CN101819682A - 基于马尔科夫链蒙特卡洛粒子滤波的目标跟踪方法 - Google Patents
基于马尔科夫链蒙特卡洛粒子滤波的目标跟踪方法 Download PDFInfo
- Publication number
- CN101819682A CN101819682A CN 201010142207 CN201010142207A CN101819682A CN 101819682 A CN101819682 A CN 101819682A CN 201010142207 CN201010142207 CN 201010142207 CN 201010142207 A CN201010142207 A CN 201010142207A CN 101819682 A CN101819682 A CN 101819682A
- Authority
- CN
- China
- Prior art keywords
- particle
- mcmc
- filtering
- initial
- sampling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Complex Calculations (AREA)
Abstract
本发明提供的是一种基于马尔科夫链蒙特卡洛粒子滤波的目标跟踪方法:1、初始时刻,由初始分布中得到一组初始粒子,并设置其初始的均值和方差;2、重要性采样;3、权值更新;4、得到归一化的权值;5、再采样;6、引入MCMC移动步骤;7、状态更新。本发明通过MCMC移动步骤,将粒子推向先验分布和后验分布都较大的区域,改善粒子多样性,在一定程度上抑制样本贫化问题。样本贫化问题的解决使得算法再采样的效果得到保证,进而可以提高滤波的精度。MCMC移动步骤比较容易实现,因此可以与其它改进步骤结合运用对粒子滤波进行优化。MCMC步骤的加入增加了滤波方法的运算量,但另一方面降低了精确估计所需要的粒子数,提高了滤波的效率。
Description
技术领域
本发明提供的是一种函数跟踪方法,具体涉及融合了马尔科夫链蒙特卡洛移动步骤的粒子滤波方法(PF-MCMC)。
背景技术
非线性滤波方法目前广泛应用于信号处理以及导航制导、目标跟踪、金融分析、人工智能等相关领域。最早出现的非线性滤波算法是扩展卡尔曼滤波(EKF),EKF的核心思想是对随机系统的非线性模型作线性近似,而且其噪声是基于高斯假设的,因此对于强非线性非高斯模型的滤波效果不佳,在工程应用中,EKF仅对某些特定的模型有效,对于很多非线性系统不能保证收敛和滤波精度。无迹卡尔曼滤波(UKF)也是较为常用的一种非线性滤波算法,UKF无须将模型进行线性化,直接使用非线性模型,避免了局部线性化引入的误差,避免在强非线性系统中出现发散。但由于UKF也是基于高斯假设,所以在工程应用中的很多非高斯模型上很难取得理想的滤波效果。以非参数化的蒙特卡罗模拟方法为基础的粒子滤波(PF)可以有效的弥补EKF和UKF的不足,PF方法的核心是利用些随机样本(粒子)来表示系统随机变量的后验概率密度,能得到基于物理模型的近似最优数值解,而不是对近似模型进行最优滤波。
PF最常见的问题是粒子退化现象,即经过几次迭代,除一个粒子外,所有粒子都只具有微小的权值,这意味着大量的计算工作都被用来更新那些对后验概率密度的估计几乎没有影响的粒子上。解决该问题的一个关键技术是再采样策略,其基本思想是通过后验概率密度函数再采样N次,产生新的粒子集,由于再采样是独立同分布,粒子权值被重新设置为1/N,再采样带来的负面问题是样本贫化现象,即高权值的粒子被多次复制,采样结果中包含了很多重复点,不能有效的反应状态变量的概率分布,从而丧失了粒子的多样性,甚至会导致滤波发散。因此,一个好的再采样算法应该能够在增加粒子多样性和减少小权值粒子数目之间进行有效平衡。
马尔可夫链蒙特卡罗(MCMC)算法是一种利用马尔科夫链无记忆性的随机模拟方法。其基本思想是:构造一条非周期、不可约的马尔科夫链(X0,X1,X2…),并且它有不变分布π,当这一马尔科夫链迭代次数接近无穷大时,得到的Xn的分布可以无限接近π。利用这种方法我们可以找到一条以P为不变分布的马尔科夫链,进而可以得到近似服从P的随机样本。MCMC方法主要应用在下面几个方面:用于生成比较复杂的随机数,可以实现对高维分布的采样,也是重要性采样的一种方法;实现高维积分的数值计算;用被估参数的贝叶斯分布的采样来估计参数;求复杂样本空间上函数的极值(模拟退火)。
发明内容
本发明的目的在于提供一种能提高滤波精度,改善粒子多样性的基于马尔科夫链蒙特卡洛粒子滤波的目标跟踪方法。
