發(fā)布時間：2018-03-10 03:24

  本文選題：粒子濾波　切入點：粒子群優(yōu)化　出處：《計算機應(yīng)用》2017年04期 　論文類型：期刊論文

【摘要】：傳統(tǒng)基于粒子群優(yōu)化的粒子濾波(PF)算法(PSOPF)在移動粒子向高似然區(qū)域移動的過程中,由于破壞了預(yù)測分布,當似然函數(shù)具有多峰時,其在具有大計算量的同時濾波性能并沒有明顯提升。針對該問題,提出了基于似然分布調(diào)整的粒子群優(yōu)化粒子濾波新方法(LA-PSOPF)。在保留預(yù)測分布的前提下,運用PSO算法調(diào)整似然分布,提高有效粒子數(shù)量,進而提高濾波性能;同時引入局部優(yōu)化策略,縮減參與PSO優(yōu)化的粒子群規(guī)模,從而減少運算量,達到濾波精度與速度的平衡。仿真結(jié)果表明,當量測誤差較小,似然函數(shù)具有多峰值時,改進算法的濾波精度和穩(wěn)定性都優(yōu)于PF算法和PSOPF算法,同時運算時間少于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.
【作者單位】： 江蘇科技大學電子信息學院;
【分類號】：TN713

【參考文獻】

相關(guān)期刊論文 前2條

1 王法勝;魯明羽;趙清杰;袁澤劍;;粒子濾波算法[J];計算機學報;2014年08期

2 李明;逄博;年福忠;;基于混沌的PSO粒子濾波算法[J];計算機工程;2012年08期

【共引文獻】

相關(guān)期刊論文 前10條

1 王坎;辜小花;高論;李太福;楊利平;;基于UPFNN的油田機采工藝動態(tài)演化建模[J];現(xiàn)代電子技術(shù);2017年05期

2 李偉;胡艷俠;呂岑;;基于HSV空間的玉米果穗性狀的檢測[J];湖南農(nóng)業(yè)大學學報(自然科學版);2017年01期

3 魏偉;顧波;劉登輝;;基于ISODATA聚類優(yōu)化的粒子濾波算法[J];通訊世界;2017年04期

4 孫海洋;張利;;無人機跟蹤場景下的粒子濾波算法的改進[J];計算機仿真;2017年02期

5 張建春;康鳳舉;梁洪濤;徐皓;;基于雞群優(yōu)化的粒子濾波算法研究[J];系統(tǒng)仿真學報;2017年02期

6 陳世明;肖娟;李海英;聶森;;基于引力場的粒子濾波算法[J];控制與決策;2017年04期

7 湯永利;李偉杰;于金霞;閆璽璽;;基于粒子濾波的網(wǎng)絡(luò)安全態(tài)勢預(yù)測方法研究[J];計算機應(yīng)用與軟件;2017年01期

8 劉劍;郭文博;李凌燕;許帥宏;;一種基于多樣性優(yōu)化的視頻目標跟蹤方法[J];計算機應(yīng)用與軟件;2017年01期

9 高美鳳;丁婷婷;;動態(tài)簇目標跟蹤算法[J];小型微型計算機系統(tǒng);2017年01期

10 楊偉明;薛召;劉玉良;;基于改進殘差重采樣粒子濾波的純方位目標追蹤[J];天津科技大學學報;2016年06期

【二級參考文獻】

相關(guān)期刊論文 前10條

1 左軍毅;張怡哲;梁彥;;自適應(yīng)不完全重采樣粒子濾波器[J];自動化學報;2012年04期

2 湯儀平;金福江;張志彬;王學元;;粒子濾波算法測定混合染液染料濃度[J];化工學報;2011年08期

3 劉一鳴;周尚波;;基于多特征融合的粒子濾波視頻跟蹤算法[J];計算機工程;2010年22期

4 于金霞;劉文靜;湯永利;;粒子濾波重采樣算法研究[J];微計算機信息;2010年16期

5 王法勝;郭權(quán);;基于擴展卡爾曼粒子濾波算法的神經(jīng)網(wǎng)絡(luò)訓練[J];計算機工程與科學;2010年05期

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

7 于金霞;湯永利;劉文靜;;粒子濾波自適應(yīng)機制研究綜述[J];計算機應(yīng)用研究;2010年02期

8 祝繼華;鄭南寧;袁澤劍;張強;;基于中心差分粒子濾波的SLAM算法[J];自動化學報;2010年02期

9 曲彥文;張二華;楊靜宇;;一般性粒子濾波算法收斂特性[J];計算機研究與發(fā)展;2010年01期

10 王法勝;張應(yīng)博;董宗然;;基于混合卡爾曼粒子濾波算法的期權(quán)定價方法[J];計算機應(yīng)用;2009年12期

【相似文獻】

相關(guān)期刊論文 前10條

1 蒙正中;;一種改進的混合粒子群優(yōu)化算法[J];桂林工學院學報;2009年03期

2 吳昌友;王福林;馬力;;一種新的改進粒子群優(yōu)化算法[J];控制工程;2010年03期

3 周馳,高海兵,高亮,章萬國;粒子群優(yōu)化算法[J];計算機應(yīng)用研究;2003年12期

4 高鷹,謝勝利;免疫粒子群優(yōu)化算法[J];計算機工程與應(yīng)用;2004年06期

5 張榮沂;一種新的集群優(yōu)化方法——粒子群優(yōu)化算法[J];黑龍江工程學院學報;2004年04期

6 高鷹;謝勝利;;混沌粒子群優(yōu)化算法[J];計算機科學;2004年08期

7 劉釗,康立山,蔣良孝,楊林權(quán);用粒子群優(yōu)化改進算法求解混合整數(shù)非線性規(guī)劃問題[J];小型微型計算機系統(tǒng);2005年06期

