粒子滤波和正则粒子滤波算法性能研究

主要介绍了解决系统状态估计问题的滤波算法。在提出非线性高斯系统模型的基础上着重阐述了扩展卡尔曼滤波(EKF)、粒子滤波(PF)和正则粒子滤波(RPF)算法。对这三种算法在不同的噪声条件下的估计性能进行了仿真分析。结果表明,在非线性高斯系统中,PF和RPF的估计性能远比EKF的估计性能要好,由于RPF是从离散分布中重构其近似连续分布,再从该连续分布中采样粒子,估计性能比PF要好,尤其在小噪声的环境下,估计性能更加稳定。     

粒子滤波及其改进算法的比较

针对非线性、非高斯问题,建立了动态状态空间模型,详细分析了贝叶斯滤波的原理。对于满足线性和高斯的状态空间模型,卡尔曼滤波性能是最优的。但是,真实世界的非线性、非高斯问题存在,使得人们不得不寻找一种更好的滤波方法。解决非线性滤波问题最普遍的方法就是扩展卡尔曼滤波。但扩展卡尔曼滤波只适合弱非线性系统,对于强非线性系统,容易导致滤波发散。因而介绍了适用于强非线性、无高斯约束的基于序列蒙特卡罗算法的粒子滤波波器及其改进算法规则化粒子滤波器。最后对上述几种滤波器进行了性能仿真及分析。     

基于PCA改进的粒子滤波算法研究

本文首先对几种经典的航迹滤波算法进行说明,包括扩展卡尔曼滤波算法、无迹卡尔曼滤波算法、粒子滤波算法,并针对无迹卡尔曼滤波算法以及卡尔曼滤波算法要求系统是近似高斯后验分布模型,对系统要求较高,以及粒子滤波算法实验过程中出现的粒子退化的问题提出一种改进的粒子滤波算法,并设置仿真实验,通过对比实验验证改进的算法的可行性.     

改进粒子滤波算法的比较

重要性密度函数的选择对粒子滤波至关重要,围绕重要性密度函数的选择,已提出许多改进粒子滤波算法,典型的有扩展卡尔曼粒子滤波(EPF),不敏卡尔曼粒子滤波(UPF)、辅助粒子滤波(APF)及正则化粒子滤波(RPF).详细讨论了4种改进粒子滤波算法的基本思想、性能特.占及主要步骤.通过对一典型标量非线性系统的滤波实验,对4种改进算法的性能进行了仿真比较,实验结果表明,4种改进算法都从不同程度上改善了粒子滤波器的性能,其中,UPF的性能最优.最后,分析了各算法的改进原因.     

改进高阶容积粒子滤波的系统状态估计算法

传统粒子滤波（PF）直接采用状态转移先验分布作为重要性密度函数来近似后验概率密度函数,使得后验概率密度函数未包含量测信息。针对此问题,提出了一种改进高阶容积粒子滤波(CPF)的系统状态估计算法。算法采用七阶正交容积卡尔曼滤波（7th-CQKF）对PF的粒子进行传递,使得先验分布更新阶段融入最新量测信息;通过7th-CQKF设计重要性密度函数,提高对状态后验概率密度的逼近程度;通过反比例函数计算粒子权重,突出大噪声粒子与小噪声粒子权重差别,提高粒子有效性。仿真结果表明,改进高阶容积粒子滤波的估计精度高于容积粒子滤波（CPF）。     

改进的粒子滤波算法

针对标准粒子滤波算法重采样后粒子多样性丧失问题,提出一种在粒子补偿的基础上,利用预测值与观测值的方差进行粒子重采样的改进粒子滤波算法。该算法是在标准粒子滤波算法的基础上,加入粒子补偿的步骤,然后利用预测值与观测值的方差在权值较高的粒子周围进行重采样来改善标准粒子滤波算法中粒子多样性丧失问题。实验结果表明:在相同条件下,改进粒子滤波算法比标准粒子滤波算法具有更小的平均均方误差(RMSE)和更高的目标跟踪精度,数据表明,其目标跟踪精确度提高30%以上。     

粒子滤波算法研究

本文介绍了几种粒子滤波算法,然后详细的介绍了各算法存在的主要问题,以及各种改进算法的优势。最后给出了粒子滤波在研究领域中的一些应用。最后通过介绍几种算法对全文做出了总结。     

一种改进粒子滤波算法分析

在非线性、非高斯系统的状态估计研究中,最常用的是EKF和UKF两种方法,但是这两种方法还局限于高斯分布的情况。在之后的研究中出现了不受非线性、非高斯分布问题限制的粒子滤波算法。这种算法的主要问题是粒子退化问题,常规的再采样方法虽然可以解决退化问题,但是容易导致粒子耗尽。针对这种问题,本文提出用辅助变量粒子滤波算法,对标准粒子滤波算法步骤中的再采样部分进行改进,最后对算法进行性能仿真及分析。仿真结果表明,改进的粒子滤波算法性能良好。     

一种改进的MCMC移动步骤的U粒子滤波算法

粒子退化是标准粒子滤波算法的主要缺陷。针对这一缺陷,提出了一种改进算法,在提出的具有MCMC移动步骤的U粒子滤波算法上进行性能分析,从样本产生和对MCMC移动步骤的使用两个方面对算法进行改进,减小了算法的计算量,提高算法的运算速度。仿真结果表明,改进后的算法大大减少了运算量,从一定程度上提高了运行效率。     

改进粒子滤波算法在目标状态估计中的应用

针对粒子滤波算法(PF)建议性函数的选择问题和粒子匮乏现象,提出了改进粒子滤波算法.该算法利用无迹卡尔曼滤波(UKF)产生建议性分布,提高估计精度;采用马尔科夫蒙特卡罗法(MCMC)保持粒子多样性,抑制粒子匮乏现象.仿真结果表明该算法的目标状态估计精度明显优于PF、UPF、PF-MCMC和PF-EKF-MCMC算法.     