本发明的目的是这样实现的:
主要包括如下步骤:
第一步,初始化粒子,并设置其初始的均值和方差。
第二步,使用UKF/SSUKF或混合建议分布更新粒子:
混合建议分布即通过UKF/SSUKF得到的分布产生一部分粒子,剩余粒子由先验分布产生。
第三步,权值更新
上式中的重要性概率密度函数 引入了最新的观测值,因此改善了滤波器的性能。
第五步,再采样。
第六步,引入MCMC移动步骤,使用马特普利斯-黑斯廷(Metropolis-Hasting)算法的具体步骤。
第七步,状态更新。
至此,算法一个时间步的运算结束,进入下一时间步的运算,转入第二步运行。
本发明针对再采样步骤引起的样本贫化现象,在这一步骤之后引入MCMC移动步骤,使得粒子群有序移动,得到更好的分布,改善了多样性,能够在定程度上减轻样本的贫化现象。
MCMC移动步骤本来用于不确定参数的系统辨识,Metropolis-Hasting算法是一种典型的MCMC方法,在再采样步骤中引入MCMC移动步骤可以提高滤波精度和对粒子个数进行调整。
Metropolis-Hasting算法的基本步骤如下:
第一步,任意选取马尔科夫链的初始状态X0=x。
第二步,从重要性分布中产生备选择点
其中k为算法迭代步数。
第三步,由均匀分布U(0,1)中产生一个参考分布,即v~U(0,1)
第四步,判断是否接受移动
从上述步骤可以得知,MCMC方法主要是把粒子推向先验密度和后验密度都较大的区域。可以动态调整系统的性能和控制粒子数目的增减。
在粒子滤波的步骤中,最为重要的是重要性采样和再采样步骤。在再采样步骤之中加入MCMC算法。通过利用某一门限值判断是否接受移动,如果移动则将粒子推向后验密度较大的区域,如果不移动,则说明再采样的粒子得到了应有的效果无需移动。因此,这一步骤从一定程度上保证了再采样步骤的效果,相应也保证了算法的滤波精度。但是,加入了MCMC步骤之后,也相应加重了算法的计算负担,使得滤波的快速性有所下降。因此在需要保证快速性的场合,可以考虑使用相对简单的重要性采样方式或者对粒子数进行一定的控制,以减小算法整体的计算量。
本发明具有以下优点:
第一,通过MCMC步骤,粒子推向在先验密度和后验密度都较大的区域,从而在一定程度上解决了样本贫化问题。
第二,保证了再采样步骤的效果,提高了滤波算法的精度。
第三,在传统的SIR中或者改进后的EKPF、UPF等粒子滤波算法中都可以加入MCMC算法,应用范围较广,均可以取得比较理想的效果。
本发明针对粒子滤波的粒子退化以及再采样引起的样本贫化问题,在粒子滤波中引入统计了统计理论中的马尔科夫链-蒙特卡洛方法,在每个粒子上增加一个稳定分布作为后验概率密度的马尔科夫链蒙特卡洛移动步骤,由此提高滤波精度,改善粒子多样性。
附图说明
图1为PF-MCMC滤波方法流程图;
图2为UPF与UPF-MCMC在一次独立实验中的函数跟踪(N=200);
图3为SSUPF与SSUPF-MCMC在一次独立实验中的函数跟踪(N=200);
图4为UPF与混合分布UPF-MCMC在一次独立实验中的函数跟踪(N=200)。
具体实施方式
下面结合附图举例对本发明做更详细地描述:
本发明PF-MCMC滤波方法的基本步骤如下:
第一步,初始时刻,由初始分布p(x0)中得到一组初始粒子,并设置其初始的均值和方差。
第二步,更新粒子:
使用UKF/SSUKF或混合建议分布更新粒子:
混合建议分布即通过UKF/SSUKF得到的分布产生一部分粒子,剩余粒子由先验分布产生,步骤如下:
第三步,权值更新:
上式中的重要性概率密度函数引入了最新的观测值,因此改善了滤波器的性能。
第五步,再采样:
第六步,引入MCMC移动步骤:
即运用Metropolis-Hasting算法的具体步骤
至此,算法一个时间步的运算结束,进入下一时间步的运算,转入第二步运行。
实施实例一
单变量非稳定增长模型(UNGM)是在经济领域应用较为广泛的一种非线性模型,利用这一模型对PF-MCMC滤波方法的跟踪性能和一般粒子滤波性能进行比较,该模型是研究比较各种粒子滤波的算法性能的标准验证程序之一,其状态方程和观测方程如下:
其中观测噪声vt~N(0,1),系统噪声为如下的高斯和分布:
p(ut)=0.8N(u;0,1)+0.2N(u;0,10)
给定系统状态条件下的测量似然函数在yt>0时是双模态的,在yt<0是单模态的。由于状态初始值和滤波迭代步数与粒子滤波算法无关,因此可以不考虑这两个参数。另外,状态初始方差、测量噪声方差、过程噪声方差与重采样算法关系不大,而且在实际应用中,这三个参数都是由传感器等测量仪给出的。仿真实验中的滤波参数如下:状态初值为0.1,状态初始方差2,采样粒子数100,迭代时间步数100,再采样阈值0.9。混合建议分布MCMC滤波选用SSUKF和先验分布共同产生建议分布,比例参数a=0.4。
仿真数据在表1中显示,实验表明,MCMC方法把粒子推向高似然函数区域,在过程噪声比较小的情况下,UPF-MCMC和SSUPF-MCMC和混合建议分布MCMC算法完全没有采样枯竭问题。有效样本个数可以衡量粒子滤波算法的退化程度,对于SIR滤波Neff=25.947;而UPF-MCMC滤波达到了Neff=72.214;SSUPF-MCMC滤波Neff=73.526;混合建议分布MCMC滤波Neff=73.029。
表1
UPF | UPF-MCMC | SSUPF | SSUPF-MCMC | 混合建议分布MCMC | |
RMSE均值 | 4.1206 | 3.2093 | 4.1238 | 3.2253 | 3.3762 |
RMSE方差 | 1.1107 | 1.0961 | 1.1149 | 1.0980 | 1.0913 |
实施实例二
利用下面的非线性模型对滤波跟踪性能进行验证,其状态方程和观测方程如下:
在实验中,分别采用UPF以及SSUPF与本文提出的UPF-MCMC、SSUPF-MCMC、混合建议分布MCMC方法进行比较。采用的粒子数N为200个,量测时间为T=60,进行100次独立的实验,UPF的UT变换参数为α=1,β=0,κ=2。混合建议分布MCMC滤波选用SSUKF和先验分布共同产生建议分布,比例参数a=0.4。
图2给出了给出了UPF、UPF-MCMC在一次独立实验中的状态估计结果。。图3给出了SSUPF、SSUPF-MCMC在一次独立实验中的状态估计误差。图4给出了SSUPF、混合建议分布MCMC在一次独立实验中的状态估计误差。从以上图中可以看出,对于非线性、非高斯问题,PF算法得到的状态估计在部分时刻会严重偏离真实值,UPF与SSUPF算法得到的状态估计可以较好的吻合真实状态,在加入了MCMC步骤的三种算法的跟踪性能进一步提高。从图2到图4可以看出,在非线性较强的前30个时间步,加入了MCMC的三种算法的跟踪性能明显好于其余三种,而在后30时间步,各种算法的跟踪性能很相近。
表2
UPF | UPF-MCMC | SSUPF | SSUPF-MCMC | 混合建议分布MCMC | |
RMSE均值 | 0.05201 | 0.05032 | 0.05227 | 0.05068 | 0.05104 |
UPF | UPF-MCMC | SSUPF | SSUPF-MCMC | 混合建议分布MCMC | |
RMSE方差 | 0.003706 | 0.001695 | 0.003683 | 0.001702 | 0.001828 |
运算时间(S) | 2.7291 | 6.6283 | 1.9883 | 4.3977 | 3.2165 |
通过上述模型将加入了MCMC步骤的粒子滤波跟踪方法与UPF和SSUPF三种方法的跟踪性能进行对比。主要对比数据为经过50次运行6种粒子滤波算法的均方根误差(RMSE)、运算时间,如表2所示。通过对这些性能指标的比较可以得到,在加入了MCMC步骤的三种算法中,UPF-MCMC、SSUPF-MCMC和混合建议分布MCMC算法的跟踪性能比较好,算法精度较高。但所用的计算时间大大超过前两种算法。由于在sigma采样时节省了一定的计算成本,SSUPF-MCMC的计算效率好于UPF-MCMC。由于采用了计算效率较高的重要性采样方式,所以混合建议分布MCMC算法的计算效率进一步有所改善。
Claims (1)
1.一种基于马尔可夫链蒙特卡罗粒子滤波的目标跟踪方法,其特征是主要包括如下步骤:
第一步,初始时刻,由初始分布p(x0)中得到一组初始粒子,并设置其初始的均值和方差;
第二步,重要性采样
(1)根据标准无迹粒子滤波算法以及基于超球面采样的无迹粒子滤波对粒子的状态进行更新;或采取混合建议分布,即一部分粒子通过标准无迹粒子滤波或算法以及基于超球面采样的无迹粒子滤得到,剩余部分由先验分布产生;
(3)从重要性密度函数中抽取粒子;
第三步,权值更新
第四步,得到归一化的权值
第五步,再采样:定义阈值Neff来衡量有效粒子数量,Nthr为有效粒子数,如Neff<Nthr,即对粒子集重新采样,产生新的集合{xk i,i=1,...,N},重新设定粒子的权值为:wk i=1/N,N为粒子数;
第六步,引入马尔科夫链蒙特卡洛移动步骤;
