CN102064783B - 一种概率假设密度粒子滤波器的设计方法及滤波器 - Google Patents
一种概率假设密度粒子滤波器的设计方法及滤波器 Download PDFInfo
- Publication number
- CN102064783B CN102064783B CN 201010530381 CN201010530381A CN102064783B CN 102064783 B CN102064783 B CN 102064783B CN 201010530381 CN201010530381 CN 201010530381 CN 201010530381 A CN201010530381 A CN 201010530381A CN 102064783 B CN102064783 B CN 102064783B
- Authority
- CN
- China
- Prior art keywords
- circuit
- input
- output
- measured value
- selector
- 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.)
- Expired - Fee Related
Links
- 239000002245 particle Substances 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000012952 Resampling Methods 0.000 claims abstract description 29
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 230000033001 locomotion Effects 0.000 claims abstract description 3
- 230000009977 dual effect Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 3
- 230000004083 survival effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000000151 deposition Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种概率假设密度粒子滤波器的设计方法及滤波器。其观测值接观测值选择电路的一个输入端,观测值选择电路的另一个输入端接状态估计电路的输出端,观测值选择电路的输出端接更新电路的一个输入端,预测电路的一个输出端接更新电路的另一个输入端,预测电路的另一个输出端接状态估计电路的一个输入端,更新电路的输出端接重采样电路的输入端,重采样电路的一个输出端接预测电路的输入端,重采样电路的另一个输出端接状态估计电路的另一个输入端。本发明在改进的概率假设密度粒子滤波器的理论基础上,设计了它的硬件电路实现方案,仿真结果表明,其跟踪性能和理论分析相近,能够用于跟踪杂波环境下的多个目标运动的问题。
Description
技术领域
本发明涉及粒子滤波器的设计方法及硬件电路,尤其是涉及一种概率假设密度粒子滤波器的设计方法及滤波器。
背景技术
目标跟踪在军事和民用领域均有十分广泛的应用。在军事方面,目标跟踪可用于导弹制导、海洋监视(例如潜艇)、空防预警、战场监视卫星侦察等;而在民用领域方面,目标跟踪技术广泛用于空中交通管制(民航飞机)、防撞、机器人定位、计算机视觉等方面。因而,对目标跟踪问题进行研究,具有极大的理论和现实意义。
在目标跟踪问题中,滤波处理是其核心部分。其中,粒子滤波算法由于其对非线性、非高斯信号的强大处理能力,得到了研究学者的极大关注,并在此基础上发展出了许多相关算法。当涉及到多个目标的跟踪问题时,传统的方法是采用数据关联。最近出现的概率假设密度算法不需要做数据关联,且可以跟踪目标数目不定的多个目标。它传递多目标联合后验概率分布的一阶矩,在保证跟踪精度的同时,极大地减少了计算量。但是概率假设密度算法难以直接实现,可以使用粒子滤波的思想来实现概率假设密度算法,这为解决杂波环境下多目标跟踪的问题提供了一个很好的方法。
由于概率假设密度粒子滤波器具有的优越性及广泛的应用范围,因而具有极高的实际应用价值。如果概率假设密度粒子滤波器应用到实际,就需要将算法转化成硬件电路实现,这就使得研究它的硬件实现也具有很大的现实意义。目前概率假设密度粒子滤波器相关的文献都集中于理论算法的研究,没有涉及到硬件实现,因此在此领域存在空白。
发明内容
为了研究概率假设密度粒子滤波器的设计方法以及硬件电路实现方案,本发明的目的在于提供一种概率假设密度粒子滤波器的设计方法及滤波器。
本发明采用的技术方案是:
一、一种概率假设密度粒子滤波器的设计方法:
