导读:本文包含了自适应粒子滤波论文开题报告文献综述及选题提纲参考文献，主要关键词:粒子退化,精度因子,似然分布自适应调整,动量BP算法
自适应粒子滤波论文文献综述
张园,赵长胜,李晓明[1]（2019）在《一种基于动量BP算法的似然分布自适应粒子滤波》一文中研究指出在量测精度不高时,重要性重采样粒子滤波效果较好,但在观测模型具有较高精度时,由于较多的无效样本可能导致粒子滤波失效.同时传统粒子滤波重采样算法虽可以用来解决粒子退化问题,但也会出现如粒子的多样性丧失、高权值的粒子被多次计算等,同时也存在传统的BP神经网络与粒子滤波结合会导致实时性较差等问题.针对这些问题,本文提出基于动量BP算法的似然分布自适应粒子滤波(MO-NNWA-APF):一方面通过反映量测噪声统计性能的精度因子α对似然分布状态自适应调整,增加先验和似然的重迭区,提高滤波精度;另一方面将动量BP算法与似然分布自适应调整结合,增大位于低概率密度区域的粒子的权值,同时部分高权值粒子被分裂为小权值粒子,一定程度上增加粒子的多样性和改善算法的实时性.选用一维系统和多维单目标系统仿真综合比较算法得出:使用基于动量BP算法的似然分布自适应粒子滤波算法优于现有的基本粒子滤波算法、基于BP神经网络的粒子滤波算法,在系统状态、均方根误差、估计与真值的关系、有效粒子数等方面体现出较好的预测能力,预测结果表现精度较高,算法稳定,实时性较好.(本文来源于《小型微型计算机系统》期刊2019年10期）
张园,谭兴龙,赵长胜,李晓明[2]（2019）在《顾及有色噪声的自适应粒子滤波UWB定位算法》一文中研究指出传统卡尔曼滤波算法要求噪声模型符合高斯分布,在UWB室内定位中,由于载体本身的机制等干扰,观测噪声不仅仅是白噪声,也存在有色噪声的情况,而粒子滤波可以处理有色噪声的问题。本文通过增加似然分布自适应调整来改进粒子滤波用于目标跟踪的精度,同时研究在白噪声、有色噪声下似然分布自适应调整粒子滤波和拓展卡尔曼滤波在UWB中的优势与不同。试验结果表明:观测噪声为白噪声时,拓展卡尔曼滤波和粒子滤波均可以较好地实现对行人的定位跟踪;观测噪声为有色噪声时,自适应粒子滤波定位效果优于粒子滤波、拓展卡尔曼滤波。(本文来源于《测绘通报》期刊2019年08期）
刘红林,凌有铸,陈孟元[3]（2019）在《基于JSD自适应粒子滤波的移动机器人定位算法》一文中研究指出粒子滤波算法中存在粒子退化、多样性缺失以及粒子数自适应问题。针对上述问题,首先,用先验转移概率密度和观测似然概率密度的混合分布作为重要性密度函数,用退火参数调控两者的比例,根据自适应参数优化控制机制对退火参数进行优化。其次,采用JS距离对采样粒子数进行动态调控,增强算法实时性。最后,通过遗传变异方法对粒子集进行调整,在一定程度上保持粒子多样性。仿真结果表明:与基于KL距离采样的蒙特卡罗定位算法相比,改进算法的精度提高了63.48%,平均定位误差为19.051 cm,用时减少了48.92%,达到39.268 s,采样粒子数维持在80个,改进算法的有效性得到验证。(本文来源于《安徽工程大学学报》期刊2019年04期）
张园,赵长胜,李晓明[4]（2019）在《融合动量BP算法的样本数自适应粒子滤波》一文中研究指出传统粒子滤波算法样本数保持不变,而固定的样本数将会直接影响粒子滤波算法的计算复杂度,进而影响粒子滤波算法的实时性和精度.针对这一问题,引入样本数可自适应调整的粒子滤波,既可以在每一步状态方差估计中设定样本数的下限,也考虑了状态方差过大或者过小的情形;同时将动量BP算法与样本数自适应粒子滤波结合,增大位于低概率密度区域粒子的权值,使位于这部分区域的小权值粒子重新进入高权值区域,降低粒子退化,同时部分高权值的粒子分裂为小权值粒子.仿真模型选取为单变量非静态增长模型和多维单目标跟踪模型,仿真结果得出:使用融合动量BP算法的样本数自适应粒子滤波优于标准粒子滤波算法、基于BP神经网络的粒子滤波算法,在系统状态、均方根误差、估计与真值的关系、有效粒子数等方面体现出较好的预测能力,预测结果表现为精度较高,稳定性较好,且降低了计算的复杂度.(本文来源于《小型微型计算机系统》期刊2019年08期）
