基于高斯和粒子滤波的动态称重数据处理

合集下载

基于高斯粒子滤波的当前统计模型跟踪算法

ＡｂｔａｔａｓｉａｔｌＦｌｒ（Ｆｓａｙｔｔａｌｏｔｌｆｒｎｎｉｅｒｓｓｍｓｉｔｎｐｏｌ．ｈｓｒｃ：ＧｕｓｎＰｒｃｅｉｅＧＰ）ｉｓｍｐｏｉｌｐｉｏｏｌａｙｔｅｔｉｒｂｅａｉｔｃｙｍａｎｅｍａｏｍｓＴｅ
实时性好于交互多模型粒子滤波算法。关键词：粒子滤波；高斯粒子滤波；交互多模型；统计模型中图分类号：Ｔ９ｌＮ１文献标识码：Ａ
Ｃｕｒｅｔｓａｉｔｃｌｏｌｒｃｎｌｏｉｈｍｒｎｔｔｓｉａｄｅａｋｉｇａｇｒｔｍｔ
ｓｔｔａｄｌｄｐｉｅｔａｋｎｌｏｉｍｔｇａｅｅａｖｎａｅｆＦｗｉｈｎｓｆｕｒｎａｉｔａｍｏｅ．ｔｉｉｌａｓｃｍｏｅａａｔｒｃｉｇａｇｒｈｉｅｒｔｓｔｄａｔｇｓｏｖｔｎｈＧＰｔｔｅｏｅｒｅｔｔｔｉｌｄ１Ａｈｏｃｓｓｃ
基于高斯粒子滤波的当前统计模型跟踪算法
王宁，王从庆
（南京航空航天大学自动化学院，江苏南京２０１１０６）
摘要：对于非线性系统估计问题，高斯粒子滤波器可以获得近似最优解，与粒子滤波器相比其优点是不需要重采
样步骤和不存在粒子退化现象。采用高斯粒子滤波代替当前模型自适应跟踪算法中的卡尔曼滤波，将高斯粒子滤波与当前统计模型的优点相结合，出了一种新的当前统计模型自提适应跟踪算法，用于非线性非高斯系统的机动目标跟踪。ＭｏｔａｏｎＣｒ仿真表明，该算法跟踪精度优于标准的交互多模型算法和当前统计模型自适应跟踪算法，ｅｌ

基于混合高斯模型和粒子滤波器的跟踪

基于混合高斯模型和粒子滤波器的跟踪
张金花;薛峰;李柏年;朱望飞;王辉
【期刊名称】《微计算机信息》
【年(卷),期】2009(025)030
【摘要】提出了一种基于改进型混合高斯模型和粒子滤波器的人体运动跟踪的新方法.该方法首先利用改进的混合高斯模型对监控场景进行建模,再通过粒子滤波器对建模后的场景目标进行跟踪.通过对户外场景的实验,该算法在光照干扰,树木摆动和阴影以及遮蔽干扰的条件下取得了良好的效果,能够成功的跟踪运动目标,证明了算法的有效性.
【总页数】3页(P147-148,159)
【作者】张金花;薛峰;李柏年;朱望飞;王辉
【作者单位】730000,甘肃兰州,兰州大学信息科学与工程学院电路与系统研究所;730000,甘肃兰州,兰州大学信息科学与工程学院电路与系统研究所;730000,甘肃兰州,兰州大学信息科学与工程学院电路与系统研究所;714200,陕西渭南,中国华阴兵器试验中心;730000,甘肃兰州,兰州大学信息科学与工程学院电路与系统研究所
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于蚁群优化的边缘化粒子滤波器跟踪算法 [J], 曹义亲;肖金胜;黄晓生
2.基于优化粒子滤波器的体育视频目标跟踪算法设计 [J], 王俊鹏;侯小毛
3.基于灰色系统理论和粒子滤波器的目标跟踪算法 [J], 张静;邓金桥
4.基于尺度空间粒子滤波器的多参考直方图目标跟踪算法 [J], 贾静平;夏宏;谢萍
5.基于代价参考粒子滤波器组的检测前跟踪算法 [J], 卢锦;王鑫
因版权原因，仅展示原文概要，查看原文内容请购买。