1)从得到的观测值中选取得到固定个数8个观测值进行滤波运算,利用k-2时刻的状态估计值对k时刻接收到的观测值进行选择,选取8个观测值进行滤波器的运算;
2)根据杂波密度并结合仿真结果,选择观测值的固定个数为8,当接收到的观测值个数少于等于8个时,所有的观测值都会被选到,并且用出现概率为0的值补足8个;当个数大于8个时,先利用k-2时刻的状态估计值和初始的速度计算得到k时刻的预测观测值,之后根据观测值和预测观测值之间的距离,选择最有可能的8个观测值;
3)k=1时刻和k=2时刻选择观测值需要采用不同的方法,k=1时刻如果观测值个数大于8个需要进行选择,观测值将和初始位置之间计算距离,选取8个观测值;k=2时刻如果观测值个数大于8个需要进行选择,则先计算物体按照初始位置和初始速度运动一个时刻所到达的预测位置,再将观测值和预测位置进行距离计算,选取8个观测值;
4)滤波器使用粒子来表征目标的后验概率分布,由于粒子滤波器的性能和粒子的数目成正比,但是在硬件电路中,粒子数目过多会带来长的延时从而影响实时性,所以综合考虑性能和实时性,选择使用1024个粒子用于存活粒子,另外1024个粒子用于新生粒子;
5)在滤波器设计中,估计目标的状态值需要用到聚类算法,这一步骤将使用软件计算或者DSP处理,硬件电路不做具体处理。
二、一种概率假设密度粒子滤波器:
包括观测值选择电路、预测电路、更新电路、重采样电路和状态估计电路;观测值接观测值选择电路的一个输入端,观测值选择电路的另一个输入端接状态估计电路的输出端,观测值选择电路的输出端接更新电路的一个输入端,预测电路的一个输出端接更新电路的另一个输入端,预测电路的另一个输出端接状态估计电路的一个输入端,更新电路的输出端接重采样电路的输入端,重采样电路的一个输出端接预测电路的输入端,重采样电路的另一个输出端接状态估计电路的另一个输入端。
所述的观测值选择电路,包括计数器,比较器,延时电路,2-5个距离计算电路,与距离计算电路相同个数的排序电路,双口RAM存储器,序号输出电路和选择器;观测值、接计数器的输入端和延时电路的输入端连接,计数器的输出端连接到比较器的输入端,比较器的输出端连接到选择器的第一输入端,延时电路的一个输出端连接到选择器的第二输入端,延时电路的另一个输出端与双口RAM存储器的一个输入端和2-5个距离计算电路的输入端连接,各个距离计算电路的输出端连接到各自对应的排序电路的输入端,2-5个排序电路的输出端接连接到序号输出电路的输入端,序号输出电路的输出端连接到双口RAM存储器的另一个输入端,双口RAM存储器的输出端连接到选择器的第三输入端。
所述的预测电路和重采样电路,包括粒子重采样电路,复制序号存储器,丢弃序号存储器,两个寄存器,比较器,四个选择器,粒子状态存储器,采样电路,新生粒子生成电路;粒子重采样电路的一个输出端连接到复制序号存储器的输入端,另一个输出端连接到丢弃序号存储器的第一输入端,复制序号存储器的输出端与粒子状态存储器的读地址端口、第一选择器的第二输入端和第一寄存器的输入端连接,第一寄存器的输出端连接到比较器的输入端,比较器的输出端与第一选择器的第一输入端、第三选择器的第一输入端和丢弃序号存储器的第二输入端连接,丢弃序号存储器的输出端与第一选择器的第三输入端和第二选择器的第三输入端连接,第一选择器的输出端连接到第二选择器的第二输入端,第二选择器的输出端连接到粒子状态存储器的写地址端口,粒子状态存储器的输出端连接到第三选择器的第二输入端,第三选择器的输出端、第二寄存器的输入端和采样电路的输入端连接,第二寄存器的输出端连接第三选择器的第三输入端,采样电路的输出端连接到第四选择器的第三输入端,新生粒子生成电路的输出端连接到第四选择器的第二输入端,第四选择器的输出端连接到粒子状态存储器的写数据输入端,新生粒子信号与丢弃序号存储器的第三输入端、第二选择器的第一输入端和第四选择器的第一输入端连接。
所述的新生粒子生成电路,包括线性反馈移位寄存器,四个ROM,四个乘法器和四个加法器;线性反馈移位寄存器的输出分别连接到四个ROM的输入端,四个ROM的输出端分别连接到各自乘法器的一个输入端,各自乘法器的另一个输入端分别连接x方向位置的标准差、x方向速度的标准差、y方向位置的标准差、y方向速度的标准差,四个乘法器的输出端分别连接到各自加法器的一个输入端,各自加法器的另一个输入端分别连接x方向位置的平均值、x方向速度的平均值、y方向位置的平均值、y方向速度的平均值,四个加法器的输出端连接到选择器的输入端。
所述的更新电路,包括8个观测值处理电路,加法运算电路和权重更新计算电路;其中,每个观测值处理电路均包括似然函数计算电路、第一乘法器、RAM、第一加法器、累加器、第二加法器、倒数计算电路和第二乘法器;加法运算电路包括第三加法器;权重更新计算电路包括第四加法器和第三乘法器;观测值选择电路的输出端连接到更新电路的8个观测值处理电路的输入端,每个观测值分别连接到各自对应的似然函数计算电路的输入端,似然函数计算电路的输出端连接第一乘法器的一个输入端,第一乘法器的另一个输入端连接检测到概率pD(x),第一乘法器的输出端、RAM的输入端和第一加法器的一个输入端连接,RAM的输出端连接第二乘法器的一个输入端,第一加法器的另一个输入端连接预测权重,第一加法器的输出端连接累加器的输入端,累加器的输出端连接第二加法器的一个输入端,第二加法器的另一个输入端连接杂波密度κk(z),第二加法器的输出连接倒数计算电路的输入端,倒数计算电路的输出端连接乘法器的另一个输入端,乘法器的输出端连接第三加法器的输入端,第三加法器的输出端连接第四加法器的一个输入端,第四加法器的另一个输入端连接未检测到概率第四加法器的输出端连接第三乘法器的一个输入端,第三乘法器的另一个输入端连接预测权重。
本发明与背景技术相比,具有的有益效果是:
本发明在一种改进的概率假设密度粒子滤波器的理论基础上,设计了它的滤波器实现方案,仿真结果表明,此概率假设密度粒子滤波器的设计方法及滤波器的跟踪性能和理论分析相近,能够用于跟踪杂波环境下的多个目标运动的问题。
附图说明
图1是本发明的结构原理框图。
图2是图1的观测值选择电路原理框图。
图3是图1的重采样电路和预测电路原理框图。
图4是图1的新生粒子生成电路原理框图。
图5是图1的更新电路原理框图。
图6是设计方法软件仿真和滤波器的性能比较图。
图中,1、观测值,2、观测值选择电路,3、预测电路,4、更新电路,5、重采样电路,6、状态估计电路,21、计数器,22、比较器,23、延时电路,24、距离计算电路,25、排序电路,26、双口RAM存储器,27、序号输出电路,28、选择器,51、粒子重采样电路,52、复制序号存储器,53、丢弃序号存储器,311、寄存器,312、寄存器,32、比较器,33、选择器,34、选择器,35、选择器,36、粒子状态存储器,37、选择器,38、采样电路,39、新生粒子生成电路,391、线性反馈移位寄存器,392、ROM,393、乘法器,394、加法器,41、似然函数计算电路,42、乘法器,43、RAM,44、加法器,45、累加器,46加法器,47、倒数计算电路,48、乘法器,4B1、加法器,4C1、加法器,4C2、乘法器。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示,本发明包括观测值选择电路2、预测电路3、更新电路4、重采样电路5和状态估计电路6;观测值1接观测值选择电路2的一个输入端,观测值选择电路2的另一个输入端接状态估计电路6的输出端,观测值选择电路2的输出端接更新电路4的一个输入端,预测电路3的一个输出端接更新电路4的另一个输入端,预测电路3的另一个输出端接状态估计电路6的一个输入端,更新电路4的输出端接重采样电路5的输入端,重采样电路5的一个输出端接预测电路3的输入端,重采样电路5的另一个输出端接状态估计电路6的另一个输入端。
如图2所示,所述的观测值选择电路2,包括计数器21,比较器22,延时电路23,2-5个距离计算电路24,与距离计算电路24相同个数的排序电路25,双口RAM存储器26,序号输出电路27和选择器28;观测值1、接计数器21的输入端和延时电路23的输入端连接,计数器21的输出端连接到比较器22的输入端,比较器22的输出端连接到选择器28的第一输入端,延时电路23的一个输出端连接到选择器28的第二输入端,延时电路23的另一个输出端与双口RAM存储器26的一个输入端和2-5个距离计算电路24的输入端连接,各个距离计算电路24的输出端连接到各自对应的排序电路25的输入端,2-5个排序电路25的输出端接连接到序号输出电路27的输入端,序号输出电路27的输出端连接到双口RAM存储器26的另一个输入端,双口RAM存储器26的输出端连接到选择器28的第三输入端。
观测值选择电路2将得到的k时刻的观测值1送入延时器23做延时,同时将观测值1送入计数器21进行计数,计数值进入比较器22和固定值8做比较,如果得到小于等于信号,那么延时电路23出来的观测值进入选择器28,并在小于等于信号选择下直接输出,如果比较器22得到大于信号,那么延时电路23出来的观测值将按顺序存入双口RAM存储器26,同时进入2-5个距离计算电路24计算距离,距离计算电路24输出的距离值进入各自对应的排序电路25,按照距离值从小到大排序,排序电路25输出各个观测值的序号。2-5个排序电路25输出的序号值都进入序号输出电路27,选择不重复的8个序号,这8个序号作为双口RAM存储器26的读地址,读出该地址对应的观测值到选择器28,选择器28在大于信号控制下,输出经过选择的8个观测值。
