CN112039496A - 一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法 - Google Patents
一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法 Download PDFInfo
- Publication number
- CN112039496A CN112039496A CN202010950222.5A CN202010950222A CN112039496A CN 112039496 A CN112039496 A CN 112039496A CN 202010950222 A CN202010950222 A CN 202010950222A CN 112039496 A CN112039496 A CN 112039496A
- Authority
- CN
- China
- Prior art keywords
- state
- artificial fish
- particle
- optimization
- value
- 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.)
- Granted
Links
- 239000002245 particle Substances 0.000 title claims abstract description 84
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 8
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 8
- 230000019637 foraging behavior Effects 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 5
- 230000002431 foraging effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 9
- 238000005070 sampling Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 4
- 238000005312 nonlinear dynamic Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 16
- 230000000694 effects Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Complex Calculations (AREA)
Abstract
本发明提出的一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法,属于信号处理技术领域,主要用于解决粒子滤波器的多粒子状态下产生巨大的计算工作量及精度不高的问题,该方法以高斯粒子滤波为框架,融合人工鱼群算法,使用觅食行为和聚群行为对权值进行优化。本发明以线性变换代替传统采样,根据量测值和权值计算公式优化权值,提高了计算精度的同时保证了计算速度,适用于非线性动态系统的状态估计等应用场合。
Description
技术领域
本发明提出的一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法,属于信号处理技术领域,涉及非线性滤波,本发明提供的方法适用于非线性动态系统的状态估计。
背景技术
非线性滤波问题出现在许多领域,其中包括目标跟踪、捷联惯导系统以及姿态估计等。扩展卡尔曼滤波(Extended Kalman Filter,EKF)是对非线性函数进行线性化处理,对高阶项直接截断,从而导致较大的误差,滤波精度低。无迹卡尔曼滤波(UnscentedKalman Filter,UKF)是使用无迹变换的卡尔曼滤波,相对于EKF其滤波精度有所提高,但其非线性传递误差始终存在。由于扩展卡尔曼滤波和无迹卡尔曼滤波都是基于卡尔曼滤波的改进,而卡尔曼滤波算法是基于线性高斯假设下的一种算法,因此在对非线性系统的滤波处理,存在较大的误差。粒子滤波算法(Particle Filter,PF)是一种基于蒙特卡洛MONTE-CARLO方法的滤波算法,但粒子滤波算法中重采样策略将直接影响滤波的性能,使算法的实时性受到影响。为此提出一种改进的高斯粒子滤波算法(Gaussian Particle Filter,GPF),通过高斯分布来近似未知变量的后验分布,无需进行重采样,大大节省了滤波时间,实时性上要优于粒子滤波算法,性能上要优于EKF、UKF等算法,为提高运行度提出了一种线性高斯粒子滤波算法,即在采样时以线性变换代替,同粒子滤波相比在保证精度的前提下大大缩短了运行的时间,但使用有局限性,精度也有可提高的空间。为继续提高滤波精度提出了一种基于人工鱼群的粒子滤波方法,该算法将人工鱼群的寻优加入粒子滤波算法,一定程度上提高了滤波精度,但计算速度和精度上仍有改进的空间。
发明内容
本发明专利针对上述存在的问题和不足,提出一种基于人工鱼群优化的快速高斯粒子滤波(AFSA-LGPF)数据融合方法,该算法以线性变化取代传统采样,并以人工鱼群算法更新粒子权值,提高了估计效果的同时保证了滤波速度。
本发明具体过程如下:
步骤1:建立系统的非线性状态方程f(·)、观测方程h(·),初始化系统均值μ、方差σ2等参数;假设系统状态量x逼近高斯分布从中相互独立抽样得到初始时刻的标准粒子群其中i为粒子索引,M为粒子总数,初始时刻k=0;
步骤3:采用人工鱼群算法中觅食行为和聚群行为对选取的目标函数进行优化,选取目标函数为:
步骤6:循环执行步骤2至步骤5,得到下一时刻滤波估计值。
进一步地,步骤1中包括以下步骤:
进一步地,步骤3中包括以下步骤:
Step1:选取目标函数为:
Step2:执行觅食行为进行优化,如下:
