改进重采样粒子滤波算法在GPS中的应用

合集下载

基于改进粒子滤波的GPS接收机自主完好性监测算法

基于改进粒子滤波的GPS接收机自主完好性监测算法王尔申;庞涛;曲萍萍;蔡明;张芝贤【摘要】In order to overcome the degeneracy phenomenon and the sample impoverishment problem in parti-cle filter (PF) during resampling process, an algorithm combining the genetic algorithm(GA) with neural network-based weights adjustment particle filter( NNWA-PF) is presented,which possesses the advantages of the convergence for global optimization of genetic algorithm and the rapidity for local optimization of neural network. The proposed algorithm combined with the log-likelihood ratio(LLR) method is applied for GPS re-ceiver autonomous integrity monitoring( RAIM) . Through setting up the consistency of the test statistic to a-chieve fault detection,the proposed method is tested and verified by GPS measured data. The results show that this method can successfully detect and isolate the fault satellite and improve the performance of fault detection. Therefore,the improved particle filter algorithm is feasible and effective for RAIM.%针对基本粒子滤波重采样过程中粒子权值退化和多样性丧失的问题，将遗传算法引入基于神经网络的权值调整粒子滤波算法中，结合了遗传算法全局寻优的收敛性与神经网络局部寻优的快速性优点。

基于改进粒子滤波算法的GPS非高斯伪距误差修正_涂刚毅(精)

第23卷第6期 · 24 ·电子测量与仪器学报 Vol. 23 No. 6 2009年6月JOURNAL OF ELECTRONIC MEASUREMENT AND INSTRUMENT基于改进粒子滤波算法的GPS非高斯伪距误差修正涂刚毅金世俊祝雪芬宋爱国(东南大学仪器科学与工程学院, 南京 210096)摘要: 针对城市环境中由于受到多径效应影响, GPS伪距误差呈非高斯分布的问题, 本文通过对实测数据进行分析, 在建立正确的伪距误差分布模型的基础上, 提出了一种改进粒子滤波修正算法, 用于优化PVT解算结果, 提高了GPS在城市环境中定位的精度。

并通过与卡尔曼滤波定位优化算法结果进行比较, 验证了此算法的有效性。

关键词: GPS；粒子滤波器；伪距；定位精度中图分类号: TP228 文献标识码: A 国家标准学科分类代码: 510.40*Compensation of GPS non-Gaussian pseudorange error based onimproved particle filter algorithmTu Gangyi Jin Shijun Zhu Xuefen Song Aiguo(School of Instrument Science and Engineering, Southeast University, Nanjing 210096, China)Abstract: Due to the multi-path effect in urban environment, GPS pseudorange error appears non-Gaussian error distribution. In this paper, the correct pseudorange error distribution model has been established according to the analy-sis of the measured data. Based on this non-Gaussian model, an improved particle filter algorithm is implemented to compensate the non-Gaussian pseudorange error and optimize the estimations of PVT. The accuracy of GPS urban posi-tioning is improved and the validity of this algorithm has been verified by comparing with Kalman filter experiments.Keywords: GPS; particle filter; pseudorange; positioning accuracy1 引言目前, 全球定位系统(global positioning system, GPS)在军事和民用方面均得到了越来越广泛的运GPS定位技术要求接收机和卫星之间无遮挡, 但用。

改进粒子滤波算法在目标跟踪中的应用实现

改进粒子滤波算法在目标跟踪中的应用实现曲浩添;苏霄;田景文【期刊名称】《自动化技术与应用》【年(卷),期】2011(030)008【摘要】针对移动目标跟踪的非线性、非高斯的特点,本文系统介绍了基于ARMll 的嵌入式设备进行移动目标跟踪的应用实现.核心应用算法使用改进的粒子滤波算法,其中粒子滤波算法的改进采用对粒子加权以及重新采样,以克服样本贫化现象和区分粒子的重要性程度.然后闸述了将粒子滤波算法移植到嵌入式设备以实现移动目标跟踪的应用需要.%Aiming at the characteristics of nonlinear, non-gaussian distribution of the moving target tracking, this paper introducs an applied realization about move target tracking base on embedded device of ARM 11. The core applied algorithm comes from the improved particle filter algorithm. Though adopting particles weighted and resampling. It can overcome the sample impoverishment phenomenon and distinguish the importance of particles. This article describes the needs of using this particle filter algorithm to track the moving target on embedded equipment.【总页数】5页(P43-47)【作者】曲浩添;苏霄;田景文【作者单位】中石油煤层气有限责任公司,北京100028;北京联合大学信息学院,北京100101;北京联合大学信息学院,北京100101【正文语种】中文【中图分类】TP18【相关文献】1.改进的Rao-Blackwellized粒子滤波算法在目标跟踪中的应用 [J], 张万里;何金刚;赵红梅2.改进粒子滤波算法在深空红外小目标跟踪中的应用 [J], 叶有时;刘淑芬;孙强;刘鸿瑾;刘波;杨桦;吴一帆3.改进粒子滤波算法及其在目标跟踪中的应用 [J], 王龙;夏厚培4.一种改进型的粒子滤波算法在运动目标跟踪中的应用 [J], 李亚文; 刘萌5.改进的粒子滤波算法在RFID室内目标跟踪中的应用 [J], 李金杰;崔英花因版权原因，仅展示原文概要，查看原文内容请购买。