如图3所示,所述的预测电路3和重采样电路5,包括粒子重采样电路51,复制序号存储器52,丢弃序号存储器53,两个寄存器311、312,比较器32,四个选择器33、34、35、37,粒子状态存储器36,采样电路38,新生粒子生成电路39;粒子重采样电路51的一个输出端连接到复制序号存储器52的输入端,另一个输出端连接到丢弃序号存储器53的第一输入端,复制序号存储器52的输出端与粒子状态存储器36的读地址端口、第一选择器33的第二输入端和第一寄存器31的输入端连接,第一寄存器31的输出端连接到比较器32的输入端,比较器32的输出端与第一选择器33的第一输入端、第三选择器35的第一输入端和丢弃序号存储器53的第二输入端连接,丢弃序号存储器53的输出端与第一选择器33的第三输入端和第二选择器34的第三输入端连接,第一选择器33的输出端连接到第二选择器34的第二输入端,第二选择器34的输出端连接到粒子状态存储器36的写地址端口,粒子状态存储器36的输出端连接到第三选择器35的第二输入端,第三选择器35的输出端、第二寄存器312的输入端和采样电路38的输入端连接,第二寄存器312的输出端连接第三选择器35的第三输入端,采样电路38的输出端连接到第四选择器37的第三输入端,新生粒子生成电路39的输出端连接到第四选择器37的第二输入端,第四选择器37的输出端连接到粒子状态存储器36的写数据输入端,新生粒子信号与丢弃序号存储器53的第三输入端、第二选择器34的第一输入端和第四选择器37的第一输入端连接。
如图4所示,所述的新生粒子生成电路39,包括线性反馈移位寄存器391,四个ROM392a、392b、392c、392d,四个乘法器393a、393b、393c、393d和四个加法器394a、394b、394c、394d;线性反馈移位寄存器391的输出分别连接到四个ROM392a、392b、392c、392d的输入端,四个ROM392a、392b、392c、392d的输出端分别连接到各自乘法器393a、393b、393c、393d的一个输入端,各自乘法器393a、393b、393c、393d的另一个输入端分别连接x方向位置的标准差、x方向速度的标准差、y方向位置的标准差、y方向速度的标准差,四个乘法器393a、393b、393c、393d的输出端分别连接到各自加法器394a、394b、394c、394d的一个输入端,各自加法器394a、394b、394c、394d的另一个输入端分别连接x方向位置的平均值、x方向速度的平均值、y方向位置的平均值、y方向速度的平均值,四个加法器394a、394b、394c、394d的输出端连接到选择器37的输入端。
预测电路3计算得到所有2048个粒子的预测权重,预测权重将进入更新电路4,由观测值选择电路2输出的8个观测值也输入到更新电路4,这8个观测值和预测权重一起计算粒子在k时刻的更新权重,更新电路4输出更新权重到粒子重采样电路51,根据系统重采样的原理进行重采样,重采样之后得到需要保留复制的粒子序号就存入复制序号存储器52,需要丢弃的粒子序号存入丢弃粒子序号存储器53。每一个时钟周期,从复制序号存储器52中读出一个粒子序号,存放于寄存器311,并从寄存器311输出到比较器32比较粒子序号是否重复,当粒子序号是第一次读取时,从粒子状态存储器36读取相应的粒子状态经过选择器35存放于寄存器312,粒子状态经过采样电路38后,由选择器37输出写入粒子状态存储器36读出的地址中,当同样的粒子序号在下一个时钟周期又从复制序号存储器52中读出,比较器32就会输出重复信号,这时粒子状态就不再从粒子状态存储器36读取,而是直接从寄存器312读取并进入采样电路38,同时重复信号会使丢弃序号存储器53输出一个丢弃粒子的序号,用于存放采样电路38输出的粒子状态。新生粒子生成电路39产生粒子,同时产生新生粒子信号,此信号会控制选择器37将新生粒子状态写入粒子状态存储器36,并且新生粒子信号会使丢弃序号存储器53输出丢弃粒子的序号用于存放新生粒子的状态。
新生粒子生成电路39中,线性移位反馈寄存器391用于生成L比特的伪随机数,ROM392a、392b、392c、392d内存放事先由Box-Muller方法生成的零均值方差为1的高斯白噪声,通过选取线性反馈移位寄存器391并行输出的L比特中的四组不同的m+n比特作为ROM的读取地址,然后分别乘上x方向位置的方差、x方向速度的方差、y方向位置的方差、y方向速度的方差,再加上x方向位置的平均值、x方向速度的平均值、y方向位置的平均值、y方向速度的平均值,就可以获得新生粒子的状态值。
如图5所示,所述的更新电路4,包括8个观测值处理电路4A,加法运算电路4B和权重更新计算电路4C;其中,每个观测值处理电路4A均包括似然函数计算电路41、第一乘法器42、RAM43、第一加法器44、累加器45、第二加法器46、倒数计算电路47和第二乘法器48;加法运算电路4B包括第三加法器4B1;权重更新计算电路4C包括第四加法器4C1和第三乘法器4C2;观测值选择电路2的输出端连接到更新电路4的8个观测值处理电路4A的输入端,每个观测值分别连接到各自对应的似然函数计算电路41的输入端,似然函数计算电路41的输出端连接第一乘法器42的一个输入端,第一乘法器42的另一个输入端连接检测到概率pD(x),第一乘法器42的输出端、RAM43的输入端和第一加法器44的一个输入端连接,RAM43的输出端连接第二乘法器48的一个输入端,第一加法器44的另一个输入端连接预测权重,第一加法器44的输出端连接累加器45的输入端,累加器45的输出端连接第二加法器46的一个输入端,第二加法器46的另一个输入端连接杂波密度κk(z),第二加法器46的输出连接倒数计算电路47的输入端,倒数计算电路47的输出端连接乘法器48的另一个输入端,乘法器48的输出端连接第三加法器4B1的输入端,第三加法器4B1的输出端连接第四加法器4C1的一个输入端,第四加法器4C1的另一个输入端连接未检测到概率第四加法器4C1的输出端连接第三乘法器4C2的一个输入端,第三乘法器4C2的另一个输入端连接预测权重。
