智能优化的代价评估粒子滤波算法

发布时间：2018-01-10 14:39

  本文关键词：智能优化的代价评估粒子滤波算法　出处：《系统工程与电子技术》2017年12期 　论文类型：期刊论文

  更多相关文章： 粒子滤波 代价评估粒子滤波 未知噪声 重采样

【摘要】：针对噪声未知情况下粒子滤波算法进行状态估计时准确性低的问题,对智能优化的代价评估粒子滤波算法进行研究。结合代价评估粒子滤波算法特点设计了智能优化重采样策略,利用概率质量函数评价粒子的可信度,通过交叉变异操作引导粒子向风险较小的区域移动,改善基于风险和代价进行样本更新而导致的样本贫乏问题;通过对风险较大粒子的变异,扩展了粒子的后验分布区域。仿真结果表明,提出的智能优化代价评估粒子滤波算法具有良好的粒子优化性能,能在噪声统计特性未知情况下提高状态估计的精度。
[Abstract]:The problem of low accuracy in the state estimation of particle filter algorithm under unknown noise. The cost evaluation particle filter algorithm of intelligent optimization is studied. Combining the characteristics of cost evaluation particle filter algorithm, the intelligent optimization resampling strategy is designed, and the probability quality function is used to evaluate the reliability of particles. The cross-mutation operation can lead the particle to move to the less risky area, which can improve the sample shortage problem caused by the sample updating based on the risk and the cost. The posterior distribution area of the particles is expanded by the variation of the riskier particles. The simulation results show that the proposed intelligent optimization cost evaluation particle filter algorithm has good particle optimization performance. The accuracy of state estimation can be improved when the statistical characteristics of noise are unknown.
【作者单位】： 兰州理工大学电气工程与信息工程学院;
【基金】：国家自然科学基金(61263031) 甘肃省自然科学基金(1506RJZA105) 甘肃省科技计划项目(1606RJZA145) 甘肃省教育厅项目(2014B-027)资助课题
【分类号】：TN713
【正文快照】： 网络优先出版地址:http://kns.cnki.net/kcms/detail/11.2422.TN.20171023.0916.010.html0引言粒子滤波(particle filter,PF)是一种递归贝叶斯估计方法,其基于蒙特卡罗采样思想近似计算无法解析的非线性积分问题,通过一个赋予相应权值信息的粒子集合来近似真实的后验密度函数,

