基于似然分布调整的粒子群优化粒子滤波新方法

发布时间：2018-03-10 03:24

  本文选题：粒子滤波　切入点：粒子群优化　出处：《计算机应用》2017年04期 　论文类型：期刊论文

【摘要】：传统基于粒子群优化的粒子滤波(PF)算法(PSOPF)在移动粒子向高似然区域移动的过程中,由于破坏了预测分布,当似然函数具有多峰时,其在具有大计算量的同时滤波性能并没有明显提升。针对该问题,提出了基于似然分布调整的粒子群优化粒子滤波新方法(LA-PSOPF)。在保留预测分布的前提下,运用PSO算法调整似然分布,提高有效粒子数量,进而提高滤波性能;同时引入局部优化策略,缩减参与PSO优化的粒子群规模,从而减少运算量,达到滤波精度与速度的平衡。仿真结果表明,当量测误差较小,似然函数具有多峰值时,改进算法的滤波精度和稳定性都优于PF算法和PSOPF算法,同时运算时间少于PSOPF算法。
[Abstract]:The traditional PSO PFF algorithm based on particle swarm optimization (PSO) is used in the process of moving particles to the high likelihood region, because the predicted distribution is destroyed, when the likelihood function has multiple peaks, The filter performance has not been improved obviously at the same time. A new particle swarm optimization particle filter method based on likelihood distribution adjustment is proposed to solve the problem. PSO algorithm is used to adjust the likelihood distribution, to improve the number of effective particles, and then to improve the filtering performance. At the same time, the local optimization strategy is introduced to reduce the size of the particle swarm that participates in the PSO optimization, thus reducing the amount of computation. The simulation results show that the filtering accuracy and stability of the improved algorithm are better than those of PF algorithm and PSOPF algorithm, and the computation time is less than that of PSOPF algorithm when the equivalent measurement error is small and the likelihood function has multiple peaks.
【作者单位】： 江苏科技大学电子信息学院;
【分类号】：TN713

【参考文献】

相关期刊论文 前2条

1 王法胜;鲁明羽;赵清杰;袁泽剑;;粒子滤波算法[J];计算机学报;2014年08期

2 李明;逄博;年福忠;;基于混沌的PSO粒子滤波算法[J];计算机工程;2012年08期

【共引文献】

相关期刊论文 前10条

1 王坎;辜小花;高论;李太福;杨利平;;基于UPFNN的油田机采工艺动态演化建模[J];现代电子技术;2017年05期

2 李伟;胡艳侠;吕岑;;基于HSV空间的玉米果穗性状的检测[J];湖南农业大学学报(自然科学版);2017年01期

3 魏伟;顾波;刘登辉;;基于ISODATA聚类优化的粒子滤波算法[J];通讯世界;2017年04期

4 孙海洋;张利;;无人机跟踪场景下的粒子滤波算法的改进[J];计算机仿真;2017年02期

5 张建春;康凤举;梁洪涛;徐皓;;基于鸡群优化的粒子滤波算法研究[J];系统仿真学报;2017年02期

6 陈世明;肖娟;李海英;聂森;;基于引力场的粒子滤波算法[J];控制与决策;2017年04期

7 汤永利;李伟杰;于金霞;闫玺玺;;基于粒子滤波的网络安全态势预测方法研究[J];计算机应用与软件;2017年01期

8 刘剑;郭文博;李凌燕;许帅宏;;一种基于多样性优化的视频目标跟踪方法[J];计算机应用与软件;2017年01期

9 高美凤;丁婷婷;;动态簇目标跟踪算法[J];小型微型计算机系统;2017年01期

10 杨伟明;薛召;刘玉良;;基于改进残差重采样粒子滤波的纯方位目标追踪[J];天津科技大学学报;2016年06期

【二级参考文献】

相关期刊论文 前10条

1 左军毅;张怡哲;梁彦;;自适应不完全重采样粒子滤波器[J];自动化学报;2012年04期

2 汤仪平;金福江;张志彬;王学元;;粒子滤波算法测定混合染液染料浓度[J];化工学报;2011年08期

3 刘一鸣;周尚波;;基于多特征融合的粒子滤波视频跟踪算法[J];计算机工程;2010年22期

4 于金霞;刘文静;汤永利;;粒子滤波重采样算法研究[J];微计算机信息;2010年16期

5 王法胜;郭权;;基于扩展卡尔曼粒子滤波算法的神经网络训练[J];计算机工程与科学;2010年05期

6 ;Quadrature Kalman particle fitler[J];Journal of Systems Engineering and Electronics;2010年02期