更新电路4中,每个观测值将进入观测值处理电路4A进行计算。以第i个观测值为例,进入似然函数电路41,和所有的2048个粒子分别计算似然函数,结果乘上检测到概率pD(x),乘积存入RAM43,同时乘积值和预测权重相乘,输出2048个乘积进入累加器45求累加和,累加和加上杂波密度κk(z),计算得到的和进入倒数计算电路47求取倒数,此倒数值和RAM43中存放的2048个值相乘并输出到加法运算电路4B。共有8组乘积同时输入到加法运算电路4B,在加法器4B1中求和,结果输出到权重更新计算电路4C与未检测到概率相加,得到的和再乘上预测权重,从而获得更新权重值。
图6所示为设计方法软件仿真和滤波器的误差比较。滤波器和软件模拟仿真结果具有相当的性能,证明一种概率假设密度粒子滤波器的设计方法及滤波器具有可行性。
Claims (6)
1.一种概率假设密度粒子滤波器的设计方法,其特征在于:
1)从得到的观测值中选取得到固定个数为8个的观测值进行滤波运算,利用k-2时刻的状态估计值对k时刻接收到的观测值进行选择,选取8个观测值进行滤波器的运算;
2)根据杂波密度并结合仿真结果,选择观测值的固定个数为8,当接收到的观测值个数少于等于8个时,所有的观测值都会被选到,并且用出现概率为0的值补足8个;当个数大于8个时,先利用k-2时刻的状态估计值和初始的速度计算得到k时刻的预测观测值,之后根据观测值和预测观测值之间的距离,选择最有可能的8个观测值;
3)k=1时刻和k=2时刻选择观测值需要采用不同的方法,k=1时刻如果观测值个数大于8个需要进行选择,观测值将和初始位置之间计算距离,选取8个观测值;k=2时刻如果观测值个数大于8个需要进行选择,则先计算物体按照初始位置和初始速度运动一个时刻所到达的预测位置,再将观测值和预测位置进行距离计算,选取8个观测值;
4)滤波器使用粒子来表征目标的后验概率分布,由于粒子滤波器的性能和粒子的数目成正比,但是在硬件电路中,粒子数目过多会带来长的延时从而影响实时性,所以综合考虑性能和实时性,选择使用1024个粒子用于存活粒子,另外1024个粒子用于新生粒子;
5)在滤波器设计中,估计目标的状态值需要用到聚类算法,这一步骤使用软件计算或者DSP处理,硬件电路不做具体处理。
2.应用权利要求1所述方法的一种概率假设密度粒子滤波器,其特征在于:包括观测值选择电路(2)、预测电路(3)、更新电路(4)、重采样电路(5)和状态估计电路(6);观测值(1)接观测值选择电路(2)的一个输入端,观测值选择电路(2)的另一个输入端接状态估计电路(6)的输出端,观测值选择电路(2)的输出端接更新电路(4)的一个输入端,预测电路(3)的一个输出端接更新电路(4)的另一个输入端,预测电路(3)的另一个输出端接状态估计电路(6)的一个输入端,更新电路(4)的输出端接重采样电路(5)的输入端,重采样电路(5)的一个输出端接预测电路(3)的输入端,重采样电路(5)的另一个输出端接状态估计电路(6)的另一个输入端。
3.根据权利要求2所述的一种概率假设密度粒子滤波器,其特征在于:所述的观测值选择电路(2),包括计数器(21),比较器(22),延时电路(23),2-5个距离计算电路(24),与距离计算电路(24)相同个数的排序电路(25),双口RAM存储器(26),序号输出电路(27)和选择器(28);观测值(1)、接计数器(21)的输入端和延时电路(23)的输入端连接,计数器(21)的输出端连接到比较器(22)的输入端,比较器(22)的输出端连接到选择器(28)的第一输入端,延时电路(23)的一个输出端连接到选择器(28)的第二输入端,延时电路(23)的另一个输出端与双口RAM存储器(26)的一个输入端和2-5个距离计算电路(24)的输入端连接,各个距离计算电路(24)的输出端连接到各自对应的排序电路(25)的输入端,2-5个排序电路(25)的输出端接连接到序号输出电路(27)的输入端,序号输出电路(27)的输出端连接到双口RAM存储器(26)的另一个输入端,双口RAM存储器(26)的输出端连接到选择器(28)的第三输入端。
