代价参考粒子滤波在故障诊断中的应用

针对故障诊断中经常遇到非高斯、非线性的噪声,利用代价参考粒子滤波进行噪声处理,并将该方法中固定的遗忘因子改为自动调整的遗忘因子,同时对该方法中的概率质量函数用代价函数表示改为用风险函数来表示,提高了处理突变事件的能力。仿真结果表明,该方法比传统的粒子滤波方法具有更好的滤波效果。     

秩粒子滤波

将秩滤波与粒子滤波相结合,提出秩粒子滤波。它首先由秩滤波方法得到重要性密度函数,然后再采用粒子滤波方法进行滤波。由于秩滤波产生的重要性密度函数包含了最新的观测信息,与真实状态概率密度的支集重叠部分更大,所以,秩粒子滤波比无迹粒子滤波和粒子滤波具有更高的精度,且计算简单,便于工程应用。大量仿真结果验证了这一结论。     

基于改进粒子滤波算法的人眼跟踪方法

针对粒子滤波计算量大、粒子匮乏等问题,提出了2种策略来改进粒子滤波算法,一方面基于Galerkin投影法产生良好的粒子滤波参考分布函数;另一方面将BP神经网络引入粒子滤波,提出了一种提高粒子多样性的重采样策略。在此基础上,将改进的粒子滤波算法应用于人眼跟踪问题,运用颜色和纹理复合的观测模型,实现了人眼的准确跟踪。实验结果表明,改进算法有效提高了粒子滤波的估计精度和运算速度,避免了粒子退化和样本匮乏现象。     

基于粒子滤波算法的动力电池SOC估计

针对电池荷电状态(SOC)容易受到电流、温度、循环寿命等非线性因素的影响,建立基于温度和电流变化的电池容量修正方程。结合安时法和复合电化学原理构建电池状态空间模型。由于粒子滤波算法对非高斯、非线性系统的适应性,因此选用粒子滤波算法来研究电池SOC估计。通过美国FTP-75工况和NEDC工况实验仿真显示,基于粒子滤波算法的电池SOC估计比扩展卡尔曼滤波算法估计精度高、适应性好。     

基于粒子滤波的自组织模糊神经网络算法研究

为了得到结构更加紧凑、泛化性能更强的自组织模糊神经网络,提出了基于粒子滤波(particle filter,PF)的自组织模糊神经网络训练算法.其能够对模糊规则进行自动生成和增删.文中给出了模糊规则生成准则,应用误差率下降方法作为模糊规则增删策略,删除作用不大的规则.建立了以隶属函数宽度参数为状态,以理想输出为量测的动力学模型,利用PF对参数进行了学习.最后,对两个实例进行了仿真,从仿真结果可以看出,与D-FNN、SOFNN、EKF-SOFNN等算法相比,其在结构紧凑性以及泛化性能上都得到了提高,从而证明了PF-SOFNN的有效性.     

粒子滤波算法的综述

首先介绍粒子滤波的特征及算法分类,然后对其关键技术进行了归纳分析,并给出了粒子滤波的一些典型应用成果,最后指出了粒子滤波技术亟待解决的一些热点和难点问题。     

基于粒子滤波的非线性设备状态估计

为解决非线性非平稳设备状态估计难的问题,提出一种基于粒子滤波的非线性设备状态估计方法。该方法通过蒙特卡洛方法仿真状态动态模型和观测模型,并对系统状态的后验概率密度函数进行估计。该方法避免了典型卡尔曼滤波状态估计过程中要求线性和高斯噪声的假定。最后,将该方法用于齿轮箱状态估计实验,实验结果显示,该方法与卡尔曼滤波法相比较,结果更加准确,验证了该方法的有效性。     

