CN110113030B - 一种二次采样的粒子滤波算法 - Google Patents
一种二次采样的粒子滤波算法 Download PDFInfo
- Publication number
- CN110113030B CN110113030B CN201910315096.3A CN201910315096A CN110113030B CN 110113030 B CN110113030 B CN 110113030B CN 201910315096 A CN201910315096 A CN 201910315096A CN 110113030 B CN110113030 B CN 110113030B
- Authority
- CN
- China
- Prior art keywords
- sampling
- particles
- particle
- steps
- importance
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0248—Filters characterised by a particular frequency response or filtering method
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种二次采样的粒子滤波算法,包括如下步骤:(1)初始化,按初始分布生成粒子集;(2)用重要性概率密度函数进行重要性采样,并基于观测方程对其进行评价;(3)选取评价最优的P个粒子做二次采样;(4)根据粒子权重退化程度判断是否对粒子集进行重采样;(5)输出状态估计值。本发明对基于观测方程评价后的采样粒子进行高密度二次采样,能够有效提高粒子滤波的精度。
Description
技术领域
本发明属于粒子滤波技术领域,具体涉及一种二次采样的粒子滤波算法。
背景技术
粒子滤波(Particle Filter)的思想基于贝叶斯滤波与蒙特卡罗采样,为了解决序贯重要性采样(SIS,Sequential Importance Sampling)的粒子权重退化的问题,在SIS的基础上引进了重采样(Resample)。重采样主要思想为舍弃权值小的粒子,复制权值较大的粒子。重采样的方式有很多,常用的重采样方法包括多项式(Multinomial resampling)重采样、分层重采样(Stratified resampling)、残差重采样(Residual resampling)与系统重采样(Systematic resampling)等。
粒子滤波的核心思想是从后验概率中生成随机状态粒子对重要概率密度进行近似,按照蒙特卡罗思想,即用采样粒子的平均值来代替积分运算,从而得到状态估计值。
粒子滤波是在某一时刻用若干个粒子去逼近该时刻目标的实际状态,所以粒子数目的大小会直接影响到估计状态的准确性。但是粒子数目的增多意味着运算时间更长,计算复杂度更高,为了符合实际应用,需要在粒子采样数目与估计状态精度之间做权衡。
发明内容
为解决上述问题,本发明公开了一种二次采样的粒子滤波算法,能够有效提高粒子滤波精度。
为达到上述目的,本发明的技术方案如下:
一种二次采样的粒子滤波算法,包括以下步骤:
(1)初始化,按初始分布生成粒子集;
(2)重要性概率密度函数进行重要性采样,并基于观测方程对其进行评价;
(3)选取评价最优的p个粒子做二次采样;
(4)根据粒子权重退化程度判断是否对粒子集进行重采样;
(5)输出状态估计值。
所述步骤(1)具体包括以下步骤:
(12)采样粒子数M:
σ为p(x0)的标准差,R为采样步长,ρ为采样密度,表示在一个采样步长内取的采样点数;N表示维度。
所述步骤(2)具体包括以下步骤:
所述步骤(3)包括以下步骤:
(31)取步骤2生成的M个采样粒子中对应权重值最大的P个(建议取3),对其进行二次高密度采样,以粒子为中心点,±L(建议取)为采样范围,以R1为采样步长(建议取/>),ρ1为采样密度,得到Q个采样粒子/>
所述步骤(4)具体包括以下步骤:
所述步骤(5)具体包括以下步骤:
(51)输出状态估计:
(52)判断是否预测结束,若是则结束,否则重复步骤2-5,进入下一时刻预测。
本发明的有益效果是:
本发明所述的一种二次采样的粒子滤波算法,对基于观测方程评价后的采样粒子进行二次高密度采样,去除权重小的粒子,有效提高粒子滤波的精度。
附图说明
图1为本发明方法的流程示意图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
以非线性系统的粒子滤波为粒,建立系统的状态方程和观测方程如式(1):
其中,xk为k时刻的系统状态,yk为k时刻的测量数据,f(.),h(.)为状态转移函数和测量函数,vk,nk分别为过程噪声和测量噪声,为不相关的零均值高斯白噪声。
系统状态转移模型描述了目标状态随时间变化的状态转移概率p(xk|xk-1),而观测模型描述了观测结果p(yk|xk),即似然概率。
假设系统的状态转移服从一阶马尔科夫模型,即当前时刻的状态xk只与上一时刻的状态xk-1有关;k时刻测量到的数据yk只与当前的状态xk有关。
如图1所示,本发明的一种二次采样的粒子滤波算法,包括以下步骤:
1、粒子集初始化。
采样粒子数M:
σ为p(x0)的标准差,R为采样步长,ρ为采样密度,表示在一个采样半径内取的采样点数;N表示维度。
2、引入一个与后验概率密度函数p(x0:k|y1:k)分布相近且易于采样的概率分布,称为重要性密度函数,从重要性概率密度中生成采样粒子。实际中经常选取先验概率作为重要性密度函数,即:
(1)根据系统状态转移模型进行粒子传播,得到新的M个粒子分布,即:
(2)基于观测方程,计算采样粒子的值:
3、选取评价最优的P个粒子做二次采样。
(1)取步骤2生成的M个采样粒子中对应权重值最大的P个(建议取3),对其进行二次高密度采样,以粒子为中心点,±L(建议取)为采样范围,以R1为采样步长(建议取/>),ρ1为采样密度,得到Q个采样粒子/>
5、输出状态估计值:
判断是否预测结束,若是则结束,否则重复步骤2-5,进入下一时刻预测。
Claims (4)
1.一种二次采样的粒子滤波算法,其特征在于,包括以下步骤:
(1)初始化,按初始分布生成粒子集;
(2)重要性概率密度函数进行重要性采样,并基于观测方程对其进行评价;