第七步,状态更新:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010142207 CN101819682A (zh) | 2010-04-09 | 2010-04-09 | 基于马尔科夫链蒙特卡洛粒子滤波的目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010142207 CN101819682A (zh) | 2010-04-09 | 2010-04-09 | 基于马尔科夫链蒙特卡洛粒子滤波的目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101819682A true CN101819682A (zh) | 2010-09-01 |
Family
ID=42654769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010142207 Pending CN101819682A (zh) | 2010-04-09 | 2010-04-09 | 基于马尔科夫链蒙特卡洛粒子滤波的目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101819682A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295188A (zh) * | 2012-02-28 | 2013-09-11 | 上海联影医疗科技有限公司 | X射线蒙特卡洛模拟的路径积分方法 |
CN103885029A (zh) * | 2014-04-21 | 2014-06-25 | 苏州果壳传感科技有限公司 | 基于无线传感器网络的一种多目标无源追踪方法 |
CN104027121A (zh) * | 2013-03-05 | 2014-09-10 | 上海联影医疗科技有限公司 | X射线多次散射模拟的重整化方法 |
CN105891865A (zh) * | 2016-03-28 | 2016-08-24 | 南京工程学院 | 基于马尔科夫链蒙特卡洛粒子滤波定位方法 |
CN106154275A (zh) * | 2015-04-10 | 2016-11-23 | 中国科学院声学研究所 | 一种水下小目标的跟踪方法 |
CN106154274A (zh) * | 2015-04-10 | 2016-11-23 | 中国科学院声学研究所 | 一种水下小目标多基地融合跟踪方法 |
CN106447696A (zh) * | 2016-09-29 | 2017-02-22 | 郑州轻工业学院 | 一种基于双向sift流运动评估的大位移目标稀疏跟踪方法 |
CN107590509A (zh) * | 2017-08-25 | 2018-01-16 | 电子科技大学 | 基于最大期望近似的切尔诺夫融合方法 |
CN108072865A (zh) * | 2016-11-10 | 2018-05-25 | 北京机电工程研究所 | 一种海面舰船目标检测前跟踪方法 |
CN108573040A (zh) * | 2018-04-08 | 2018-09-25 | 西北工业大学 | 一种基于目标分布的样本集优化算法 |
CN110020475A (zh) * | 2019-04-03 | 2019-07-16 | 北京工业大学 | 一种交通流预测的马尔科夫粒子滤波方法 |
CN110361744A (zh) * | 2019-07-09 | 2019-10-22 | 哈尔滨工程大学 | 基于密度聚类的rbmcda水下多目标跟踪方法 |
CN110909312A (zh) * | 2019-12-18 | 2020-03-24 | 哈尔滨工程大学 | 一种应用于rbmcda跟踪算法的目标消亡判断方法 |
CN110907896A (zh) * | 2019-12-16 | 2020-03-24 | 哈尔滨工程大学 | 一种非同步时延跟踪方法 |
CN111238483A (zh) * | 2020-02-12 | 2020-06-05 | 上海海事大学 | 基于sir粒子滤波方法的低功耗地形辅助导航系统及方法 |
CN111914475A (zh) * | 2020-06-29 | 2020-11-10 | 河海大学 | 一种加速刻画高斯水文地质参数场的贝叶斯逆模拟方法 |
CN112883627A (zh) * | 2021-02-26 | 2021-06-01 | 山东大学 | 基于伪蒙特卡罗粒子滤波的配电网状态估计方法及系统 |