7 于金霞;汤永利;刘文静;;粒子滤波自适应机制研究综述[J];计算机应用研究;2010年02期

8 祝继华;郑南宁;袁泽剑;张强;;基于中心差分粒子滤波的SLAM算法[J];自动化学报;2010年02期

9 曲彦文;张二华;杨静宇;;一般性粒子滤波算法收敛特性[J];计算机研究与发展;2010年01期

10 王法胜;张应博;董宗然;;基于混合卡尔曼粒子滤波算法的期权定价方法[J];计算机应用;2009年12期

【相似文献】

相关期刊论文 前10条

1 蒙正中;;一种改进的混合粒子群优化算法[J];桂林工学院学报;2009年03期

2 吴昌友;王福林;马力;;一种新的改进粒子群优化算法[J];控制工程;2010年03期

3 周驰,高海兵,高亮,章万国;粒子群优化算法[J];计算机应用研究;2003年12期

4 高鹰,谢胜利;免疫粒子群优化算法[J];计算机工程与应用;2004年06期

5 张荣沂;一种新的集群优化方法——粒子群优化算法[J];黑龙江工程学院学报;2004年04期

6 高鹰;谢胜利;;混沌粒子群优化算法[J];计算机科学;2004年08期

7 刘钊,康立山,蒋良孝,杨林权;用粒子群优化改进算法求解混合整数非线性规划问题[J];小型微型计算机系统;2005年06期

8 戴冬雪,王祁,阮永顺,王晓超;基于混沌思想的粒子群优化算法及其应用[J];华中科技大学学报(自然科学版);2005年10期

9 窦全胜;周春光;马铭;刘全;;群核进化粒子群优化方法[J];计算机科学;2005年08期

10 范娜;云庆夏;;粒子群优化算法及其应用[J];信息技术;2006年01期

相关会议论文 前10条

1 张妍;张晓光;王永钢;;几种改进型的粒子群优化算法[A];第一届中国高校通信类院系学术研讨会论文集[C];2007年

2 孙红光;潘毓学;;基于运动目标路径的粒子群优化算法研究[A];第二届全国信息获取与处理学术会议论文集[C];2004年

3 韩毅;唐加福;郭伟宏;刘阳;;混合粒子群优化算法求解多层批量问题(英文)[A];中国运筹学会第八届学术交流会论文集[C];2006年

4 金一粟;梁逸曾;;空间自适应粒子群优化算法的应用研究[A];第九届全国计算（机）化学学术会议论文摘要集[C];2007年

5 汪荣贵;李守毅;孙见青;;一种新的自适应粒子群优化算法及应用[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

6 黄双欢;程良伦;;一种基于粒子群优化的快速图像倾斜角度检测算法[A];中国自动化学会中南六省（区）2010年第28届年会·论文集[C];2010年

7 侯志荣;吕振肃;;基于退火策略的粒子群优化算法[A];2003年中国智能自动化会议论文集（下册）[C];2003年

8 徐俊杰;忻展红;;基于增强型参考位置的粒子群优化模型[A];’2004系统仿真技术及其应用学术交流会论文集[C];2004年

9 王亚;于永光;耿玲玲;;一类改进的自适应粒子群优化算法对混沌系统未知参数的估计[A];中国力学大会——2013论文摘要集[C];2013年

10 崔静;邓方;方浩;;基于改进粒子群优化算法的弹道求解方法[A];2013年中国智能自动化学术会议论文集（第三分册）[C];2013年

相关博士学位论文 前10条

1 刘昊;多样性增强的粒子群优化算法及其应用研究[D];北京理工大学;2015年

2 姜毅;动态环境下粒子群优化算法的研究[D];武汉大学;2013年

3 刘华蓥;粒子群优化算法的改进研究及在石油工程中的应用[D];东北石油大学;2012年

4 刘波;粒子群优化算法及其在机电设备中的应用研究[D];中北大学;2011年

5 熊勇;粒子群优化算法的行为分析与应用实例[D];浙江大学;2005年

6 唐贤伦;混沌粒子群优化算法理论及应用研究[D];重庆大学;2007年

7 闫允一;粒子群优化及其在图像处理中的应用研究[D];西安电子科技大学;2008年

8 余炳辉;粒子群优化算法试验研究及扩展[D];华中科技大学;2007年

9 唐贤伦;混沌粒子群优化算法理论及应用[D];重庆大学;2007年

10 徐慧;粒子群优化算法改进及其在煤层气产能预测中的应用研究[D];中国矿业大学;2013年

相关硕士学位论文 前10条

1 陈卓;粒子群优化算法的改进及在油藏数值模拟中的应用[D];北京建筑大学;2015年

2 白云;基于粒子群优化算法的复杂网络社区挖掘[D];西北农林科技大学;2015年

3 杨艳华;基于粒子群优化支持向量机的网络态势预测模型研究[D];兰州大学;2015年

4 孟亚州;基于粒子群优化OTSU的肺组织分割算法研究[D];宁夏大学;2015年

5 郑博;基于快速排序的多目标粒子群优化算法的研究及应用[D];郑州大学;2015年

6 米永强;非线性规划问题的混合粒子群优化算法研究[D];宁夏大学;2015年

7 李建美;基于自适应变异与文化框架的混沌粒子群优化算法[D];陕西师范大学;2015年

8 刘星;基于粒子群优化算法的特征选择方法研究[D];南京大学;2015年

9 牛旭;动态粒子群优化算法及其应用[D];西安电子科技大学;2014年

10 叶华;粒子群优化算法研究[D];西安电子科技大学;2014年

，

本文编号：1591553