根据不同人工鱼的状态Xi、Xj,比较Yi和Yj不断更新向更真实的状态靠近,若Yi<Yj则取下一步的状态为
反复尝试多次后,若仍没有满足前进条件,则随机选取一个新状态;其中Xnext为人工鱼选取的下一个状态,step为人工鱼移动步长,||Xj-Xi||为人工鱼i和j之间的距离;
Step3:执行聚群行为进行优化,如下:
设人工鱼当前状态Xi在感知范围内搜寻其他伙伴的数目和中心位置,若Yj/nf<d×Yi,则用Step1中等式选取新状态,否则执行觅食行为,其中nf表示人工鱼视野内的伙伴数目;
进一步地,步骤4中权值计算公式:
进一步地,步骤6中循环执行步骤2至步骤5,即将步骤5中计算出的均值和方差代入步骤2中,得到下一时刻的滤波估计值。
本发明具有如下优点:将人工鱼群算法与高斯粒子结合,以人工鱼群算法更新权值;同时以线性变换取代传统采样,减少了计算时间;因此本发明提高了滤波精度的同时保证了计算速度,从而该算法能更容易的与实际应用环境相结合。
附图说明
图1本滤波算法结构框图
图2本发明与粒子滤波(PF)误差、高斯粒子滤波(GPF)误差以及原始误差比较图
图3本发明与人工鱼群粒子滤波(AFSA-PF)、人工鱼群高斯粒子滤波(AFSA-GPF)每处理1000个粒子状态估计时间和均方误差比较图
图4本发明与高斯粒子滤波、粒子滤波分别处理500、1000、1500个粒子均方误差比较图
具体实施方式
下面详细描述本发明的实施例,本实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。参照说明书附图对本发明的一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法作以下详细地说明:
采用一维强非线性模型,其模型函数可写为如下形式:
仿真实验环境及相关参数如下:仿真软件为MATLAB,硬件环境为Intel i5-6500,最高主频为3.20GHz,运行内存为7.87GB。uk和vk为相互独立的白噪声变量, 仿真总时间N=100,粒子数M=1000,时间间隔T=0.01s,人工鱼群数fishnum=50;人工鱼感知范围visual=1,人工鱼移动步长step=1,尝试次数trynumber=10。
针对以上仿真实验数据,根据图1滤波算法结构框图,具体步骤实施如下:
步骤1:建立系统的非线性状态方程f(·)、观测方程h(·),初始化系统均值μ、方差σ2等参数。假设系统状态量x逼近高斯分布从中相互独立抽样得到初始时刻的标准粒子群其中i为粒子索引,M为粒子总数,初始时刻k=0,具体包括:
步骤3:采用人工鱼群算法中觅食行为和聚群行为对选取的目标函数进行优化,选取目标函数为:
Step1:选取目标函数为:
Step2:执行觅食行为进行优化,如下:
根据不同人工鱼的状态Xi、Xj,比较Yi和Yj不断更新向更真实的状态靠近,若Yi<Yj则取下一步的状态为
反复尝试trynumber=10次后,若仍没有满足前进条件,则随机选取一个新状态;其中Xnext为人工鱼选取的下一个状态,step=1为人工鱼移动步长,||Xj-Xi||为人工鱼i和j之间的距离;
Step3:执行聚群行为进行优化,如下:
设人工鱼当前状态Xi在范围visual=1内搜寻其他伙伴的数目和中心位置,若Yj/nf<d×Yi,则用Step1中等式选取新状态,否则执行觅食行为,其中visual表示人工鱼的感知范围,nf表示人工鱼视野内的伙伴数目,δ=0.03为拥挤度因子;
权值计算公式:
步骤6:循环执行步骤2至步骤5,得到下一时刻滤波估计值:
将步骤5中计算出的均值和方差代入步骤2中,得到下一时刻的滤波估计值,循环执行步骤2至步骤5。
综上所述,对该方法进行效果分析,如图2所示,相同条件下,本发明较粒子滤波(PF)和高斯粒子滤波(GPF)都有更小的滤波误差;如图3所示,以线性变换取代传统采样有提高滤波速度的效果,每处理1000个粒子,虽然本发明相较人工鱼群粒子滤波(AFSA-PF)和人工鱼群高斯粒子滤波(AFSA-GPF)算法均方误差略低但是有更快状态估计的速度;如图4所示,随着粒子数递增,本发明相较高斯粒子滤波和粒子滤波都有更小的均方误差且粒子数越多优势越明显;本发明中一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法具有良好的滤波估计性能,具有一定的实用价值。
Claims (2)
1.一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法,其特征在于,具体包括以下步骤:
步骤1:建立系统的非线性状态方程f(·)、观测方程h(·),初始化系统均值μ、方差σ2等参数;假设系统状态量x逼近高斯分布从中相互独立抽样得到初始时刻的标准粒子群其中i为粒子索引,M为粒子总数,初始时刻k=0;
步骤3:采用人工鱼群算法中觅食行为和聚群行为对选取的目标函数进行优化,选取目标函数为:
步骤6:循环执行步骤2至步骤5,得到下一时刻滤波估计值。
2.根据权利要求1所述一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法,其特征在于步骤3中采用人工鱼群算法中觅食行为和聚群行为对选取的目标函数进行优化,过程如下:
Step1:选取目标函数为:
Step2:执行觅食行为进行优化,如下:
根据不同人工鱼的状态Xi、Xj,比较Yi和Yj不断更新向更真实的状态靠近,若Yi<Yj则取下一步的状态为
反复尝试多次后,若仍没有满足前进条件,则随机选取一个新状态;其中Xnext为人工鱼选取的下一个状态,step为人工鱼移动步长,||Xj-Xi||为人工鱼i和j之间的距离;
Step3:执行聚群行为进行优化,如下:
设人工鱼当前状态Xi在感知范围内搜寻其他伙伴的数目和中心位置,若Yj/nf<d×Yi,则用Step1中等式选取新状态,否则执行觅食行为,其中nf表示人工鱼视野内的伙伴数目;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010950222.5A CN112039496B (zh) | 2020-09-10 | 2020-09-10 | 一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010950222.5A CN112039496B (zh) | 2020-09-10 | 2020-09-10 | 一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112039496A true CN112039496A (zh) | 2020-12-04 |
CN112039496B CN112039496B (zh) | 2024-04-19 |
Family
ID=73588505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010950222.5A Active CN112039496B (zh) | 2020-09-10 | 2020-09-10 | 一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112039496B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115077529A (zh) * | 2022-06-16 | 2022-09-20 | 哈尔滨工业大学(威海) | 一种基于最优加权改进粒子滤波的多机器人协同定位方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050049830A1 (en) * | 2003-06-25 | 2005-03-03 | Kouritzin Michael A. | Selectively resampling particle filter |
US20060190217A1 (en) * | 2005-02-17 | 2006-08-24 | Sungkyunkwan University Foundation For Corporate C | Particle sampling method and sensor fusion and filtering method |
CN101826852A (zh) * | 2010-03-11 | 2010-09-08 | 哈尔滨工程大学 | 基于粒子群优化算法的无迹粒子滤波方法 |
CN103956987A (zh) * | 2014-04-28 | 2014-07-30 | 唐萍 | 一种数字滤波器设计方法 |
CN104614718A (zh) * | 2015-01-08 | 2015-05-13 | 南京大学 | 基于粒子群算法的激光雷达波形数据分解的方法 |
CN105913457A (zh) * | 2016-04-14 | 2016-08-31 | 西安电子科技大学昆山创新研究院 | 基于加强粒子群优化的粒子滤波目标跟踪方法 |
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 |
CN106921366A (zh) * | 2017-02-28 | 2017-07-04 | 李琳 | 一种全局最优粒子滤波方法及全局最优粒子滤波器 |
CN108318038A (zh) * | 2018-01-26 | 2018-07-24 | 南京航空航天大学 | 一种四元数高斯粒子滤波移动机器人姿态解算方法 |
CN109307511A (zh) * | 2018-09-04 | 2019-02-05 | 山东理工大学 | 一种人工鱼群算法优化的容积粒子滤波导航方法 |
CN110401430A (zh) * | 2018-09-28 | 2019-11-01 | 南京航空航天大学 | 一种基于kld采样的改进高斯粒子滤波数据融合算法 |
CN110442995A (zh) * | 2019-08-13 | 2019-11-12 | 江苏师范大学 | 一种基于人工鱼群算法的lcl滤波器参数优化方法 |
CN111476338A (zh) * | 2020-04-17 | 2020-07-31 | 西安电子科技大学 | 一种基于樽海鞘群优化算法的粒子滤波方法和滤波系统 |
-
2020
- 2020-09-10 CN CN202010950222.5A patent/CN112039496B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050049830A1 (en) * | 2003-06-25 | 2005-03-03 | Kouritzin Michael A. | Selectively resampling particle filter |
US20060190217A1 (en) * | 2005-02-17 | 2006-08-24 | Sungkyunkwan University Foundation For Corporate C | Particle sampling method and sensor fusion and filtering method |
CN101826852A (zh) * | 2010-03-11 | 2010-09-08 | 哈尔滨工程大学 | 基于粒子群优化算法的无迹粒子滤波方法 |
CN103956987A (zh) * | 2014-04-28 | 2014-07-30 | 唐萍 | 一种数字滤波器设计方法 |
CN104614718A (zh) * | 2015-01-08 | 2015-05-13 | 南京大学 | 基于粒子群算法的激光雷达波形数据分解的方法 |
CN105913457A (zh) * | 2016-04-14 | 2016-08-31 | 西安电子科技大学昆山创新研究院 | 基于加强粒子群优化的粒子滤波目标跟踪方法 |
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 |