KR20230077386A (ko) | 2021-11-25 | 2023-06-01 | 중앙대학교 산학협력단 | 적대적 공격을 이용한 물체추적 성능 향상 시스템 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101261691A (zh) * | 2008-04-18 | 2008-09-10 | 哈尔滨工业大学 | 适用于非线性系统状态的粒子估计方法 |
CN101644758A (zh) * | 2009-02-24 | 2010-02-10 | 中国科学院声学研究所 | 一种目标定位跟踪系统及方法 |
-
2010
- 2010-04-09 CN CN 201010142207 patent/CN101819682A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101261691A (zh) * | 2008-04-18 | 2008-09-10 | 哈尔滨工业大学 | 适用于非线性系统状态的粒子估计方法 |
CN101644758A (zh) * | 2009-02-24 | 2010-02-10 | 中国科学院声学研究所 | 一种目标定位跟踪系统及方法 |
Non-Patent Citations (7)
Title |
---|
《ECCV 2004》 20040514 Kenji Okuma et al A Boosted Particle Filter: Multitarget Detection and Tracking 第34-35页4.2节 1 , 2 * |
《Technical Report of Cambridge University Engineering Department》 20001231 Rudolph van der Merwe et al The Unscented Particle Filter 第21-23页6.1节,第28-30页第7节 1 , 2 * |
《仪器仪表学报》 20081031 赵琳 等 基于MCMC方法的正则粒子滤波算法及其应用 第2157-2159页2-3节 1 第29卷, 第10期 2 * |
《应用科技》 20090430 冯驰 等 有效粒子数MCMC粒子滤波算法研究 第19-22页 1 第36卷, 第4期 2 * |
《杭州电子科技大学学报》 20071231 吴涛 等 基于MCMC方法的粒子滤波改进算法 第52-55页 1 第27卷, 第6期 2 * |
《电子测试》 20091231 高静 等 MCMC粒子滤波算法研究及应用 第19-22页 1 , 第12期 2 * |
《系统工程与电子技术》 20090831 张苗辉 等 基于MCMC无味粒子滤波的目标跟踪算法 第1810-1813页 1 第31卷, 第8期 2 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295188B (zh) * | 2012-02-28 | 2016-05-18 | 上海联影医疗科技有限公司 | X射线蒙特卡洛模拟的路径积分方法 |
CN103295188A (zh) * | 2012-02-28 | 2013-09-11 | 上海联影医疗科技有限公司 | X射线蒙特卡洛模拟的路径积分方法 |
CN104027121A (zh) * | 2013-03-05 | 2014-09-10 | 上海联影医疗科技有限公司 | X射线多次散射模拟的重整化方法 |
CN104027121B (zh) * | 2013-03-05 | 2018-01-16 | 上海联影医疗科技有限公司 | X射线多次散射模拟的重整化方法 |
CN103885029A (zh) * | 2014-04-21 | 2014-06-25 | 苏州果壳传感科技有限公司 | 基于无线传感器网络的一种多目标无源追踪方法 |
CN106154275A (zh) * | 2015-04-10 | 2016-11-23 | 中国科学院声学研究所 | 一种水下小目标的跟踪方法 |
CN106154274A (zh) * | 2015-04-10 | 2016-11-23 | 中国科学院声学研究所 | 一种水下小目标多基地融合跟踪方法 |
CN106154275B (zh) * | 2015-04-10 | 2018-10-02 | 中国科学院声学研究所 | 一种水下小目标的跟踪方法 |