基于改进粒子滤波的农用车辆导航定位方法

基于改进粒子滤波的农用车辆导航定位方法
农用车辆在农业生产中扮演着重要的角色，因此准确的导航定位系统对于农用车辆的运行至关重要。

然而，农村地区常常存在着复杂的环境条件，如大坡度、粗糙道路和植被覆盖等，这给农用车辆的导航定位带来了挑战。

传统的定位方法如GPS在农村地区的定位精度往往较低，由于信号容易受到阻挡和干扰。

因此，需要一种基于改进粒子滤波的农用车辆导航定位方法，以提高定位的准确性和可靠性。

基于改进粒子滤波的农用车辆导航定位方法首先利用GPS等传感器
获取车辆的初始位置和速度信息，并结合地图数据库的道路信息进行地图匹配，从而得到初始的车辆定位。

然后，利用车辆的运动模型和传感器的测量值，使用粒子滤波算法对车辆位置进行估计和更新。

传统的粒子滤波算法存在粒子退化和计算复杂度高的问题，因此需要对其进行改进。

改进的粒子滤波算法可以采用多种方法，例如引入重采样策略来解决粒子退化问题，或者采用自适应的权重更新方法来减少计算复杂度。

此外，可以利用车辆的运动约束和地图约束来进一步提高定位的准确性。

该方法还可以结合其他传感器数据，如惯性导航系统（INS）和车载摄像头等，来提供更多的定位信息。

例如，可以利用INS提供的姿态和加速度信息来改善车辆的定位精度，或者利用车载摄像头获取的图像信息进行视觉里程计的计算。

总之，基于改进粒子滤波的农用车辆导航定位方法可以充分利用各种传感器的信息，结合地图和运动模型，提高农用车辆在复杂环境下的定位精度和可靠性。

这将为农业生产提供更好的支持，提高农用车辆的导航定位能力。

一种改进的粒子滤波跟踪算法的应用研究

ＷＡＧＸａｇｙ，Ｌｉ－ｕｎＮｉ－ｕＩｕｊａ，ＷＡＧＬｎｙｇＩｕｎ－ｕｎＸＮａ — ｉ，ＮＵＧａｇｈａｎ
（ｏｌｅｏｌｔｃｌｎｉｅｉｇＣｌｇｆｅｒａＥｇｅｒ，ＨｅｎｎＵｉｅｓｙｏｅｈｏｇ，Ｚｅｇｈｕ４００，ＣｉａｅＥｃｉｎｎｎａｎｖｒｔｆｃｎｌｙｈｎｚｏ５０７ｈｎ）ｉＴｏ
器或扩展卡尔曼滤波器。该种方法假定目标的状态为高斯分布，再通过卡尔曼滤波器方程估计的均值向量和协方差矩阵刻画目标的行为［。但它１］要求适用环境为线性系统．当运动目标被遮挡或发生旋转，或光线发生变化。或摄像机发生相对
Ａｂｓｒｃ：Ａｎａｐｏｅｌｏｉｍｓｓｐｏｅａｓｈｒａｅｌｒｅａｕｔｏａｃｌｔｏｎｅｏｓｄｇｎｒｔｎｐｅｏｎｎｉｔａｔｐｒｖｄａｇｒｔｈｗａｕｐｓｄｂｃｕｅｔｅｅｈｖａｇｍｏｎｆｃｌｕａｉｎａｄｓｒｕｅｅｅａｉｈｎｍｅｏｎｉｏｔｅａｇｒｔｍｆｐｒｉｌｌｅ．ＴｅａｇｒｔｍｆＭｅｎＳｉｓｅｅｅｎｏｔｅａｇｒｔｍｆｐｒｉｌｌｅ．Ｔｅａｐｏｃａｍｐｖｈｌｏｉｈｏａｔｅｆｔｒｈｌｏｉｈｏａｈｆｗａｍｂｄｄｉｔｈｏｈｏａｔｅｆｔｒｈｐｒａｈｃｎｉｒｅｃｉｔｌｉｃｉｏｔｅｄｇｎｒｃｆｔｅｐｒｉｌｌｅｎｄｒｄｕｅｔｅｒｎｉｇｔ．ＭｅｎｉｅｔｅｎｗｌｏｔｍａｖｒｏｈｒｏｎｆＭｅｈｆｈｅｅｅａｙｏａｔｃｅｆｔｒａｅｃｈｕｎｎｉｈｉｍｅａｗｈｌｈｅａｇｒｈｃｎｏｅｃｍｅｓｏｔｍｉｇｏａＳｉｉｃｎｔｗｈｃｓｅｓｏｆｌｎｏｔｅｌｃｌｍ￣ｉｍｎａｏｅｒｓｏｅ．Ｔｅｒｓｌｏｙｔｍｉｌｔｎｓｏｔｔｔｅｎｗｐｒａｈｓｐｉｈｉａｙｔａｌｉｔｈｏａｍｕａｄｃｎｎｔｂｅｔｒｄｈｅｕｔｆｓｓｅｓｍｕａｉｈｗｈａｈｅａｐｏｃｕ — ｏｐｏｅａｔｏｇｒａ－ｉｎｏｕｔｅｓｉｈｎｉｒｎｙｔｍ．ｓｄｈｓｓｒｎｅｔｍｅａｄｒｂｓｎｓｎｔｅｍｏｔｉｇｓｓｅｌｏ