8 戴冬雪,王祁,阮永順,王曉超;基于混沌思想的粒子群優(yōu)化算法及其應(yīng)用[J];華中科技大學學報(自然科學版);2005年10期

9 竇全勝;周春光;馬銘;劉全;;群核進化粒子群優(yōu)化方法[J];計算機科學;2005年08期

10 范娜;云慶夏;;粒子群優(yōu)化算法及其應(yīng)用[J];信息技術(shù);2006年01期

相關(guān)會議論文 前10條

1 張妍;張曉光;王永鋼;;幾種改進型的粒子群優(yōu)化算法[A];第一屆中國高校通信類院系學術(shù)研討會論文集[C];2007年

2 孫紅光;潘毓學;;基于運動目標路徑的粒子群優(yōu)化算法研究[A];第二屆全國信息獲取與處理學術(shù)會議論文集[C];2004年

3 韓毅;唐加福;郭偉宏;劉陽;;混合粒子群優(yōu)化算法求解多層批量問題(英文)[A];中國運籌學會第八屆學術(shù)交流會論文集[C];2006年

4 金一粟;梁逸曾;;空間自適應(yīng)粒子群優(yōu)化算法的應(yīng)用研究[A];第九屆全國計算（機）化學學術(shù)會議論文摘要集[C];2007年

5 汪榮貴;李守毅;孫見青;;一種新的自適應(yīng)粒子群優(yōu)化算法及應(yīng)用[A];計算機技術(shù)與應(yīng)用進展·2007——全國第18屆計算機技術(shù)與應(yīng)用（CACIS）學術(shù)會議論文集[C];2007年

6 黃雙歡;程良倫;;一種基于粒子群優(yōu)化的快速圖像傾斜角度檢測算法[A];中國自動化學會中南六�。▍^(qū)）2010年第28屆年會·論文集[C];2010年

7 侯志榮;呂振肅;;基于退火策略的粒子群優(yōu)化算法[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

8 徐俊杰;忻展紅;;基于增強型參考位置的粒子群優(yōu)化模型[A];’2004系統(tǒng)仿真技術(shù)及其應(yīng)用學術(shù)交流會論文集[C];2004年

9 王亞;于永光;耿玲玲;;一類改進的自適應(yīng)粒子群優(yōu)化算法對混沌系統(tǒng)未知參數(shù)的估計[A];中國力學大會——2013論文摘要集[C];2013年

10 崔靜;鄧方;方浩;;基于改進粒子群優(yōu)化算法的彈道求解方法[A];2013年中國智能自動化學術(shù)會議論文集（第三分冊）[C];2013年

相關(guān)博士學位論文 前10條

1 劉昊;多樣性增強的粒子群優(yōu)化算法及其應(yīng)用研究[D];北京理工大學;2015年

2 姜毅;動態(tài)環(huán)境下粒子群優(yōu)化算法的研究[D];武漢大學;2013年

3 劉華鎣;粒子群優(yōu)化算法的改進研究及在石油工程中的應(yīng)用[D];東北石油大學;2012年

4 劉波;粒子群優(yōu)化算法及其在機電設(shè)備中的應(yīng)用研究[D];中北大學;2011年

5 熊勇;粒子群優(yōu)化算法的行為分析與應(yīng)用實例[D];浙江大學;2005年

6 唐賢倫;混沌粒子群優(yōu)化算法理論及應(yīng)用研究[D];重慶大學;2007年

7 閆允一;粒子群優(yōu)化及其在圖像處理中的應(yīng)用研究[D];西安電子科技大學;2008年

8 余炳輝;粒子群優(yōu)化算法試驗研究及擴展[D];華中科技大學;2007年

9 唐賢倫;混沌粒子群優(yōu)化算法理論及應(yīng)用[D];重慶大學;2007年

10 徐慧;粒子群優(yōu)化算法改進及其在煤層氣產(chǎn)能預(yù)測中的應(yīng)用研究[D];中國礦業(yè)大學;2013年

相關(guān)碩士學位論文 前10條

1 陳卓;粒子群優(yōu)化算法的改進及在油藏數(shù)值模擬中的應(yīng)用[D];北京建筑大學;2015年

2 白云;基于粒子群優(yōu)化算法的復(fù)雜網(wǎng)絡(luò)社區(qū)挖掘[D];西北農(nóng)林科技大學;2015年

3 楊艷華;基于粒子群優(yōu)化支持向量機的網(wǎng)絡(luò)態(tài)勢預(yù)測模型研究[D];蘭州大學;2015年

4 孟亞州;基于粒子群優(yōu)化OTSU的肺組織分割算法研究[D];寧夏大學;2015年

5 鄭博;基于快速排序的多目標粒子群優(yōu)化算法的研究及應(yīng)用[D];鄭州大學;2015年

6 米永強;非線性規(guī)劃問題的混合粒子群優(yōu)化算法研究[D];寧夏大學;2015年

7 李建美;基于自適應(yīng)變異與文化框架的混沌粒子群優(yōu)化算法[D];陜西師范大學;2015年

8 劉星;基于粒子群優(yōu)化算法的特征選擇方法研究[D];南京大學;2015年

9 牛旭;動態(tài)粒子群優(yōu)化算法及其應(yīng)用[D];西安電子科技大學;2014年

10 葉華;粒子群優(yōu)化算法研究[D];西安電子科技大學;2014年

，

本文編號：1591553