一种基于高斯混合模型和变分贝叶斯的粒子滤波方法

一种基于高斯混合模型和变分贝叶斯的粒子滤波方法
一种基于高斯混合模型和变分贝叶斯的粒子滤波方法是使用高斯混合模型来表示目标的状态分布，并通过变分贝叶斯方法来近似后验分布。

该方法将粒子滤波算法扩展为高维和非线性情况，以提高滤波的精度和效率。

首先，使用高斯混合模型来表示目标的状态分布。

高斯混合模型是由多个高斯分布组成的模型，每个高斯分布代表了目标可能的状态。

通过对每个高斯分布的权重、均值和协方差进行学习和更新，可以逐步逼近目标的后验分布。

然后，使用变分贝叶斯方法来近似后验分布。

变分贝叶斯方法通过引入变分参数，将后验分布的计算问题转化为优化问题。

通过最大化变分下界，可以逐步逼近后验分布，并得到近似后验分布的参数。

最后，使用粒子滤波算法来进行目标跟踪。

粒子滤波算法通过从后验分布中抽样一组粒子，并根据观测数据对粒子进行重采样和更新，从而预测目标的状态。

通过使用高斯混合模型和变分贝叶斯方法来估计后验分布，可以提高滤波的准确性和效率。

总的来说，这种基于高斯混合模型和变分贝叶斯的粒子滤波方法通过引入高斯混合模型和变分贝叶斯方法，可以在处理高维和非线性情况下提高滤波算法的性能。

基于高斯Cost-Reference粒子滤波器的WSN目标跟踪算法

基于高斯Cost-Reference粒子滤波器的WSN目标跟踪算
法
余志军;魏建明;刘海涛
【期刊名称】《系统仿真学报》
【年(卷),期】2009()2
【摘要】提出了一种新的高斯Cost-Reference粒子滤波器算法及多传感器动态协同策略用于无线传感器网络目标跟踪问题。

该算法的显著特点是:(1)鲁棒性,不需要事先对系统过程噪声和测量噪声的分布进行精确建模,具有较好的噪声自适应能力,非常适用于无线传感器网络未知的、复杂的应用场景;(2)能量有效性,该算法采用高斯分布来近似状态的后验概率分布,节点间交互时只需要传输高斯分布的均值和方差,而不需要传输所有的粒子及其权值,极大地减轻了网络通信负载,能有效延长网络的寿命。

【总页数】5页(P576-580)
【作者】余志军;魏建明;刘海涛
【作者单位】中国科学院上海微系统与信息技术研究所
【正文语种】中文
【中图分类】TP301;TP391
【相关文献】
1.基于量子遗传粒子滤波的WSN目标跟踪算法
2.基于改进粒子滤波器的WSNs 目标跟踪算法
3.基于量子遗传粒子滤波的WSN目标跟踪算法
4.基于高斯混合概
率假设密度滤波器的扩展目标跟踪算法5.基于改进高斯粒子滤波器的目标跟踪算法
因版权原因，仅展示原文概要，查看原文内容请购买。

粒子数动态调整的粒子滤波新算法

粒子数动态调整的粒子滤波新算法
粒子滤波（Particle Filter）是一种基于贝叶斯滤波的随机游走算法，用于处理非线性、非高斯的状态估计问题。

然而，粒子滤波需要大量
的粒子数量才能获得较好的估计结果，而且随着时间的推移，粒子数量会
逐渐增加，导致计算时间和存储空间的急剧增加。

为了解决这个问题，近年来出现了一些粒子数动态调整的粒子滤波新
算法，可以根据实时观测数据的不同情况，自适应地调整粒子数，从而在
保证估计精度的同时，减少计算时间和存储空间的开销。

这些算法主要包
括以下几类：
1.基于采样思想的粒子滤波算法：这类算法主要考虑粒子增减的策略，通过对采样粒子的质量和分布进行评估，实现粒子数量的动态调整。

2.基于注意力机制的粒子滤波算法：这类算法利用注意力机制来识别
关键的观测数据，从而减少不必要的粒子数量，提高计算效率。

3.基于机器学习的粒子滤波算法：这类算法利用机器学习技术来学习
不同观测数据下的粒子数量，实现自适应的粒子数调整。

总的来说，粒子数动态调整的粒子滤波算法是一种非常有效的方法，
可以在保证估计精度的同时，提高计算效率和存储效率，具有很广泛的应
用前景。

基于粒子滤波的动态数据校正方法研究的开题报告

基于粒子滤波的动态数据校正方法研究的开题报告摘要：随着大数据时代的到来和各种传感器技术的广泛应用，动态数据的校正和处理变得越来越重要。

本文基于粒子滤波理论，提出一种新的动态数据校正方法。

该方法结合了滑动窗口技术和粒子滤波算法，通过将历史数据作为先验信息，实现对当前数据的估计和校正，提高了校正精度和效率。

本文将介绍粒子滤波算法的理论基础和实现过程，并详细介绍所提出的动态数据校正方法的实现流程和优化策略。

最后，通过实验验证，证明了该方法的有效性和优越性。

关键词：粒子滤波；动态数据校正；滑动窗口；先验信息；实时性一、研究背景和意义随着传感器技术和数据采集技术的不断发展，动态数据的重要性日益突出。

动态数据是指由传感器或其他设备实时采集的、随着时间变化而变化的数据。

例如，气象监测、地震监测、交通监测等领域中常常需要对动态数据进行采集、存储、分析和处理。

这些数据的准确性和实时性对于保障公共安全和提高生产效率至关重要。

尽管现有的数据采集和处理技术已经取得了很大的进步，但由于多种因素的干扰，实时数据中往往包含大量的误差和噪音。

因此，对于动态数据的准确处理和分析，动态数据校正技术显得越来越重要。

粒子滤波是一种基于贝叶斯滤波理论的非线性滤波方法，已经被广泛应用于实时数据处理、目标跟踪、机器视觉等领域。

与其他滤波方法相比，粒子滤波具有强大的适应性和可调性。

因此，在动态数据校正领域，粒子滤波算法往往是一种理想的选择。

但是，由于实时数据的要求，传统的粒子滤波算法存在一些问题。

例如，粒子数目的选择、采样效率的问题等，都会影响到滤波的准确性和效率。

因此，如何针对动态数据校正领域中的特点，对粒子滤波算法进行改进，是一个具有现实意义的课题。

二、研究内容和方法本文针对动态数据校正领域中的问题，提出了一种基于粒子滤波的动态数据校正方法。

该方法的主要特点是，结合了滑动窗口技术和粒子滤波算法，通过将历史数据作为先验信息，实现对当前数据的估计和校正，以提高校正精度和效率。

一种基于高斯扰动的重采样粒子滤波算法[发明专利]

专利名称：一种基于高斯扰动的重采样粒子滤波算法专利类型：发明专利
发明人：周蓉,藤婧,吴梦华
申请号：CN201610596452.X
申请日：20160726
公开号：CN106296727A
公开日：
20170104
专利内容由知识产权出版社提供
摘要：本发明属于智能信息处理技术领域，涉及一种基于高斯扰动的重采样粒子滤波算法。

具体为在重采样过程中对重复采样的高权值粒子增加高斯扰动扩散，在非线性和非高斯系统中用来估计系统状态，用于无特征的小目标跟踪定位中，解决迭代过程中重采样后粒子的多样性丧失问题，在保证粒子有效性的前提下增加粒子多样性，增加了粒子逼近目标的概率，在不增加计算量和存储量的条件下，降低了跟踪误差，提高了小目标跟踪精度；从计算量角度来看，尽管增加了基于高斯扰动的扩散过程，但是由于粒子的收敛速度加快，改进算法的执行时间和系统重采样算法接近。

申请人：华北电力大学
地址：102206 北京市昌平区朱辛庄北农路2号
国籍：CN
代理机构：北京众合诚成知识产权代理有限公司
代理人：陈波
更多信息请下载全文后查看。

基于粒子滤波算法的动态协同定位系统性能研究

基于粒子滤波算法的动态协同定位系统性能研究童凯翔;田世伟;李广侠【摘要】全球卫星导航系统在城市室内、森林峡谷等易对导航信号造成遮蔽、干扰的环境中难以保证其定位的可靠性.提出利用粒子滤波算法完成地面动态节点网络协同定位的新方法,并对其性能进行仿真研究.在缺乏伪距观测量的条件下,单一的终端节点难以实现精确定位.若多个节点之间通过相互测距,交互位置信息等方式实现协同,结合地面节点与卫星之间的伪距观测信息来实现对于动态节点位置与速度的估计.通过仿真实验,验证了所提出的新算法能够准确估计节点的位置、速度、伪距测量偏差等状态分量.【期刊名称】《通信技术》【年(卷),期】2016(049)002【总页数】5页(P163-167)【关键词】协同定位;粒子滤波算法;动态系统;估计性能【作者】童凯翔;田世伟;李广侠【作者单位】解放军理工大学通信工程学院,江苏南京 210007;卫星通信与导航江苏高校协同创新中心,江苏南京 210007;解放军理工大学通信工程学院,江苏南京210007;解放军理工大学通信工程学院,江苏南京 210007【正文语种】中文【中图分类】TN927全球卫星导航系统(GNSS)广泛应用于地面用户的导航定位服务中。

但是在一些存在信号遮蔽、干扰的恶劣环境，如城市室内、森林峡谷等，单纯的卫星导航系统就难以继续提供足够精度的定位服务。

在单纯的卫星导航定位系统中，地面节点只有在至少获得来自四颗不同导航卫星的伪距观测信息的条件下才能实现定位。

否则，节点将由于缺少必要的伪距测量信息而无法实现定位。

最近许多的研究成果认为可以引入协同定位的思想来解决这类恶劣场景下的导航定位与跟踪问题。

在生物科学、智能计算以及通信工程等领域，协同思想都已经得到了广泛的应用。

在导航定位与跟踪领域的研究中，协同定位的算法也引起了研究者的高度重视。

如文献[1-2]给出了混合协同定位算法的克拉美罗界(Cramér-Rao bound,CRB)，文献[3]提出了在无线传感网络定位中的节点分布新方法，文献[4-6]采用不同的算法来解决协同定位问题。

基于高斯厄米特粒子滤波算法的多用户检测

均值，若０＜仅１，则ＯＬ表示中值。
３标准粒子滤波多用户检测
式中，被称作白化匹配滤波器的输出信号，接收信
号的标量表达式为：
Ｙｋ＝Ｆｋ，】ａ１ｂｌ＋ｚｋ（４）
粒子滤波是利用样本集｛ｘｉ＝１，Ｌ，Ｎ｝及其对
ｙ＝ＲＡｂ＋ｚ（２）
声，这一特点使得该算法具有很强的效的降
一
低了系统的误码率，且具有适用价值。粒子退化是标准粒子滤波算法的主要缺陷。粒子退化是指随着迭代次数的增加粒子丧失多样
ｋ＝１
（Ｉ）
式中表示，Ａｋ第ｋ个信号的振幅，ｇ表示第ｋ个信
号扩展频谱波形，值为± １，ｂ表示第ｋ个用户信息，值为± １，ｎ “ ）不同类型的背景噪声。我们可以得到第ｋ个用户的匹配滤波器输出
向量ｙ＝［ｙ１，Ｙ２＾ｙｋ】为［ｚＪ：
收稿日期：２０１４ — １１ — ２０
作者简介：董明海（１９８６一），男，安徽六安人，在读硕士研究生，从事信号与信息处理研究。
７５
第３期
董明海，成金龙：基于高斯厄米特粒子滤波算法的多用户检测
总第４１期
ｙ＝Ｆｙ＝ＦＦＦＡｂ＋Ｆｚ＝ＦＡｂ＋ｚ（３）
第８卷第３期２０１５年５月
清远职业技术学院学报
ＪｏｕｒｎａｌｏｆＱｉｎｇｙｕａｎＰｏｌｙｔｅｃｈｎｉｃ

一种融合高斯聚类的粒子滤波方法

一种融合高斯聚类的粒子滤波方法陈海亮;黎树俊;邓文天;陈珂【摘要】为了解决粒子滤波存在粒子退化、噪声干扰和计算量大等问题,提出了一种融合高斯聚类的粒子滤波方法.将给定粒子划分为许多类,采用使目标函数最小方法,把搜寻到的最佳隶属度和最佳粒子更新对应的位置作为聚类中心,有效地完成数据关联融合.实验证明,与传统粒子滤波算法相比,该方法提高了粒子滤波的运算速度,降低了计算量,具有更高的滤波效率和滤波精度.【期刊名称】《广东石油化工学院学报》【年(卷),期】2017(027)004【总页数】5页(P38-42)【关键词】目标跟踪;粒子滤波算法;高斯聚类【作者】陈海亮;黎树俊;邓文天;陈珂【作者单位】广东石油化工学院计算机科学与技术系,广东茂名 525000;广东石油化工学院计算机科学与技术系,广东茂名 525000;广东石油化工学院计算机科学与技术系,广东茂名 525000;广东石油化工学院计算机科学与技术系,广东茂名525000【正文语种】中文【中图分类】TP391目标识别与跟踪是机器人定位与导航的重要研究内容之一，也是当前运动序列数据研究中尚未完全解决的难题。

作为贝叶斯跟踪方法的代表，基于粒子滤波的跟踪方法已成为研究焦点。

但该方法目前存在一些技术难点:粒子退化、目标姿态的变化以及噪声等，导致跟踪效果较差;目标的快速移动以及多目标跟踪要求粒子滤波采用大量粒子，算法的计算代价很大等。

针对这些问题，近年来已有很多学者将聚类算法应用于粒子滤波及目标跟踪，包括粒子滤波目标跟踪算法［1］，分布模糊聚类粒子滤波(DFCM－RPF)方法［2］，模糊C均值(FCM)聚类粒子滤波算法［3］，空间域减法聚类粒子滤波算法。

虽然聚类能降低粒子数目，从而提高运算效率，但在高维情况下仍然保持较大的粒子滤波运算量，本文把高斯聚类融合在粒子滤波中，提出了基于高斯聚类的粒子滤波方法(GC－PF)，目的是将给定的数据划分为许多类，采用使目标函数最小的方法，将找到的最好的隶属度和最佳数据更新对应的位置作为聚类中心。

基于高斯粒子滤波算法的改进及应用

基于高斯粒子滤波算法的改进及应用作者：孙翌晨李军来源：《无线互联科技》2014年第09期摘要：针对粒子滤波存在的样本贫化现象，提出了一种优化重选样本粒子的粒子滤波算法。

这种方法在引入最新量测后将状态后验概率密度逼近为一个高斯分布，在粒子贫化问题逐渐凸显后，通过该分布重新采集粒子后再进行运算，有效缓解了传统方法在粒子贫化后出现的滤波精度下降的问题。

仿真结果表明，新的粒子滤波算法有更高的滤波精度和运行效率。

关键词：粒子滤波；后验概率；粒子贫化；重新选取近年来，粒子滤波在目标跟踪领域得到了越来越广泛的应用。

常见的非线性滤波方法，如扩展卡尔曼滤波（Extended Kalman Filter，EKF），无迹卡尔曼滤波（Unscented Kalman Filter，UKF）都是针对非线性系统的线性卡尔曼滤波方法的变形与改进，因此使用条件也受到卡尔曼滤波算法的条件限制[1]。

而粒子滤波算法通过蒙特卡罗仿真手段产生大量粒子，随着采样粒子数不断增大，其散布情况将逐渐逼近状态的后验概率密度。

粒子滤波在解决非高斯分布系统问题上具有明显的优势，可以说它是目前非高斯非线性系统状态估计的“最优”滤波器[2]。

但是，随着时间的递推，会出现粒子的退化问题。

通常，有两种方法可以减轻粒子退化问题：一是增加重采样环节；二是选择合适的重要密度函数进行更有效的采样[3-5]。

常规的重采样方法随着迭代次数的增加，会出现粒子贫化问题，为此，人们提出了许多不同的方法来解决这个问题，如高斯粒子滤波算法（Gaussian particle filter），重采样粒子移动算法（Resample-Move Alogrithm）[6]，增加马尔可夫链蒙特卡罗（Markov Chain Monte Carlo）移动步骤[7-9]，对粒子进行正则（Regula—rization）重采样[10]。

笔者将标准粒子滤波算法和高斯粒子滤波相结合，引入一个重新选择粒子的过程，即粒子优化重选粒子滤波（Optimized Repicking Particle Filter）。

粒子数动态调整的粒子滤波新算法

粒子数动态调整的粒子滤波新算法粒子滤波（Particle Filter）是一种基于随机粒子采样的状态估计算法，最初由Doucet等人于2000年提出。

它在非线性、非高斯的动态系统中展示出较优的估计性能，广泛应用于目标跟踪、机器人导航、传感器网络等领域。

然而，传统的粒子滤波算法对粒子数的要求较高。

如果粒子数设置过低，会导致估计结果不准确，滤波效果较差；而设置过高则会增加计算量，导致实时性差。

因此，如何根据具体情况动态调整粒子数，成为一个重要的研究课题。

近年来，学者们提出了许多粒子数动态调整的算法，其中一种较为典型的方法是基于重采样的自适应粒子滤波（Resampling based Adaptive Particle Filter）。

传统粒子滤波算法包含两个主要步骤：预测和更新。

预测步骤通过对每个粒子进行状态转移，以获得下一个时刻的粒子集合；更新步骤通过与观测数据进行比较，按照权重对粒子进行抽样和重采样，以更新粒子集合。

自适应粒子滤波算法通过动态调整重采样阈值来实现粒子数的动态调整。

具体步骤如下：1.初始化粒子集合：根据先验知识，初始化一组粒子，并给予初始权重。

2.预测：根据系统模型，对每个粒子进行状态转移，得到下一时刻的粒子集合。

3.更新权重：根据观测数据，计算每个粒子的权重，代表其与观测数据的吻合程度。

4.判断重采样：根据一定的条件，判断是否进行重采样。

当重采样条件满足时，进入下一步；否则，返回第2步。

5.重采样：根据粒子的权重，进行抽样和重采样操作，得到新的粒子集合。

6.终止条件：当满足停止准则时，结束滤波过程，返回最终估计结果；否则，返回第2步。

自适应粒子滤波算法中的重采样阈值是关键。

一种常见的阈值选择方法是基于粒子权重的方差。

当权重方差超过一定阈值时，即表示需要进行重采样，以防止粒子集合退化。

此外，还可以根据滤波器的性能，如估计误差、均方误差等，来动态调整重采样阈值。

例如，如果估计误差较大，可以适当降低阈值，增加重采样频率；反之，如果估计误差较小，可以适当提高阈值，减少重采样频率。

基于混合高斯模型和SIR粒子滤波的运动目标检测与跟踪研究

设Ａ为二值图像，Ｂ为结构元素，当Ｂ的原点移动到（Ｘ，Ｙ）位置时，记作Ｂ则腐蚀定义如下：
Ｅ＝ＡＯＢ＝｛，ＹｌＢ（）Ｘ｝（３）
２基于自适应高斯背景模型的Fra bibliotek目标检测算法
运动目标检测可分为两种情况：一种是摄像机相对于背景是静止的；另一种是摄像机相对于背景是运动的。本文的实验环境在室内，因此研究的是静态背景下运动目标的检测。针对室内的实验环境，前景点的监测采用背景差法，混合高斯模型具有良好的分类检测性能，为了使检测算法更具有通用性，背景模型选择自适应混合高斯模型ｌ３Ｊ。
张亚昕
（西安铁路职业技术学院陕西西安７１００１４）
摘要：针对视频监控系统中运动目标的检测与跟踪技术进行深入研究，采用高斯背景模型的背景差法实现对运
动目标的检测，基于ＳＩＲ粒子滤波算法，利用颜色直方图信息与目标的运动状态信息实现对运动目标的跟踪。采
收稿日期：２０１７—１１—１５作者简介：张亚昕（１９７８一），女，河南新郑人，西安铁路职业技术学院电子信息学院高铁通号教研室副教授。
２２
西安铁路职业技术学院学报
活动轮廓等在视频图像序列中寻找与目标模板最相似的目标位置的过程，通过实施跟踪算法，标记出完整的运动轨迹。