刘红艳,麦艳红,孔繁镍,母叁民[5]（2019）在《利用自适应粒子滤波的传感器故障诊断识别》一文中研究指出在随机非线性或非高斯系统中,因突然发生的校准型错误而引发的读数偏置或缩放等传感器故障,会对系统的准确检测与稳定控制带来不利影响。针对该问题,提出一种新型的故障诊断和识别方法。设计一种自适应粒子滤波器来计算测量值和粒子滤波器估计值之差,进而利用最大似然估计来确定故障的类型和幅值,从而精确地诊断传感器故障,并对故障造成的影响进行实时补偿。在锅炉模型中进行了相关仿真实验,实验结果证明了所提方法的有效性。(本文来源于《控制工程》期刊2019年07期）
李晶[6]（2019）在《基于自适应矢量粒子滤波的多源融合定位算法研究与实现》一文中研究指出随着信息技术的飞速发展,位置服务(Location based services,LBS)已经广泛应用于公共安全、紧急救援、智能交通、位置跟踪与监控、大数据分析等方方面面。LBS的发展需要高精度高可靠的位置信息提供支撑。目前卫星导航信号在室外开阔环境下可以为人们提供高精度定位,但在室内环境下无法实现楼宇、建筑内部等小尺度空间的高精度定位,所以亟需研究高精度高可靠的室内定位技术以满足日益增长的位置服务需求。本文面向高精度高可靠的室内定位技术需求,针对无线信号等单源定位技术信息不完备导致定位精度低、鲁棒性差的问题,重点开展基于粒子滤波的无线信号、行人航位推算(Pedestrian dead reckoning,PDR)和地图信息的融合定位方法研究,提出了无线信号指纹定位的改进算法和自适应矢量粒子滤波算法,并设计了基于自适应矢量粒子滤波的多源融合定位系统,能够有效提高定位性能。具体的研究工作如下:1.针对无线信号指纹定位技术中离线阶段和在线阶段的环境波动导致两个阶段测量值匹配度不高的问题,本文提出一种模型校准在线接收信号强度(Received Signal Strength Indication,RSSI)测量值的指纹算法(Calibrating online-RSSI by Model between offline-RSSI and online-TDOA,MCRT),该算法通过建立离线RSSI和在线到达时间差(Time Difference of Arrival,TDOA)的映射模型,利用该模型估计出与离线阶段最匹配的在线RSSI值,同时采用卡尔曼滤波算法对RSSI估计值和测量值进行优化校正,最后对RSSI优化值和离线指纹进行匹配定位。仿真和试验测试表明,该算法可以将离线阶段和在线阶段的RSSI波动差异降低到6dB以下。2.针对粒子滤波观测量噪声影响权重计算精度问题和重采样时粒子多样性锐减问题,本文创新的提出自适应矢量粒子滤波算法(Particle Filter with Multiple directions and Adaptive weights,MDAW-PF),该算法创新地构建矢量粒子,对粒子方向进行均匀采样使得粒子具有多个更新方向,保障了粒子的重采样过程中粒子的多样性;同时在计算粒子权重时对观测量进行均匀采样获得观测粒子,根据观测粒子和更新粒子区域的重迭度来自适应地计算粒子权重。仿真和实验测试表明,自适应矢量粒子滤波的初始化粒子数目设置为50,粒子方向采样数目设置为3时可达到最好的跟踪性能。3.针对单源定位系统中由于信息不完备和传感器噪声影响导致定位精度低的问题,设计基于自适应矢量粒子滤波的多源融合定位系统,该系统以自适应矢量粒子滤波为核心融合了MCRT定位结果、PDR和地图信息,其中PDR运动方程作为自适应矢量粒子滤波的状态更新方程,MCRT定位结果作为观测量,地图信息作为位置估计的约束条件。仿真和实验测试表明,该融合系统有效提高了定位精度。综上所述,本文提出的MCRT算法有效提高了指纹定位中离线阶段和在线阶段测量值的匹配度;自适应矢量粒子滤波算法有效提升了粒子滤波的跟踪性能,为本文设计的多源融合系统提供了有效滤波方法。本文设计的多源融合系统的平均定位误差为0.68m,有效提升了基于粒子滤波融合指纹算法和PDR的系统定位精度。(本文来源于《北京邮电大学》期刊2019-06-03）
张闯,郭晨,张大恒[7]（2019）在《船舶组合导航自适应迭代粒子滤波方法及应用》一文中研究指出针对多传感器观测信息较多、粒子采样效率较低的问题,提出了一种自适应迭代粒子滤波(adaptive iterated particle filter,AIPF)算法并应用于船舶全球定位系统/惯性导航系统组合导航系统。首先通过粒子滤波自身迭代进行其重要性密度函数的更新。其次,采用自适应退火参数的模拟退火算法,使当前量测量能够快速进入到采样过程,进而大大提高了采样效率。最后,进行了仿真对比计算以及实船试验,结果表明,AIPF算法不仅可以提供精度较高的导航精度,而且增强了滤波性能。(本文来源于《系统工程与电子技术》期刊2019年04期）