CN106921366A (zh) * | 2017-02-28 | 2017-07-04 | 李琳 | 一种全局最优粒子滤波方法及全局最优粒子滤波器 |
CN108318038A (zh) * | 2018-01-26 | 2018-07-24 | 南京航空航天大学 | 一种四元数高斯粒子滤波移动机器人姿态解算方法 |
CN109307511A (zh) * | 2018-09-04 | 2019-02-05 | 山东理工大学 | 一种人工鱼群算法优化的容积粒子滤波导航方法 |
CN110401430A (zh) * | 2018-09-28 | 2019-11-01 | 南京航空航天大学 | 一种基于kld采样的改进高斯粒子滤波数据融合算法 |
CN110442995A (zh) * | 2019-08-13 | 2019-11-12 | 江苏师范大学 | 一种基于人工鱼群算法的lcl滤波器参数优化方法 |
CN111476338A (zh) * | 2020-04-17 | 2020-07-31 | 西安电子科技大学 | 一种基于樽海鞘群优化算法的粒子滤波方法和滤波系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115077529A (zh) * | 2022-06-16 | 2022-09-20 | 哈尔滨工业大学(威海) | 一种基于最优加权改进粒子滤波的多机器人协同定位方法及系统 |
CN115077529B (zh) * | 2022-06-16 | 2024-04-26 | 哈尔滨工业大学(威海) | 一种基于最优加权改进粒子滤波的多机器人协同定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112039496B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105205313B (zh) | 模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置 | |
CN108682023A (zh) | 基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法 | |
Gao et al. | Improved IMM algorithm for nonlinear maneuvering target tracking | |
CN107831490A (zh) | 一种改进的多扩展目标跟踪方法 | |
CN109508444A (zh) | 区间量测下交互式多模广义标签多伯努利的快速跟踪方法 | |
Sadollah et al. | Approximate solving of nonlinear ordinary differential equations using least square weight function and metaheuristic algorithms | |
CN101826852A (zh) | 基于粒子群优化算法的无迹粒子滤波方法 | |
Yu et al. | A hybrid intelligent soft computing method for ammonia nitrogen prediction in aquaculture | |
CN104614718A (zh) | 基于粒子群算法的激光雷达波形数据分解的方法 | |
CN111027692A (zh) | 一种目标运动态势预测方法及装置 | |
CN111476338A (zh) | 一种基于樽海鞘群优化算法的粒子滤波方法和滤波系统 | |
CN112039496A (zh) | 一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法 | |
CN112231964B (zh) | 基于深度强化学习的气体泄漏源自主搜索及定位方法 | |
Pei et al. | The clustering algorithm based on particle swarm optimization algorithm | |
CN112986978A (zh) | 一种雷达目标跟踪滤波的信任度获取方法 | |
CN113468794A (zh) | 一种小型密闭空间温湿度预测及反向优化方法 | |
CN116597294A (zh) | Slam地图拓扑评估方法、装置、电子设备及存储介质 | |
CN111860622B (zh) | 一种应用于编程现场大数据的聚类方法及系统 | |
Wang et al. | A parameter-optimized SLS-TSVM method for working modes recognition of airborne fire control radar | |
CN109115228A (zh) | 一种基于加权最小二乘容积卡尔曼滤波的目标定位方法 | |
CN115185184A (zh) | 一种电液位置伺服系统多参数辨识方法 | |
CN113238218A (zh) | 基于phd滤波的临近空间高超声速目标跟踪方法 | |
CN105184811B (zh) | 一种基于结构支持向量机的多尺度目标跟踪方法 | |
Simutis et al. | State estimation of a biotechnological process using extended Kalman filter and Particle filter | |
Wu et al. | Node Tacking Location Algorithm for Wireless Sensor Networks Based on Improved Particle Filter. |
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 |