4.根据权利要求2所述的一种概率假设密度粒子滤波器,其特征在于:所述的预测电路(3)和重采样电路(5),包括粒子重采样电路(51),复制序号存储器(52),丢弃序号存储器(53),两个寄存器(311、312),比较器(32),四个选择器(33、34、35、37),粒子状态存储器(36),采样电路(38),新生粒子生成电路(39);粒子重采样电路(51)的一个输出端连接到复制序号存储器(52)的输入端,另一个输出端连接到丢弃序号存储器(53)的第一输入端,复制序号存储器(52)的输出端与粒子状态存储器(36)的读地址端口、第一选择器(33)的第二输入端和第一寄存器(31)的输入端连接,第一寄存器(31)的输出端连接到比较器(32)的输入端,比较器(32)的输出端与第一选择器(33)的第一输入端、第三选择器(35)的第一输入端和丢弃序号存储器(53)的第二输入端连接,丢弃序号存储器(53)的输出端与第一选择器(33)的第三输入端和第二选择器(34)的第三输入端连接,第一选择器(33)的输出端连接到第二选择器(34)的第二输入端,第二选择器(34)的输出端连接到粒子状态存储器(36)的写地址端口,粒子状态存储器(36)的输出端连接到第三选择器(35)的第二输入端,第三选择器(35)的输出端、第二寄存器(312)的输入端和采样电路(38)的输入端连接,第二寄存器(312)的输出端连接第三选择器(35)的第三输入端,采样电路(38)的输出端连接到第四选择器(37)的第三输入端,新生粒子生成电路(39)的输出端连接到第四选择器(37)的第二输入端,第四选择器(37)的输出端连接到粒子状态存储器(36)的写数据输入端,新生粒子信号与丢弃序号存储器(53)的第三输入端、第二选择器(34)的第一输入端和第四选择器(37)的第一输入端连接。
5.根据权利要求4所述的一种概率假设密度粒子滤波器,其特征在于:所述的新生粒子生成电路(39),包括线性反馈移位寄存器(391),四个ROM(392a、392b、392c、392d),四个乘法器(393a、393b、393c、393d)和四个加法器(394a、394b、394c、394d);线性反馈移位寄存器(391)的输出分别连接到四个ROM(392a、392b、392c、392d)的输入端,四个ROM(392a、392b、392c、392d)的输出端分别连接到各自乘法器(393a、393b、393c、393d)的一个输入端,各自乘法器(393a、393b、393c、393d)的另一个输入端分别连接x方向位置的标准差、x方向速度的标准差、y方向位置的标准差、y方向速度的标准差,四个乘法器(393a、393b、393c、393d)的输出端分别连接到各自加法器(394a、394b、394c、394d)的一个输入端,各自加法器(394a、394b、394c、394d)的另一个输入端分别连接x方向位置的平均值、x方向速度的平均值、y方向位置的平均值、y方向速度的平均值,四个加法器(394a、394b、394c、394d)的输出端连接到选择器(37)的输入端。
6.根据权利要求2所述的一种概率假设密度粒子滤波器,其特征在于:所述的更新电路(4),包括8个观测值处理电路(4A),加法运算电路(4B)和权重更新计算电路(4C);其中,每个观测值处理电路(4A)均包括似然函数计算电路(41)、第一乘法器(42)、RAM(43)、第一加法器(44)、累加器(45)、第二加法器(46)、倒数计算电路(47)和第二乘法器(48);加法运算电路(4B)包括第三加法器(4B1);权重更新计算电路(4C)包括第四加法器(4C1)和第三乘法器(4C2);观测值选择电路(2)的输出端连接到更新电路(4)的8个观测值处理电路(4A)的输入端,每个观测值分别连接到各自对应的似然函数计算电路(41)的输入端,似然函数计算电路(41)的输出端连接第一乘法器(42)的一个输入端,第一乘法器(42)的另一个输入端连接检测到概率pD(x),第一乘法器(42)的输出端、RAM(43)的输入端和第一加法器(44)的一个输入端连接,RAM(43)的输出端连接第二乘法器(48)的一个输入端,第一加法器(44)的另一个输入端连接预测权重,第一加法器(44)的输出端连接累加器(45)的输入端,累加器(45)的输出端连接第二加法器(46)的一个输入端,第二加法器(46)的另一个输入端连接杂波密度κk(z),第二加法器(46)的输出连接倒数计算电路(47)的输入端,倒数计算电路(47)的输出端连接乘法器(48)的另一个输入端,乘法器(48)的输出端连接第三加法器(4B1)的输入端,第三加法器(4B1)的输出端连接第四加法器(4C1)的一个输入端,第四加法器(4C1)的另一个输入端连接未检测到概率第四加法器(4C1)的输出端连接第三乘法器(4C2)的一个输入端,第三乘法器(4C2)的另一个输入端连接预测权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010530381 CN102064783B (zh) | 2010-11-02 | 2010-11-02 | 一种概率假设密度粒子滤波器的设计方法及滤波器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010530381 CN102064783B (zh) | 2010-11-02 | 2010-11-02 | 一种概率假设密度粒子滤波器的设计方法及滤波器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102064783A CN102064783A (zh) | 2011-05-18 |