李雄烽,高勇[8]（2018）在《一种新的自适应粒子滤波单通道盲分离算法》一文中研究指出目前,解决成对载波多址单通道盲分离问题的主要方法之一是粒子滤波。以往的分离算法中,粒子数往往是固定的。盲分离粒子滤波算法在经过若干次迭代和重采样过后,存在一些权重数量级非常小的粒子,这些粒子不仅对后验概率密度的贡献甚微,而且会浪费大量的运算时间,导致算法效率低下。为提高效率,根据粒子滤波盲分离的特点,在参数大致收敛之后,采用一种自适应的算法降低粒子数目。此方法在保证了精度的同时,降低了计算复杂度。仿真结果表明,改进的算法相比传统粒子滤波算法复杂度降低了约1/6左右,低信噪比条件下精度比传统算法更高。(本文来源于《科学技术与工程》期刊2018年36期）
李晓明,赵长胜,张立凯[9]（2018）在《自适应平方根无迹粒子滤波算法及其应用》一文中研究指出目标跟踪所面对的动态定位观测方程具有非线性,随机模型具有未知性,目标在运动过程中受到的随机扰动较大,先验方差很难确定,这可能导致在更新迭代过程中参数估计产生错误,从而导致滤波发散。针对上述问题,本文提出了改进的自适应平方根无迹粒子滤波算法(ASRUPF),该算法融合了自适应滤波理论、平方根无迹卡尔曼滤波算法(SRUKF)和粒子滤波(PF)多种算法,确定系统量测和状态噪声的概率密度函数,确保其方差阵的非负定性。算法有效地提高了单点动态定位精度。(本文来源于《测绘通报》期刊2018年12期）
汪超,吴迪[10]（2018）在《基于有限差分扩展卡尔曼粒子滤波的多特征自适应融合的目标跟踪算法研究》一文中研究指出针对复杂环境下目标跟踪问题,提出了一种基于有限差分扩展卡尔曼粒子滤波的多特征自适应融合跟踪算法。采用有限差分扩展卡尔曼滤波器对采样粒子集合进行滤波更新,通过融入最新观测信息的方法消弱权值退化现象;在新算法的框架内,利用目标静态和动态互补特征作为观测量,实现不同环境下目标的多特征自适应融合跟踪。实验结果表明,本文方法具有较好的跟踪精度和抗噪声干扰能力。(本文来源于《光电子·激光》期刊2018年12期）
自适应粒子滤波论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
传统卡尔曼滤波算法要求噪声模型符合高斯分布,在UWB室内定位中,由于载体本身的机制等干扰,观测噪声不仅仅是白噪声,也存在有色噪声的情况,而粒子滤波可以处理有色噪声的问题。本文通过增加似然分布自适应调整来改进粒子滤波用于目标跟踪的精度,同时研究在白噪声、有色噪声下似然分布自适应调整粒子滤波和拓展卡尔曼滤波在UWB中的优势与不同。试验结果表明:观测噪声为白噪声时,拓展卡尔曼滤波和粒子滤波均可以较好地实现对行人的定位跟踪;观测噪声为有色噪声时,自适应粒子滤波定位效果优于粒子滤波、拓展卡尔曼滤波。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
自适应粒子滤波论文参考文献
[1].张园,赵长胜,李晓明.一种基于动量BP算法的似然分布自适应粒子滤波[J].小型微型计算机系统.2019
[2].张园,谭兴龙,赵长胜,李晓明.顾及有色噪声的自适应粒子滤波UWB定位算法[J].测绘通报.2019
[3].刘红林,凌有铸,陈孟元.基于JSD自适应粒子滤波的移动机器人定位算法[J].安徽工程大学学报.2019
[4].张园,赵长胜,李晓明.融合动量BP算法的样本数自适应粒子滤波[J].小型微型计算机系统.2019
[5].刘红艳,麦艳红,孔繁镍,母叁民.利用自适应粒子滤波的传感器故障诊断识别[J].控制工程.2019
[6].李晶.基于自适应矢量粒子滤波的多源融合定位算法研究与实现[D].北京邮电大学.2019
[7].张闯,郭晨,张大恒.船舶组合导航自适应迭代粒子滤波方法及应用[J].系统工程与电子技术.2019
[8].李雄烽,高勇.一种新的自适应粒子滤波单通道盲分离算法[J].科学技术与工程.2018
[9].李晓明,赵长胜,张立凯.自适应平方根无迹粒子滤波算法及其应用[J].测绘通报.2018
[10].汪超,吴迪.基于有限差分扩展卡尔曼粒子滤波的多特征自适应融合的目标跟踪算法研究[J].光电子·激光.2018