题,提出一种改进重采样的粒子滤波算法。按照局部重采样算法对粒子进行分类,中等权值的粒子保持不变,大、小两种权值的粒子采用Thompson-Taylor算法进行随机线性组合产生新粒子。实验结果表明,该算法能在降低计算复杂度的同时不丧失粒子多样性,提高了滤波性能。     

自适应不完全重采样粒子滤波器

针对传统重采样算法易引起粒子贫化的问题,提出了自适应不完全重采样粒子滤波 (A particle filter based on adaptive part resampling, APRPF)算法. APRPF以分步的方式仅对部分粒子进行重采样,以递推的方式计算表征 粒子退化程度的度量函数(Measurement of particle degeneracy, MPD),直到满足给定条件.重采样后的粒子由新生粒子 和未参与重采样的粒子组成,前者的存在有助于缓解退化问题,后者可使粒子集保 持一定多样性.实验结果表明,与标准粒子滤波(Sampling importance resampling, SIR)、辅助变量粒子滤波(Auxiliary particle filter, APF)、正则化粒子滤波(Regularized particle filter, RPF) 三种滤波器相比, APRPF的估计精度高;由于平均重采样次数少,计算量也小.     

基于模糊支持度采样的粒子滤波算法

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。     

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,为了解决这个问题重采样被引入。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。本文在部分重采样的基础上,提出了自适应部分系统分重采样算法,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的提高了粒子滤波的性能,减少了运行的时间。     

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。     

改进PF算法在煤与瓦斯突出AE信号去噪中的研究

煤与瓦斯突出会产生声发射信号（acoustic emission,AE）,针对提取较纯净有效的AE信号问题,提出一种邻域动态调整（D）果蝇算法（fruit fly algorithm,FOA）智能优化粒子滤波（particle filter,PF）的去噪方法。利用果蝇个体表征PF中的每个信号点粒子,优化粒子滤波的重采样过程,并通过动态调整邻域粒子数量来改善果蝇算法的寻优能力和收敛速度。以均方根误差和信噪比为评价指标,对信号采集系统获取的煤与瓦斯突出AE信号分别用标准粒子滤波、果蝇优化粒子滤波、改进粒子滤波去噪,结果表明,改进粒子滤波法的信噪比提升了15.3 dB左右,且均方根误差最低。和其他两方法相比,改进粒子滤波去噪效果最优。     

基于激光扫描测距的机器人粒子滤波定位技术研究

传统的粒子滤波即时定位与地图构建(SLAM)算法在构建地图和目标进行自主定位时,粒子数量大,占用的内存高,重采样之后容易出现粒子匮乏现象,为了提高机器人自主定位的效率,提出了一种改进的重采样策略和粒子更新策略,融入系统模型.在装有机器人操作系统(ROS)的旅行家移动机器人上进行测试,实验结果表明:方法能够有效提升粒子滤波定位的效率.     

基于小生境遗传算法的粒子滤波算法

重采样是解决粒子滤波退化问题的主要方法,重采样的基本思想是采取复制保留权值较高的粒子,删除权值较低的粒子,而这导致了粒子多样性的减弱,特别是在样本受限条件下,甚至导致滤波发散。针对上述问题,提出改进的粒子滤波算法,将Mean Shift与粒子滤波融合,在重采样部分引入小生境遗传算法,提高粒子的多样性,避免粒子退化。实验表明,改进后的算法状态估计精度更高,效果更好。     

基于混沌免疫遗传优化的粒子滤波重采样

针对粒子滤波算法中粒子多样性退化问题,提出一种利用混沌免疫遗传算法进行重采样的粒子滤波改进方法。该算法利用混沌的局部寻优加快搜索速度;通过免疫原理的浓度计算及加入新的混沌序列来增加种群的多样性,提高全局搜索能力,避免早熟收敛。实验结果表明该方法与基于免疫遗传算法的重采样相比较,具有更好的全局寻优能力和更快的收敛速度。     

基于仿生算法改进粒子滤波的SLAM算法精度预测

为解决传统粒子滤波算法重采样时产生的样本退化及样本贫乏带来的机器人定位与建图精度下降问题,提出一种基于改进仿生算法的粒子滤波.该算法将粒子最新时刻的观测与状态信息引入亮度公式,并将萤火虫的优胜劣汰和位置更新机制融入粒子滤波算法,以提高粒子的滤波能力.为保证算法的收敛速度和预测精度,在萤火虫位置更新过程中引入自适应调整步长进行即时修正;基于标准粒子滤波重采样的缺陷,采取分步重采样策略,通过偏差修正指数加权算法制定高效的舍小保大方案,并合理使用剩余大权值粒子完成粒子的复制和添加.仿真验证表明,所提出的改进算法可以明显提高传统粒子滤波的预测精度,且应用到基于移动机器人运动模型的定位与建图时可保持较高的定位精度和较好的稳定性.