粒子滤波算法在GPS／DR组合导航中的应用

第２７卷第１期
２１００年Ｏ２月
测绘科学技术学报
ＪｕｎｌｏｏａｉｓＳｉｎｅａｄＴｅｈｏｏｙｏｒａｆＧｅｍｔｃｃｅｃｎｃｎｌｇ
Ｖ０．７ＮＯ１Ｉ２．Ｆｅ．２１ｂＯ０
文章编号：６３６３（０００ — ０７０１７ — ３函数的选择１题，针９系统地分析比较了改进的粒子滤波算法。在此基础上提出了一种新的
粒子滤波算法—— 自适应渐消扩展Ｋｌｎ粒子滤波方法该方法用渐消扩展Ｋａｍａａｍａｌｎ滤波产生建议分布函数，由于参数的可在线调节性，得系统具有更好的自适应性和鲁棒性。与用转移先验、展Ｋａｎ滤波、使扩ｌｍａ自适应扩展Ｋｌｎ滤波、代扩展Ｋａｎ滤波以及无迹Ｋａｎ滤波产生建议分布函数的粒子滤波方法相ａｍａ迭ｌｍａｌｍａ比，自适应渐消扩展Ｋａｎ粒子滤波进一步提高了粒子滤波的精度通过对ＧＳ与航位推算（Ｒ组合导ｌｍａＰＤ）
中图分类号：２７Ｐ０
ＡｐｌａｉｎｏａｔｃｅＦｌｒｎｇｒｔｍｓｉＳＤＲｎｅｒｔｄＮａｉａｉｎｐｉｔｏｆＰｒｉｌｉｅｉｇＡｌｏｉｃｔｈｎＧＰ／Ｉｔｇａｅｖｇｔｏ
ＧＯＮＧ —ｏｇ，ＧＵＩＱｉｇｍｉｇ，ＬＩＢｏｌＹｉｎｓｎ— ｎａ —ｉ，ＺＨＯＵｎ。Ｎｉｇ

改进粒子滤波算法在组合导航中的应用

改进粒子滤波算法在组合导航中的应用粒子滤波是一种基于蒙特卡罗方法的非参数滤波算法，用于处理非线性、非高斯等复杂的系统状态估计问题。

在组合导航领域，粒子滤波被广泛应用于车辆、船舶、飞行器等各种导航系统中。

本文将重点探讨如何改进粒子滤波算法，并加以应用于组合导航中。

一、粒子滤波算法原理粒子滤波采用贝叶斯滤波原理，利用后验概率密度函数来描述状态变量的分布状况。

具体而言，将状态变量表示为一个向量X，其分布函数为p(X)，则有：p(X|y) = p(y|X)p(X)/p(y)其中，y表示系统的观测变量，p(y|X)为观测变量的条件概率密度函数，p(X)为系统初始状态变量的先验概率密度函数，p(y)为观测变量的边际概率密度函数。

