共查询到20条相似文献,搜索用时 0 毫秒
1.
2.
近年来,非线性非高斯系统的故障诊断问题一直是热点问题也是研究难点.针对非线性非高斯系统的故障检测与定位问题,运用基于粒子滤波( Particle Filter)的似然概率密度函数值的方法来检测系统故障,在检测到故障发生时,运用多模型方法与粒子滤波相结合,进行故障定位,从而进一步改善故障诊断的效果.仿真结果表明,该方法可以对非线性系统进行快速、准确的故障诊断. 相似文献
3.
4.
针对移动机器人目标追踪控制问题,以三轮全向移动智能足球机器人为研究对象,结合图像区域分割技术建立机器人运动模型和测量模型,提出基于高斯和粒子滤波的移动机器人目标追踪改进算法应用于足球机器人比赛环境。该算法将高斯和滤波中的并行扩展卡尔曼滤波用并行高斯粒子滤波代替,充分考虑当前时刻观测量对状态分布的影响,提高系统精度的同时降低滤波过程中使用的粒子数目,减轻系统计算量;仿真结果表明,该算法有效的减少足球机器人目标追踪过程中的误差和修正时间,特别是目标物体曲线行驶时,可以有效的将x轴与y轴方向的误差控制在一个较稳定的范围内,提高系统的稳定度。 相似文献
5.
在非线性模型非高斯噪声条件下,标准粒子滤波在组合系统的观测精度较低时能取得较好的滤波效果,但在高观测精度情况下会导致滤波发散。该文针对这一问题,提出一种自调整粒子滤波方法,根据观测噪声的统计大小,自适应调整似然分布的形状,使之与先验分布重叠的区域更大,有效提高滤波稳定性。将自调整粒子滤波算法应用到组合导航系统中,并在非高斯噪声、观测信息由低观测精度跳变到高观测精度条件下进行了仿真研究,结果表明,该自调整粒子滤波算法在组合导航系统具有高观测精度的情况下依然保持了滤波精度和稳定性。 相似文献
6.
在强非线性、非高斯系统、高精度测量的环境下,针对粒子滤波(PF)算法的跟踪性能降低问题,提出一种PF的改进算法。由于PF算法的计算量虽然小但精度不高,而无迹粒子滤波(UPF)算法精度虽然很高但计算量过大,结合PF算法计算量小和UPF算法精度高的优势,提出一种PF改进算法。对PF、UPF和PF改进算法三种跟踪算法进行了仿真,结果表明,改进PF算法的跟踪精度和UPF的跟踪精度相当,但所需运算时间仅为UPF算法的35%左右。 相似文献
7.
8.
《计算机应用与软件》2013,(5)
针对非线性、非高斯系统状态的在线估计问题,及粒子滤波本身固有的退化问题,在已提出的混合退火粒子滤波算法的基础上提出一种新的粒子滤波算法。在滤波算法中,根据系统的状态噪声统计特性和量测噪声统计特性的关系引入调整因子,再由模糊推理系统产生退火系数。用状态参数分解和退火系数来产生重要性概率密度函数。在保留原算法优点的基础上取得了更佳的退火系数。仿真实验表明该粒子滤波器的性能优于混合退火粒子滤波算法。 相似文献
9.
10.
11.
针对非线性系统的状态估计问题,提出一种改进的高斯粒子滤波算法。该算法是基于正则化粒子滤波(RPF),将重采样中离散的概率分布函数近似为连续分布,进而在高斯粒子滤波(GPF)中引入正则化粒子滤波算法得到的最新预测值,并利用这一观测值进行状态估计的更新。最后,对RGPF和GPF两种算法进行综合分析和实验仿真,结果表明,与标准GPF算法相比,RGPF具有较高的滤波精度。 相似文献
12.
13.
14.
针对动态系统目标跟踪问题,RBPF算法通过将高维状态空间分解成易于处理的线性子部分与非线性子部分,并采取不同策略进行滤波估计。为了提高RBPF的计算效率,提出将粒子群优化思想融入到RBPF滤波估计中,凭借粒子群算法卓越的全局搜索能力,对于状态空间中非线性部分,通过粒子群算法驱使所有采样粒子向高似然区域(最优适应值区域)移动;对于线性状态部分,依然利用卡尔曼滤波进行处理。通过多组实验仿真结果对比,PSO-RBPF利用较少采样粒子、耗费较少时间即能获得极佳的估计精度。 相似文献
15.
16.
针对粒子滤波中的粒子贫化问题,分析了目前用于增加粒子多样性方法存在的不足,提出了一种新的粒子筛选与处理方法.通过设置筛选区间,保留该区间内的粒子,对区间外的粒子进行移动处理,从而改善粒子分布.仿真结果表明,该方法能够有效缓解粒子贫化问题,提高滤波精度.同时由于有效样本数增加,降低了重采样次数,总体上减少了算法运行时间. 相似文献
17.
为了有效地抑制由椒盐噪声和高斯噪声组成的混合噪声,提出一种基于灰色关联系数的混合噪声滤波算法。检测出椒盐候选噪声点,采用动态滤波窗口对椒盐候选噪声点进行分类处理,利用均值滤波后的图像信息有选择地修正受高斯噪声影响较重像素点的灰度值,对其进行高斯滤波处理。实验结果表明,该算法能有效地滤除混合噪声,提高图像的清晰度,为研究灰色关联理论滤除混合噪声提供一种有效的途径。 相似文献
18.
传统的非线性约束优化算法的精度较低,为了克服这一问题,提出了一种基于粒子滤波的新型优化算法。该算法用于解决非线性约束优化问题,并结合粒子滤波器的模型和机制。首先,利用粒子滤波算法的基本原理建立这种优化算法,并给出算法的操作步骤;然后将非线性约束优化问题转换为函数优化问题函数优化问题,并针对非线性约束优化问题,建立粒子滤波优化算法的数学模型。仿真实验结果证明了这种新型算法的正确性,并且表明了相对于传统的优化算法,基于粒子滤波器的优化方法在解决非线性优化问题方面具有更高的效率和速率,并对今后的非线性约束优化问题具有适应性。 相似文献
20.
改进的多模型粒子PHD和CPHD滤波算法 总被引:3,自引:0,他引:3
多模型粒子概率假设密度(Probability hypothesis density, PHD)滤波是一种有效的多机动目标跟踪算法, 然而当模型概率过小时,该算法存在粒子退化问题,而且它对目标数的泊松分布假设会夸大目标漏检对其势估计的影响. 针对上述问题,本文提出一种改进算法. 该算法并不是简单地对模型索引进行采样, 而是用粒子拟合目标状态的模型条件PHD强度, 在不对噪声做任何先验假设的前提下, 通过重采样实现存活粒子的输入交互,提高了滤波性能. 在此基础上, 进一步将算法在Cardinalized PHD (CPHD)的框架下加以实现,提高其目标数估计精度. 仿真实验表明,所提算法在滤波性能和目标数估计精度方面均优于传统的多模型粒子PHD算法,具有良好的工程应用前景. 相似文献