CN106154274B (zh) * | 2015-04-10 | 2018-10-02 | 中国科学院声学研究所 | 一种水下小目标多基地融合跟踪方法 |
CN105891865B (zh) * | 2016-03-28 | 2018-09-25 | 南京工程学院 | 基于马尔科夫链蒙特卡洛粒子滤波定位方法 |
CN105891865A (zh) * | 2016-03-28 | 2016-08-24 | 南京工程学院 | 基于马尔科夫链蒙特卡洛粒子滤波定位方法 |
CN106447696A (zh) * | 2016-09-29 | 2017-02-22 | 郑州轻工业学院 | 一种基于双向sift流运动评估的大位移目标稀疏跟踪方法 |
CN106447696B (zh) * | 2016-09-29 | 2017-08-25 | 郑州轻工业学院 | 一种基于双向sift流运动评估的大位移目标稀疏跟踪方法 |
CN108072865A (zh) * | 2016-11-10 | 2018-05-25 | 北京机电工程研究所 | 一种海面舰船目标检测前跟踪方法 |
CN107590509A (zh) * | 2017-08-25 | 2018-01-16 | 电子科技大学 | 基于最大期望近似的切尔诺夫融合方法 |
CN107590509B (zh) * | 2017-08-25 | 2020-09-29 | 电子科技大学 | 基于最大期望近似的切尔诺夫融合方法 |
CN108573040A (zh) * | 2018-04-08 | 2018-09-25 | 西北工业大学 | 一种基于目标分布的样本集优化算法 |
CN110020475A (zh) * | 2019-04-03 | 2019-07-16 | 北京工业大学 | 一种交通流预测的马尔科夫粒子滤波方法 |
CN110020475B (zh) * | 2019-04-03 | 2023-10-10 | 北京工业大学 | 一种交通流预测的马尔科夫粒子滤波方法 |
CN110361744A (zh) * | 2019-07-09 | 2019-10-22 | 哈尔滨工程大学 | 基于密度聚类的rbmcda水下多目标跟踪方法 |
CN110361744B (zh) * | 2019-07-09 | 2022-11-01 | 哈尔滨工程大学 | 基于密度聚类的rbmcda水下多目标跟踪方法 |
CN110907896A (zh) * | 2019-12-16 | 2020-03-24 | 哈尔滨工程大学 | 一种非同步时延跟踪方法 |
CN110907896B (zh) * | 2019-12-16 | 2022-06-21 | 哈尔滨工程大学 | 一种非同步时延跟踪方法 |
CN110909312B (zh) * | 2019-12-18 | 2022-04-22 | 哈尔滨工程大学 | 一种应用于rbmcda跟踪算法的目标消亡判断方法 |
CN110909312A (zh) * | 2019-12-18 | 2020-03-24 | 哈尔滨工程大学 | 一种应用于rbmcda跟踪算法的目标消亡判断方法 |
CN111238483A (zh) * | 2020-02-12 | 2020-06-05 | 上海海事大学 | 基于sir粒子滤波方法的低功耗地形辅助导航系统及方法 |
CN111914475A (zh) * | 2020-06-29 | 2020-11-10 | 河海大学 | 一种加速刻画高斯水文地质参数场的贝叶斯逆模拟方法 |
CN112883627A (zh) * | 2021-02-26 | 2021-06-01 | 山东大学 | 基于伪蒙特卡罗粒子滤波的配电网状态估计方法及系统 |
KR20230077386A (ko) | 2021-11-25 | 2023-06-01 | 중앙대학교 산학협력단 | 적대적 공격을 이용한 물체추적 성능 향상 시스템 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101819682A (zh) | 基于马尔科夫链蒙特卡洛粒子滤波的目标跟踪方法 | |
Christen et al. | A general purpose sampling algorithm for continuous distributions (the t-walk) | |
Zhang et al. | Efficient multi-objective calibration of a computationally intensive hydrologic model with parallel computing software in Python | |
Slivinski et al. | A hybrid particle–ensemble Kalman filter for Lagrangian data assimilation | |
CN104376581B (zh) | 一种采用自适应重采样的高斯混合无迹粒子滤波算法 | |
CN103955892B (zh) | 一种目标跟踪方法及扩展截断无迹卡尔曼滤波方法、装置 | |
Barnett et al. | Shilnikov chaos, low interest rates, and New Keynesian macroeconomics | |
Zhang et al. | New approach to H∞ control for Markovian jump singular systems | |
CN102737155A (zh) | 基于贝叶斯滤波的通用数据同化方法 | |
CN101826852A (zh) | 基于粒子群优化算法的无迹粒子滤波方法 | |
Ala-Luhtala et al. | An introduction to twisted particle filters and parameter estimation in non-linear state-space models | |
Oladyshkin et al. | Chaos expansion based Bootstrap filter to calibrate CO2 injection models | |
Zhao et al. | Sensitivity studies of a high accuracy surface modeling method | |
CN101826856A (zh) | 基于超球面采样无迹卡尔曼滤波的粒子滤波方法 | |
Roelofs et al. | Technology evaluation and uncertainty-based design optimization: A review | |
Lam et al. | Simulating tail events with unspecified tail models | |
Soria et al. | How efficient deep-learning object detectors are? | |
Roelofs et al. | Uncertainty-Based Design Optimization and Technology Evaluation: A Review | |
Young | Real-time updating in flood forecasting and warning | |
Yang et al. | Probabilistic modeling and uncertainty estimation of urban water consumption under an incompletely informational circumstance | |
Zhang et al. | Bayesian calibration of aquacrop model | |
Chen et al. | Uncertainty analysis of hydrologic forecasts based on copulas | |
Rao et al. | Efficient computation of extreme excursion probabilities for dynamical systems | |
Wahlström et al. | Alternative EM algorithms for nonlinear state-space models | |
Fang et al. | Effective filtering approach for joint parameter-state estimation in SDEs via Rao-blackwellization and modularization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20100901 |