【相似文献】

相关期刊论文 前10条

1 唐劲松，何友，王国宏;一种自适应α、β、γ滤波算法[J];火力与指挥控制;1995年02期

2 胡振涛,刘先省;基于测量方差时变的改进强跟踪滤波算法[J];传感器技术;2005年06期

3 莫以为,萧德云;进化粒子滤波算法及其应用[J];控制理论与应用;2005年02期

4 赵梅;张三同;朱刚;;辅助粒子滤波算法及仿真举例[J];北京交通大学学报;2006年02期

5 张琪;胡昌华;乔玉坤;;基于权值选择的粒子滤波算法研究[J];控制与决策;2008年01期

6 汪溢;张毅;赵继承;;工程中常用的4种无序滤波算法[J];现代雷达;2008年12期

7 樊玲;;粒子滤波算法及其仿真[J];科技创新导报;2009年15期

8 邹卫军;薄煜明;陈益;;一种适用于低测量噪声系统的粒子滤波算法[J];信息与控制;2010年01期

9 何佳;;改进的粒子滤波算法在目标跟踪中的应用[J];科技情报开发与经济;2010年13期

10 高林;刘喜梅;顾幸生;;一种新的数据滤波算法[J];青岛理工大学学报;2010年03期

相关会议论文 前10条

1 李龙云;彭玉华;;小波变换模极大值域的一种自动滤波算法的实现[A];第十一届全国信号处理学术年会（CCSP-2003）论文集[C];2003年

2 李庆奎;吴星;崔健勇;陈勤勤;;模糊渐消滤波算法[A];中国测绘学会九届四次理事会暨2008年学术年会论文集[C];2008年

3 黄河;;插值粒子滤波算法的研究[A];2006通信理论与技术新进展——第十一届全国青年通信学术会议论文集[C];2006年

4 胡绍林;黄刘生;;非平稳信号的2(?)2型双重中值容错滤波算法[A];2003年中国智能自动化会议论文集（下册）[C];2003年

5 尹建君;张建秋;;混合线性/非线性联邦滤波算法及其在组合导航中的应用[A];2007系统仿真技术及其应用学术会议论文集[C];2007年

6 杨秀华;陈涛;王延风;吉桐伯;;光电跟踪目标的非线性滤波算法研究[A];第二届全国信息获取与处理学术会议论文集[C];2004年

7 秦臻;何顺华;朱号东;;非线性滤波算法在动态导航中的应用[A];江苏省测绘学会2011年学术年会论文集[C];2011年

8 李勇;陈书明;陈胜刚;;一种基于YHFT-Matrix DSP的去块效应滤波算法的向量化实现[A];第十五届计算机工程与工艺年会暨第一届微处理器技术论坛论文集（B辑）[C];2011年

9 周翟和;刘建业;赖际舟;熊剑;;混合粒子滤波算法及其在导航系统中的应用[A];2009年中国智能自动化会议论文集（第二分册）[C];2009年

10 宫轶松;归庆明;李保利;张灵敏;;基于均值漂移的粒子滤波算法设计及其在导航数据处理中的应用[A];第二届中国卫星导航学术年会电子文集[C];2011年

相关博士学位论文 前10条

1 李伟;鲁棒自适应滤波算法及在飞行器技术中的应用研究[D];上海交通大学;2014年

2 梁军;粒子滤波算法及其应用研究[D];哈尔滨工业大学;2009年

3 李甫;粒子滤波算法研究及其电路设计[D];西安电子科技大学;2010年

4 朱娟;蒙特卡洛滤波算法在目标跟踪中的应用[D];中国科学院研究生院（长春光学精密机械与物理研究所）;2010年

5 孟晋丽;基于邻域相关性的小波域滤波算法研究[D];西北工业大学;2006年

6 丁家琳;容积卡尔曼滤波算法研究及其在电机状态估计中的应用[D];西南交通大学;2015年

7 车延庭;非线性高斯滤波算法及其在导航系统中的应用[D];哈尔滨工程大学;2015年

8 洪少华;基于粒子滤波的目标跟踪算法与硬件实现研究[D];浙江大学;2010年

9 姜竹青;自主导航中滤波算法的研究及应用[D];北京邮电大学;2014年

10 徐佳鹤;基于UKF的滤波算法设计分析与应用[D];东北大学;2008年

相关硕士学位论文 前10条

1 张峰瑞;粒子滤波TBD及并行实现技术研究[D];电子科技大学;2014年

2 贾飞飞;非线性滤波算法及其应用研究[D];电子科技大学;2015年

3 魏国华;粒子滤波算法研究与实现[D];电子科技大学;2015年

4 肖婷婷;粒子滤波算法研究及其在无线定位跟踪中的应用[D];电子科技大学;2014年

5 饶子仁;HEVC环内滤波算法优化[D];西安电子科技大学;2014年

6 胡永杰;机载激光雷达点云滤波算法研究[D];东华理工大学;2015年

7 贺姗;约束条件下的滤波算法研究[D];西安工程大学;2015年

8 孙瑞;相关参数影响下的概率假设密度滤波算法研究[D];西安工程大学;2015年

9 李小婷;目标跟踪中粒子滤波算法的研究[D];太原理工大学;2016年

10 赵光琼;非线性滤波算法及其在深空探测中的应用[D];电子科技大学;2016年

，

本文编号：1405678