基于模型辨识的SMC滤波技术应用研究

高斯干 ¨ 粒子滤波可以有效地滤除开关门扰动，有效地提高动态称重的速度与精度，优于传统的卡尔曼滤波和粒子滤波。
关键词：动态称重；序贯蒙特罗；高斯和粒子滤波；模型辨识
中图分类号：ＴＮ９１１．７２文献标识码：Ａ国家标准学科分类代码：５１０．４０
Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｔｈｅａｃｔｕａｌｐｒｏｂｌｅｍｓｏｆｔｈｅｃｏｍｂｉｎａｔｉｏｎｗｅｉｇｈｅｒｈｏｐｐｅｒｄｏｏｒｓｗｉｔｃｈｉｎｇｄｉｓｔｕｒｂａｎｃｅｓａｎｄｉｎａｃｃｕ —
பைடு நூலகம்
ｉｄｅｎｔｉｆｙａｎｄｏｂｔａｉｎｔｈｅｏｂｊｅｃｔｍｏｄｅｌ；ｔｈｅａｓｙｍｍｅｔｒｉｃｔｒａｉｌｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃｗｉｔｈｇａｍｍａｄｉｓｔｒｉｂｕｔｉｏｎｉｓａｄｏｐｔｅｄｔｏｎｌｏ［１一
，
（．ＳｃｈｏｏｌＡｕｔｏｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＢｅｉｈａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１００１９１，Ｃｈｉｎａ２．ＺｈｏｎｇｓｈａｎＭｕｌｔｉｗｅｉｇｈＰａｃｋａｇｉｎｇＭａｃｈｉｎｅｒｙＣｏ．，Ｚｈｏｎｇｓｈａｎ５２８４２５，Ｃｈｉｎａ）

一种高斯分布的调整粒子滤波算法

一种高斯分布的调整粒子滤波算法
郭福成
【期刊名称】《信号处理》
【年(卷),期】2005(021)0z1
【摘要】粒子滤波(PF)方法与传统的非线性滤波方法如扩展卡尔曼(EKF)类方法相比,无需计算Jacobi矩阵,受初始状态影响小而稳定性强,因此粒子滤波方法研究成为非线性滤波研究的热点问题.但在可观测性较差的非线性系统滤波中常用的普通粒子滤波方法(GPF)易受退化、采样枯竭等因素影响而在可能会引起滤波误差大甚至不收敛等问题.本文提出了一种高斯分布的调整粒子滤波跟踪算法,即在粒子再采样后加上一定的高斯噪声分布调整粒子分布,以产生更接近真实状态的粒子.经过只测角定位跟踪举例仿真表明,本文方法具有较高的滤波精度.
【总页数】4页(P499-502)
【作者】郭福成
【作者单位】国防科技大学电子科学与工程学院,410073
【正文语种】中文
【中图分类】TN95
【相关文献】
1.一种新型自适应粒子群优化粒子滤波算法及应用 [J], 陈志敏;薄煜明;吴盘龙;宋公飞;段文勇
2.一种使用非等权值粒子的确定性粒子滤波算法 [J], 李涛;薛祖瑞;胡小平
3.一种粒子群优化扩展卡尔曼粒子滤波算法 [J], 黄文娟;马勤;王立群;杨淑莹
4.一种改进的蝴蝶算法优化粒子滤波算法 [J], 张威虎;郭明香;贺元恺;孙小婷;朱代先
5.一种基于改进粒子滤波算法的室内融合定位方法 [J], 宋世铭; 王继; 韩李涛因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

（１．ＳｃｈｏｏｌｏｆＡｕｔｏｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｌｅｃｔｉｒｃａｌＥｎｇｉｎｅｅｉｒｎｇ，ＢｅｉｈａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１００１９１，Ｃｈｉｎａ；２．ＺｈｏｎｇｓｈａｎＭｕｌｔｉｗｅｉｇｈＰａｃｋａｇｉｎｇＭａｃｈｉｎｅｒｙＣｏ．，Ｌｔｄ，Ｚｈｏｎｇｓｈａｎ５２８４２５，Ｃｈｉｎａ）
摘要：由于动态称重过程中的噪声干扰，导致动态称重信号处理中存在数据处理速度慢与精度低等不足。为了提高动态称重的快速性与准确性，本文将高斯和粒子滤波算法应用于动态称重数据处理。在对动态称重系统建立状态空间模型的基础上，引进高斯和粒子滤波算法，利用高斯和逼近状态的后验密度，提高了对状态分布估
Ａｂｓｔｒａｃｔ：Ｉｎｔｈｅｄｙｎａｍｉｃｗｅｉｇｈｉｎｇｓｉｇｎａｌｐｒｏｃｅｓｓ，ｔｈｅｓｌｏｗｓｐｅｅｄａｎｄｗｅａｋａｃｃｕｒａｃｙｏｆｔｈｅｄａｔａｐｒｏｃｅｓｓｉｓｃａｕｓｅｄｂｙｔｈｅｎｏｉｓｅｉｎｔｅｆｒｅｒｅｎｃｅｉｎｔｈｇｈｉｎｇ．Ｔｏｉｍｐｒｏｖｅｔｈｅｓｐｅｅｄａｎｄｔｈｅａｃｃｕｒａｃｙｏｆｔｈｅｄｙｎａｍｉｃｗｅｉｇｈｉｎｇ，ｔｈｅＧａｕｓｓｉａｎｓｕｍｐａｒｔｉｃｌｅｉｆｌｅｒａｌｇｏｉｔｒｈｍｉｓｐｒｅｓｅｎｔｅｄｔｏｐｒｏｃｅｓｓｔｈｅｄｙｎａｍｉｃｗｅｉｇｈｉｎｇｄａｔａ．Ｔｏｉｍｐｒｏｖｅｔｈｅｅｓｔｉｍａｔｉｏｎａｃｃｕｒａｃｙｆｏｈｅｔｓｔａｔｅｄｉｓｔｒｉｂｕｔｉｏｎ，ｔｈｉｓｎｏｖｅｌａｌｇｏｒｉｔｈｍａｎｄｔｈｅＧａｎｓｓｉａｎｓｕｍｄｉｓ－
ＳｔｕｄｙｏｆＤｙｎａｍｉｃＷｅｉｇｈｉｎｇＦｉｌｔｅｒｉｎｇＭｅｔｈｏｄＢａｓｅｄｏｎｔｈｅＧａｕｓｓｉａｎＳｕｍＰａｒｔｉｃｌｅＦｉｌｔｅｒＺＨＡＮＧＬｉｍｅｉ．ＧＡＯＺｈａｎｂａｏ，ＹＩＮＺｈｉｂｉｎｇ
ｔｒｉｂｕｔｉｏｎｉｓｕｓｅｄｔｏａｐｐｒｏｘｉｍａｔｅｔｈｅｐｏｓｔｅｒｄｅｎｓｉｔｙ，ｂａｓｅｄｏｎｔｈｅｓｔａｔｅ — ｓｐａｃｅｍｏｄｅｌｏｆｔｈｅｓｙｓｔｅｍ．Ｔｈｅｓｉｍｕｌａｔｉｏｎｓｈｏｗｓｔｈｉｓｌｇａｏｒｉｈｍｔｉｍｐｒｏｖｅｓｅｆ－ｆｅｃｔｉｖｅｌｙｔｈｅｓｐｅｅｄａｎｄｔｈｅａｃｃｕｒａｃｙ，ａｎｄｔｈｅｃｏｍｐａｒｉｓｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈｉｓａｌｇｏｉｒｔｈｍｃａｎｏｕｔｐｅｆｏｒｒｍｔｈｅｔｒａｄｉｔｉｏｎｌａＥＫＦｎｄａｔｈｅＰＦ．
计的精确性。实验结果证明，高斯和粒子滤波方法有效地提高了动态称重的速度与精度，比较实验结果说明本文方法优于传统的扩展卡尔曼滤波和粒子滤波效果。
关键词：动态称重；数据处理；高斯和粒子滤波中图分类号：ＴＮ９１１＿７２；ＴＢ９２文献标识码：Ａ文章编号：１６７４—５７９５（２０１３）Ｏ１—００１４—０４
・
１４・
理论与实践
２０１３年第３３卷第１期
基于高斯和粒子滤波的动态称重数据处理
张丽妹，高占宝，尹志兵
（１．北京航空航天大学自动化科学与电气Ｘ－程学院，北京１００１９１；２．中山市精威包装机械有限公司，广东中山５２８４２５）