基于粒子滤波的彩色图像跟踪算法的研究

摘 要;在以往的视频跟踪中,目标检测和跟踪常常需要两个计算法则,过程比较复杂,实现耗时较多。为了实现序列彩色图像的实时检测与跟踪,本文以目标有无信息和目标位置信息为变量建立联合状态向量,利用粒子滤波方法实现目标检测及跟踪。此外为了减少计算量并且充分考虑到跟踪区域各像素的权重,建立基于颜色信息的特征直方图作为观测向量,用于后验估计。实验证明本文提出的方法能够在14.37ms内检测并跟踪目标,并且对目标的旋转变化和尺度变化具有一定的鲁棒性     

径向基粒子滤波状态跟踪测量算法

状态跟踪测量的过程噪声降低了目标信噪比,增加了自适应滤波跟踪的难度。当误差较大时,基本粒子滤波算法的预测累积误差效应将导致系统发散。无迹粒子滤波算法利用无迹卡尔曼滤波提高重要性函数估计精度,减少后验概率密度分布误差,但同时也将大幅增加运算时间。提出一种基于径向基函数网络(RBFN)的改进型粒子滤波算法PF-RBF,利用RBFN通过目标状态观测值和全局预测值拟合状态变化趋势,更新各粒子状态,提高先验概率密度分布估计精度,消除过程噪声引起的估计误差。与无迹粒子滤波(UPF)算法相比,该算法无需构造无迹卡尔曼滤波(UKF)重要性函数,提高了运算速度。机动目标跟踪试验表明,径向基粒子滤波算法在线性和非线性观测方程下的状态跟踪测量精度和算法稳定性均优于UKF、PF和UPF算法,可有效实现对状态变化的实时鲁棒跟踪。当参与运算的粒子数增加时,PF-RBF算法执行时间的增长速率较UPF算法更低,可满足高精度状态跟踪应用。     

基于FCM聚类的粒子滤波多目标跟踪算法

针对多目标跟踪中相似目标的发散问题和跟踪核函数窗宽固定的缺陷,提出一种基于FCM(fuzzy C-means)聚类的粒子滤波算法.该算法结合经典粒子滤波理论,使用可变椭圆作为粒子区域,在粒子滤波的重要性重采样后,通过Mean-Shift算法获得每个目标的聚类中心,使用FCM聚类算法完成粒子聚类,获得相应目标的粒子子群,最后通过粒子子群估计各目标的最终状态并修正核窗口宽度.实验表明,与传统粒子滤波算法相比,该算法解决了传统粒子滤波的发散问题,减少了粒子数量,能够准确地对多目标进行跟踪,具有很好的鲁棒性和实时性.     

基于粒子滤波的彩色图像跟踪

视频跟踪中的目标检测和目标跟踪通常不能通过一个算法同时完成,而是需要两个计算法则,过程复杂,耗时较多.为了实现序列彩色图像的实时检测与跟踪,本文提出了一种基于粒子滤波的实时目标跟踪算法.以目标有无信息和目标位置信息为变量建立了联合状态向量,利用粒子滤波方法实现目标检测及跟踪.为了减少计算量,在充分考虑跟踪区域各像素权重的条件下,建立基于颜色信息的特征直方图作为观测向量,并用于后验估计.实验表明,本文提出的方法在选择150个粒子的情况下,对于768 pixel×576 pixel大小的彩色图像,能够在14.37 ms内检测并跟踪目标,而且能在目标发生旋转变化和尺度变化时,保持稳定跟踪,证明了该方法具有一定的鲁棒性.     

一种基于状态空间离散化的粒子滤波器

粒子滤波是一种基于蒙特卡罗仿真的最优回归贝叶斯滤波算法。这种方法不受线性化误差和高斯噪声假定的限制,适用于任何状态转换或测量模型,因此能够很好地解决非线性、非高斯环境下系统的状态估计问题。在它的设计中最重要的一步就是建议分布的选取。传统的算法需要在整个状态空间中进行计算,这浪费了大量的计算时间。该文提出一种新的建议分布的构造方法,它基于状态空间离散化的思想来构造建议分布。仿真结果表明,相对传统的算法这种粒子滤波器能用更少的粒子产生更准确的估计值。     

基于粒子滤波的电子稳像算法

提出了一种基于粒子滤波的视频序列稳定算法。 该算法从视频图像中提取角点特征,建立当前帧与参考帧之间的映射关系,然后根据仿射变换模型采用最小二乘解获得帧间的全局运动参数,最后利用粒子滤波平滑运动参数,实现帧间的实时运动补偿,达到稳像的目的。实验结果表明该算法鲁棒性较强,去除高频抖动的同时较好地保留了摄像机的主动运动,稳像后视频效果良好。     

基于 Huber 鲁棒容积裂变粒子滤波的协同导航方法

数据融合作为多源协同导航方案中的一环对状态估计质量影响重大。粒子滤波由于其在非线性非高斯系统中具备的独特理论优势已逐渐成为众多融合方法焦点。但粒子退化及其导致的样本枯竭却制约粒子滤波在复杂工程中的应用。提出采用鲁棒容积裂变粒子滤波解决上述问题。首先在容积法则框架下利用Huber函数将L2范数与L1范数结合来改进重要性密度函数,抑制观测噪声并通过高斯分布融合拉普拉斯分布进一步优化建议分布,以此缓解粒子退化;在重采样前对粒子群进行裂变衍生,通过对高权值粒子进行裂变并覆盖低权值粒子重构粒子权值实现对样本枯竭的抑制。多源协同导航车载实验表明,在相同条件下,相对于扩展卡尔曼滤波、容积粒子滤波、强跟踪粒子滤波,提出的算法在精确度上分别提高了23.04%、42.62%、37.74%,为缓解粒子退化和多源协同定位提供了新的思路。     

基于粒子群优化的数字多频陷波滤波器设计

数字多频陷波滤波器用于同时滤除或抑制数字信号中的多个频率分量,粒子群优化是模拟鸟群迁徙行为的元启发式搜索方法.以改进的粒子群优化算法为基础,提出了数字多频陷波滤波器的设计方法,它通过优化配置陷波系统的极点位置,实现了具有稳定特性的陷波系统的优化设计.所提设计方法的有效性和实用性,得到了一系列仿真实验的具体验证.     

基于粒子滤波算法毫米波误差综合估计

5G毫米波通信因其高载波频率和速率而备受关注,成为了未来移动通信的研究热点。然而,在毫米波通信测试仪器设计中,通常采用多次倍频的方法为毫米波基波混频器提供毫米波本振,这个过程中附加产生的相位噪声、载波频率偏移和采样时钟偏移等误差,会造成系统解调指标恶化。为了解决这一问题,本文首次提出了一种基于粒子滤波算法的毫米波误差综合估计的方法,利用粒子滤波算法良好的鲁棒性和适应性,可一次性估计出相位噪声、载波频率偏移以及采样时钟偏移。通过仿真与实验分析,本文算法相较于传统PTRS相位噪声估计效果更好,EVM指标更优。并且本文所提算法已应用于国产5G毫米波基站综测仪中,在载波频率为28 GHz,带宽为400 MHz,调制方式为64QAM时,EVM指标可达到2.21%。     

Rao-Blackwellized粒子滤波的红外多个弱目标检测前跟踪

针对红外图像低信噪比下数目可变的多个弱目标的检测与跟踪问题,提出了基于Rao-Blackwellized粒子滤波器(RBPF)的多目标检测前跟踪算法.对每个目标利用RBPF把状态变量分解为线性变量与非线性变量,分别进行Kalman滤波与基本粒子滤波.将已出现目标的状态构成新目标的约束初始化函数,多个滤波器并行跟踪多个弱目标.对红外图像弱目标的仿真实验表明,约束初始化可以避免已有目标的干扰,RBPF可以减小状态变量的的估计误差, RBPF的检测性能优于10倍粒子数PF的性能,对单目标进行检测前跟踪平均每帧耗时为0.3287秒,可以满足实时处理的要求。新方法在不同空间位置的实验对比中,出现延迟,消失延迟和均方根误差等参数对比也验证了算法的有效性.