复杂背景下多信息融合的粒子滤波跟踪算法

将颜色和运动这两种信息融合进粒子滤波跟踪器,并提出分层抽样的方法,克服了利用单一信源所带来的跟踪不稳定问题;与典型的基于边缘特征或仅基于颜色信息的粒子滤波器相比,计算简单,并能够有效解决由于目标形状或颜色模糊而产生的跟踪困难问题.实验结果表明,该粒子滤波融合算法在复杂背景下能够稳健可靠的跟踪目标.     

一种导向粒子滤波跟踪算法

粒子滤波算法在运动目标跟踪方面有着广泛的使用,粒子滤波中的重采样是解决粒子退化的一种重要方法,但是重采样会导致粒子的多样性的丧失。针对这个问题,改进粒子滤波算法,改进过程中结合了导向滤波的基本思想,因此将这种方法称为导向粒子滤波跟踪算法。导向滤波是近几年提出的一种新的滤波方式,与传统滤波相比,它在滤波的时候会引入一幅指导图像,鉴于这个思想,我们在进行粒子滤波的时候,引入一种导向粒子作为一个指导量,来保留一些目标图像上的信息。实验证明了这种算法可以更好地对目标进行定位跟踪。     

MCMC粒子滤波算法研究及应用

粒子滤波算法是一种基于贝叶斯估计的蒙特卡罗方法,适用于非线性非高斯系统的分析,被广泛应用于跟踪、定位等问题的研究中。为了解决粒子滤波算法在重采样后,丧失粒子多样性的问题,本文在粒子滤波算法的重采样步骤后,加入了马尔可夫链蒙特卡罗（Markov Chain Monte Carlo,简称MCMC）移动步骤,增加粒子的多样性。利用粒子滤波算法和MCMC粒子滤波算法对目标跟踪问题进行了仿真,并且通过分析仿真实验结果,比较了两种算法的性能,结果说明加入MCMC粒子滤波算法的性能优于粒子滤波算法。     

粒子滤波算法在多传感器测量中的应用

目标跟踪是粒子滤波算法在处理非线性问题的一种典型应用,但由于在线处理能力或传输条件的限制,实际应用中往往无法对多个传感器数据同时处理。据此,给出了一种基于多传感器选优的粒子滤波算法。假设每个时刻可以处理一个测量数据,该算法先采用加权的概率密度函数来评价每个传感器获得的测量值,并用粒子滤波对概率密度函数的加权进行实时更新,基于最大熵标准来选取最优测量数据进行处理。同时,最大熵标准保证了最优似然函数分布最宽,从而缓解粒子衰竭问题。通过数值仿真实验证明,该算法可以选择最优观测数据进行处理,有效降低多传感器测量中粒子滤波在线实时处理性能的要求,也较好地缓解了粒子滤波的"衰竭"问题。     

基于粒子滤波算法的自平衡两轮电动车设计与研究

智能自平衡两轮电动车是典型的非线性系统,智能自平衡两轮电动车是一种两轮式左右并行布置结构的自平衡系统,要在各种状态下保持动态平衡.采用超声波、陀螺仪传感器及其他传感器实现增稳系统.智能自平衡两轮电动车是严重非线性、非高斯系统,传统滤波算法无法解决传感器噪声问题,粒子滤波是一种基于Monte Carlo思想的非线性、非高斯系统滤波算法,完全突破Kalman滤波理论框架,它对系统的过程噪声和量测噪声没有任何限制.     

基于自适应无迹粒子滤波的目标跟踪算法

为解决复杂场景中目标跟踪问题,提出了一种噪声未知情况下的自适应无迹粒子滤波(A-UPF)算法。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Kalman粒子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,本文方法对于复杂条件下的目标跟踪问题具有较高的精度和较强的鲁棒性。     

基于粒子滤波的TBD算法研究

结合粒子滤波算法基本理论与弱小目标检测问题建立了目标运动与量测模型。针对传统粒子滤波算法存在的问题提出了一种基于分步采样与改进重采样的新型算法,通过软件生成测试图像对算法进行仿真研究,实验结果表明算法具有较高的检测性能并且算法复杂度较低。     

Improved particle filter based on fine resampling algorithm

In order to solve particle degeneracy phenomenon and simultaneously avoid sample impoverishment,this paper proposed an improved particle filter based on fine resampling algorithm for general case,calle...     

基于RB粒子滤波的多传感器目标跟踪融合算法

构建面向多传感器信息融合系统的粒子滤波(PF)器是拓展采样型非线性滤波应用领域的关键,针对PF在多传感器融合目标跟踪系统的有效实现问题,提出了一种基于Rao-Blackwellized(RB)PF(RB-PF)的多传感器目标融合跟踪(MT-RB-PF)算法。首先,利用RB建模技术实现跟踪系统非线性状态估计的降维处理;其次,结合多传感器融合系统特点,给出一种多量测下粒子权重优化新方法用以改善粒子权重度量的可靠性和稳定性;最终,通过标准PF和卡尔曼滤波(KF)实现非线性和线性状态分量的估计,并利用状态重构方法构建当前时刻的状态估计值。理论分析和仿真实验验证了算法的有效性。