所述步骤(2)具体包括以下步骤:
所述步骤(3)具体包括以下步骤:
N表示维度;
(4)根据粒子权重退化程度判断是否对粒子集进行重采样;
(5)输出状态估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910315096.3A CN110113030B (zh) | 2019-04-18 | 2019-04-18 | 一种二次采样的粒子滤波算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910315096.3A CN110113030B (zh) | 2019-04-18 | 2019-04-18 | 一种二次采样的粒子滤波算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110113030A CN110113030A (zh) | 2019-08-09 |
CN110113030B true CN110113030B (zh) | 2023-06-30 |
Family
ID=67485835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910315096.3A Active CN110113030B (zh) | 2019-04-18 | 2019-04-18 | 一种二次采样的粒子滤波算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110113030B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110702093B (zh) * | 2019-09-27 | 2022-10-25 | 五邑大学 | 基于粒子滤波的定位方法、装置、存储介质及机器人 |
CN112014854A (zh) * | 2020-08-31 | 2020-12-01 | 华通科技有限公司 | 一种基于粒子群定位算法的定位方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101710384A (zh) * | 2009-11-25 | 2010-05-19 | 北京航空航天大学 | 基于小生境遗传算法的改进粒子滤波方法 |
CN104022756B (zh) * | 2014-06-03 | 2016-09-07 | 西安电子科技大学 | 一种基于gpu架构的改进的粒子滤波方法 |
CN106296727A (zh) * | 2016-07-26 | 2017-01-04 | 华北电力大学 | 一种基于高斯扰动的重采样粒子滤波算法 |
CN108647434A (zh) * | 2018-05-10 | 2018-10-12 | 燕山大学 | 一种基于改进粒子滤波算法的二元荷电状态估算方法 |
-
2019
- 2019-04-18 CN CN201910315096.3A patent/CN110113030B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110113030A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111768002B (zh) | 一种基于弹性有效位的深度神经网络量化方法 | |
CN111177792B (zh) | 基于隐私保护确定目标业务模型的方法及装置 | |
CN107145720B (zh) | 连续退化和未知冲击共同作用下的设备剩余寿命预测方法 | |
CN110113030B (zh) | 一种二次采样的粒子滤波算法 | |
CN112415414A (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
CN111428201B (zh) | 基于经验模态分解和前馈神经网络对时序数据的预测方法 | |
CN110687450B (zh) | 基于相空间重构和粒子滤波的锂电池剩余寿命预测方法 | |
CN110910004A (zh) | 一种多重不确定性的水库调度规则提取方法及系统 | |
CN109900309B (zh) | 一种基于混合状态空间模型的传感器数据盲校正方法 | |
CN111709454B (zh) | 一种基于最优copula模型的多风电场出力聚类评估方法 | |
Orhan | Particle filtering | |
CN114580260B (zh) | 一种基于机器学习和概率理论的滑坡区间预测方法 | |
CN114740388A (zh) | 一种基于改进tcn的锂电池剩余寿命状态评估方法 | |
CN111523727B (zh) | 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 | |
CN114791994B (zh) | 一种引入法向量优化的ransac点云平面拟合方法 | |
CN109145399A (zh) | 一种基于改进的粒子滤波算法的疲劳裂纹扩展预测方法 | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN114186518A (zh) | 一种集成电路良率估算方法及存储器 | |
CN112766537A (zh) | 一种短期电负荷预测方法 | |
CN115494401B (zh) | 一种基于信息融合的动力电池云端数据清洗方法 | |
CN117093830A (zh) | 一种考虑局部与全局的用户负荷数据修复方法 | |
CN116184213A (zh) | 一种基于改进粒子滤波的锂离子电池剩余寿命预测方法 | |
CN114252797B (zh) | 一种基于不确定性估计的锂电池剩余使用寿命预测方法 | |
US20230130374A1 (en) | Method, device and storage medium for predicting remaining service life of rail transit hardware device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |