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.     

二阶自适应权值粒子滤波的多传感器信息融合

针对粒子滤波存在粒子质量低与粒子退化的问题,提出了一种基于二阶自适应权值粒子滤波算法。将算法分为两个阶段,首先,多传感器数据发送给相应的粒子滤波计算模块,以优化粒子分布为目的更新建议分布密度;之后,在最终的自适应权值粒子滤波模块中对多传感器数据构造完整的似然函数,同时通过欧氏距离和反映量测噪声统计特性的精度因子进行自适应权值分布调整,最终得到更精确的估计。进行实例仿真分析,所得结果验证了该算法的有效性。     

基于交互多模型的改进无迹粒子滤波算法

为了提高机动目标的跟踪精度,提出了适用于非线性非高斯系统的基于预测残差的交互多模型自适应无迹粒子滤波算法.该算法将无迹粒子滤波与交互式多模型的优点相结合,通过UT变化构造粒子滤波的建议分布函数,利用预测残差在线对测量协方差和状态协方差进行自适应调节,以改进执行和计算的有效性从而降低计算误差.仿真结果表明,与交互式多模型粒子滤波、交互式式无迹粒子滤波算法相比,该算法具有更好的跟踪精度.     

噪声未知情况下的自适应无迹粒子滤波算法

为了有效地解决系统噪声未知情况下的目标跟踪问题,提出了一种自适应无迹粒子滤波算法。该算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹卡尔曼滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明:本文方法明显地改善了系统噪声未知情况下目标的跟踪精度和稳定性。     

粒子滤波的MIMO-OFDM空频分层检测算法

针对BLAST系统应用环境中信道的频率选择性和测量噪声的非高斯性,建立了非高斯噪声环境下BLAST-OFDM系统的观测方程;通过对信道矩阵的QR分解将静态BLAST-OFDM系统的观测方程转化为空域的动态状态空间模型,并用粒子滤波进行空频分层检测;充分利用数字调制的有限字符特性,选择最优建议分布来产生粒子和更新权值,并与目前常用的抗误差传播算法相结合提出了一种新的空时分层检测算法。仿真结果表明了该算法的有效性。     

基于改进的交互式多模型粒子滤波算法

针对交互式多模型粒子滤波算法中因采样粒子缺乏最新量测信息而造成的滤波精度受限问题,在混合卡尔曼粒子滤波算法的基础上,对交互式多模型粒子滤波算法进行了改进,提出了交互式多模型混合卡尔曼粒子滤波算法,并研究了不同组合方式对跟踪精度的影响。首先用无迹卡尔曼滤波产生系统的状态估计,然后用扩展卡尔曼滤波得到粒子的重要性建议分布,充分利用量测信息,对粒子状态进行更新。仿真结果表明,所提出的改进交互式多模型粒子滤波算法目标跟踪精度优于交互多模型无迹卡尔曼粒子滤波算法以及交互多模型扩展卡尔曼粒子滤波算法,从而证明了该算法的有效性。该方法对于进一步提高非线性、非高斯环境下机动目标的跟踪精度具有重要意义。     

一种改进的粒子滤波算法

针对标准粒子滤波算法存在的粒子退化现象而导致滤波精度低的问题,研究了容积粒子滤波算法,利用最新提出的容积卡尔曼滤波算法,在粒子滤波观测更新过程中计算分布函数的均值和方差,得到能够更准确的表示概率密度函数真实分布的重要性密度函数.仿真结果表明,较之于标准粒子滤波和无迹卡尔曼滤波算法,容积粒子滤波算法滤波精确度更高,是一种理想的非线性滤波估计策略.     

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．     

基于无迹粒子滤波的电网动态谐波估计

提出一种基于无迹粒子滤波(unscented particle filter,UPF)算法的电网动态谐波估计方法.通过无迹卡尔曼滤波算法得到电网动态谐波状态量的估计值和协方差,运用这些结果改进传统粒子滤波算法的重要密度函数,采用粒子滤波算法得到电网动态谐波的最优估计值.该方法克服了无迹卡尔曼滤波算法(unscented Kalman filter,UKF)对噪声要求为高斯分布的限制和传统粒子滤波(particle filter,PF)算法易退化的缺点,保留了UKF对非线性问题的较好处理和PF强抗干扰性能力.仿真结果表明,在高斯噪声和非高斯噪声情况下,UPF算法得到的电网动态谐波幅值、相位的估计值都更接近真实值.     

卫星导航接收机自主完好性监测算法研究

针对航空导航定位高可靠性的要求和GPS接收机观测噪声分布的特点,研究将粒子滤波算法应用于接收机自主完好性监测(RAIM)中。通过粒子滤波算法对状态进行精确估计,利用对数似然比建立一致性检验统计量进行故障检测与隔离。对算法进行了数学建模,描述了完整的RAIM算法详细流程。通过实测数据对提出的RAIM算法进行验证,结果表明:粒子滤波算法在非高斯测量噪声情况下可以对GPS接收机状态进行精确的估计,利用对数似然比建立的一致性检验统计量能有效地检测并隔离故障卫星,验证了该算法应用于GPS接收机自主完好性监测的可行性和有效性。     

基于粒子群算法的模糊滤波器优化方法

根据粒子群算法可以搜索全局最优的特点,提出一种新的基于粒子群算法优化模糊隶属函数,从而对带有脉冲噪声图像进行模糊中值滤波的方法.该方法给出一个新的模糊熵定义,采用改进粒子群优化算法寻求隶属函数的最优参数,依照最大熵准则将图像变换到模糊域,然后对需要处理的噪声图像进行滤波.实验表明,提出的方法可以很好地滤除图像中的脉冲噪声,自适应性强.     

量测随机延迟下带非高斯噪声的目标跟踪算法

为解决量测一步随机延迟及非高斯噪声条件下战斗机蛇形机动模式转弯角速度辨识问题,更好地实现蛇形机动的稳定跟踪,考虑到目标状态与转弯角速度之间相互耦合的特性,基于联合估计与辨识的思想,依据极大似然准则,提出了一种基于期望最大化的目标状态估计与转弯角速度辨识联合优化算法.该算法主体包含两个部分:E-step和M-step.在E-step,首先,通过充分考虑量测一步随机延迟特性及非高斯量测噪声,重新构造了粒子滤波器的似然函数,进而改进了粒子权重的更新公式,同时,为避免粒子贫乏现象的发生,将粒子群优化算法引入到重构的粒子滤波器当中进一步改进粒子采样过程;其次,将拒绝采样思想引入到后向模拟粒子平滑器当中,并相应地设置拒绝采样终止条件,优化后向模拟粒子平滑器,进一步提高平滑算法的执行效率;最后采用改进的粒子滤波器与后向模拟粒子平滑器进一步获取目标状态的平滑量;在M-step,通过采用牛顿迭代法极大化条件似然函数,从而获得转弯角速度的估计量,用于下一次算法迭代.通过E-step和M-step的不断迭代,进而获得转弯角速度的闭环形式的优化解.仿真实验结果表明,所提算法的目标状态估计与角速度辨识的精度均优越于传统的扩维法.     

遗传粒子滤波的GPS接收机自主完好性监测

针对全球定位系统接收机观测噪声分布的特点和基本粒子滤波存在的粒子退化与采样枯竭问题,提出了一种基于遗传算法进行再采样粒子滤波与似然比方法有机结合的全球定位系统接收机自主完好性监测方法.建立了卫星故障检测的检验统计量,通过比较系统各状态累加对数似然比对卫星故障进行检测.将遗传算法中的选择、交叉和变异操作融入到粒子滤波中,提高了粒子滤波的精确性,在实数域内对粒子进行遗传操作,避免了遗传操作的编解码.实验表明,该算法在非高斯测量噪声下成功地检测并隔离故障卫星,提高了故障检测的性能,验证了该算法应用于全球定位系统接收机自主完好性监测的可行性和有效性.     

基于均值偏移粒子滤波的自适应跟踪

针对视频中运动人体的跟踪,提出了一种基于均值偏移粒子滤波的自适应跟踪算法。该算法首先对所要跟踪的人体目标进行分块,并选择与周围环境颜色相似度最小的块模板作为跟踪区域;然后使用基于均值偏移的粒子滤波方法进行跟踪,并设计了自适应更新块模板尺度的方法;最后在粒子滤波的状态估计阶段后,加入自适应观测模型,根据块模板尺度的变化情况,自适应地选择高斯噪声方差和粒子数目。实验证明,在出现遮挡或人体运动方向改变的情况下,本文算法的跟踪效果比传统均值偏移粒子滤波更好。     

基于复合余弦基神经网络的图像去噪滤波器

针对图像受噪声干扰问题,提出了一种基于复合余弦基神经网络的图像去噪低通滤波器,以及保证该神经网络算法收敛的收敛定理,并给出了证明.该方法通过复合余弦基神经网络对幅频响应训练,调整网络权值,控制总的能量函数在给定的极小范围内,使得实际滤波器特性逼近理想图像去噪低通滤波器特性,从而达到满意的去噪效果.仿真结果显示,复合余弦基神经网络图像去噪滤波器各项特性接近理想滤波器.与传统的图像滤波器去噪方法比较,该方法设计的图像去噪滤波器具有更好的去噪效果.     

变分贝叶斯自适应容积卡尔曼的SLAM算法

在观测噪声参数未知或变化时,传统的同步定位与建图(SLAM)算法性能会下降,为了让SLAM算法性能在上述条件下不受影响同时具有较高的精度,基于此提出了一种基于变分贝叶斯噪声自适应容积卡尔曼滤波的SLAM算法(VB-ACKF-SLAM).该算法采用逆Wishart分布对未知观测噪声参数建模,采用容积积分方法近似非线性变换的均值和方差,并利用变分贝叶斯滤波实现对移动机器人状态和未知观测噪声参数的联合后验概率的估计.该算法有效地解决了在观测噪声参数未知或变化时,传统滤波算法出现的滤波发散问题.仿真实验结果表明,在观测噪声参数未知或变化时,与基于容积卡尔曼滤波的SLAM算法(CFK-SLAM)、无迹卡尔曼滤波的SLAM算法(UKF-SLAM)、扩展卡尔曼滤波的SLAM算法(EKF-SLAM)相比,VB-ACKF-SLAM算法的定位准确率得到了较大的提高,证明了该算法的有效性.     

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．     

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.