CN102064783B true CN102064783B (zh) | 2013-09-04 |
Family
ID=43999920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010530381 Expired - Fee Related CN102064783B (zh) | 2010-11-02 | 2010-11-02 | 一种概率假设密度粒子滤波器的设计方法及滤波器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102064783B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508947B (zh) * | 2011-10-11 | 2014-11-05 | 江苏科技大学 | 改进的自举裂变粒子滤波方法及其dsp配置方法 |
US11175142B2 (en) | 2014-07-31 | 2021-11-16 | Honeywell International Inc. | Updating intensities in a PHD filter based on a sensor track ID |
US10605607B2 (en) * | 2014-07-31 | 2020-03-31 | Honeywell International Inc. | Two step pruning in a PHD filter |
US9614532B1 (en) * | 2015-12-17 | 2017-04-04 | International Business Machines Corporation | Single-flux-quantum probabilistic digitizer |
CN106124858A (zh) * | 2016-07-12 | 2016-11-16 | 大连理工大学 | 一种基于粒子滤波的电力系统谐波检测方法 |
CN106772401A (zh) * | 2016-12-23 | 2017-05-31 | 浙江大学 | 基于概率假设密度粒子滤波算法的鱼群数量估计方法 |
CN109839622B (zh) * | 2017-11-29 | 2022-08-12 | 武汉科技大学 | 一种并行计算粒子概率假设密度滤波多目标跟踪方法 |
CN108227750B (zh) * | 2017-12-20 | 2021-02-05 | 西安石油大学 | 一种地面目标实时跟踪性能评估方法及系统 |
CN113987980B (zh) * | 2021-09-23 | 2022-05-20 | 北京连山科技股份有限公司 | 一种图形物理phd流行仿真实现方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1741069A (zh) * | 2005-09-22 | 2006-03-01 | 上海交通大学 | 基于自适应表面模型的概率视频跟踪方法 |
CN101051385A (zh) * | 2006-04-07 | 2007-10-10 | 欧姆龙株式会社 | 特定被摄体跟踪方法和装置以及特征部跟踪方法和装置 |
-
2010
- 2010-11-02 CN CN 201010530381 patent/CN102064783B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1741069A (zh) * | 2005-09-22 | 2006-03-01 | 上海交通大学 | 基于自适应表面模型的概率视频跟踪方法 |
CN101051385A (zh) * | 2006-04-07 | 2007-10-10 | 欧姆龙株式会社 | 特定被摄体跟踪方法和装置以及特征部跟踪方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102064783A (zh) | 2011-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102064783B (zh) | 一种概率假设密度粒子滤波器的设计方法及滤波器 | |
CN110750933B (zh) | 一种耦合Lagrange质点和Euler方法的精确界面追踪处理方法 | |
Zhao et al. | A collaborative control framework with multi-leaders for AUVs based on unscented particle filter | |
Abd El-Halym et al. | Proposed hardware architectures of particle filter for object tracking | |
CN102307041A (zh) | 当前统计模型的概率假设密度粒子滤波器的设计及滤波器 | |
You et al. | UAV-Pose: A Dual Capture Network Algorithm for Low Altitude UAV Attitude Detection and Tracking | |
Raghunathan et al. | An online-implementable differential evolution tuned all-aspect guidance law | |
Zuo et al. | Particle filter for nonlinear systems with multi-sensor asynchronous random delays | |
Hong et al. | Easy-hardware-implementation MMPF for maneuvering target tracking: Algorithm and architecture | |
Hu et al. | Distributed nonlinear fusion UKF | |
Liang-Qun et al. | Multiple model Rao-Blackwellized particle filter for manoeuvring target tracking | |
Yang et al. | Particle swarm optimization algorithm for passive multi-target tracking | |
Lu et al. | A new performance index for measuring the effect of single target tracking with Kalman particle filter | |
CN104572576A (zh) | 物体接近中碰撞分析的快速解析方法 | |
ChongYi et al. | Target tracking based on extended Kalman particle filter | |
Saverkin | Comparative analysis of digital radar data processing algorithms | |
Zhou et al. | Improved Interactive Multiple Models Based on Self-Adaptive Turn Model for Maneuvering Target Tracking | |
CN112257259A (zh) | 基于改进自治多模型的弹道导弹全程弹道估计方法及系统 | |
Chen et al. | Three-dimensional target motion analysis using angle-only measurements | |
CN109474892A (zh) | 基于信息形式的强鲁棒传感器网络目标跟踪方法 | |
Ma et al. | Distributive target tracking in wireless sensor networks under measurement origin uncertainty | |
Siting et al. | Research on multi-target association tracking algorithm based on IMM | |
Yang et al. | A multi-group target tracking algorithm based on probabilistic multi-hypothesis tracking | |
Sepahvand et al. | Target tracking with unknown maneuvers using adaptive parameter estimation in wireless sensor networks | |
Jing | Neural network-based state fusion and adaptive tracking for maneuvering targets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130904 Termination date: 20161102 |