可以发现，上式右边三个概率密度函数都是已知的，因此，只需要计算p(X|y)，就可以得到系统状态变量的后验概率密度函数。

由于系统模型的非线性性和非高斯性，在实际应用中通常无法计算p(X|y)的解析形式。

因此，采用粒子滤波算法来近似计算p(X|y)。

具体而言，粒子滤波算法通过一组随机采样的状态粒子来代表系统状态的分布状况，将状态值与其概率密度值联系起来。

每个状态粒子都有一个与之对应的权重值，代表该状态粒子的重要程度。

根据贝叶斯原理将观测量与系统状态进行联合估计，重新调整每个粒子的权重，最后得到后验概率分布。

具体而言，粒子滤波算法主要包括状态预测、权重更新和粒子重采样三个步骤。

虽然粒子滤波算法在复杂非线性问题中具有广泛应用的优点，但是由于粒子之间的采样误差和粒子数目限制等因素的影响，可能导致粒子滤波算法的估计精度不够高，因此需要改进。

以下是几种粒子滤波算法的改进方法：（1）基于粒子滤波的扩展卡尔曼滤波算法扩展卡尔曼滤波(EKF)是一种基于传统卡尔曼滤波算法的改进，通过对系统状态的非线性变换进行泰勒展开，将非线性问题转化为线性问题进行计算。

在应用于组合导航中，EKF方法通常用于滤波GPS观测量和IMU运动量的融合。

基于遗传算法和神经网络的改进粒子滤波的GPS定位数据处理-

基于遗传算法和神经网络的改进粒子滤波的 GPS 定位数据处理∗
王尔申∗,庞涛,李兴凯,张芝贤
( 沈阳航空航天大学电子信息工程学院,沈阳 110136)
摘要:针对 GPS 接收机观测噪声分布的特点和粒子滤波存在的粒子退化问题,提出基于遗传算法和神经网络的重要性权
值调整粒子滤波算法。将遗传算法全局寻优的收敛性与 BP 神经网络局部寻优的快速性结合,改善粒子的分布。将改进粒子滤波应用于 GPS 定位精度改善,与神经网络辅助的粒子滤波进行比较,对比两者的有效粒子数目和训练误差。实测 GPS 数据处理验证表明,该算法增加了有效粒子数目,有效抑制了粒子退化,在改善 GPS 定位精度上取得了良好的效果。
量;ve 和 vn 分别为运动载体东向和北向的速度分
量;ae 和 an 分别为运动载体东向和北向的加速度分
量。则系统的状态方程为
Ẋ ( t)= AX( t) +U+W( t)
(5)
2.2 观测方程的建立
将 GPS 接收机输出的东向位置信息 ze、北向位
置信息 zn、速度 v 以及方向角 θ 作为观测量[13] ,即
项目来源:国家自然科学基金项目( 61101161) ;航空科学基金项目( 2011ZC54010) ;辽宁省自然科学基金( 联合基金) 项目 ( 2013024003)
收稿日期:2014-04-13 修改日期:2014-05-11
第 2 期王尔申,庞涛等:基于遗传算法和神经网络的改进粒子滤波的 GPS 定位数据处理算法 411
行调整。
(6) 将经过权值分裂和权值调整的粒子集合并,
得到新的粒
子集
{
x■ik′ ,ω■ik′
}

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

计算机工程与设计ＣｍｕｒｎｉｅｎｄｅｉｏｐｔＥｇｅｒｇｎＤｓｎｅｎｉａｇ
・人工智能・
２１，１００１（１３）
２２５３
改进重采样粒子滤波算法在Ｇ中的应用ＰＳ
李子昱，秦红磊
（北京航空航天大学电子信息工程学院，北京１０９）０１１
Ｋｌｎｌｒ（ＫＦ，ｗｅｍｐｏｅｅｅａｌｇｔｏｒｈＫＰ．ＡｃｏｄｎｅｒｔａａａｙｉａｄｏｕｅｍｕａｉｎｎａｍａｆｔＥ）ｉｅｒｖｄｈｓｍｐｉｈｄｆｅｉｔｒｎｍｅｏｔＥＦｃｒｉｇｏｈｏｅｉｌｎｌｓｓｍｐｔｓｌｏｔｔｃｃｎｒｉｔｉ
ＥＫＰｎｅｉｒｖｄＥＦａｄｔｈｍｐｏｅＫＰＦｔｉｅａｖｌａｉｎｆｒｈｓｌｏｔｍｓｉｉｅｅｔｔｔｓｓＴｅｓｍｕａｉｎｒｓｌｅｎｔａｅｔａｏｇｖｎｅａｕｔｏｅｅａｇｒｈｄｆｒｎａｕｅ．ｈｉｌｔｅｕｔｄｍｏｓｒｔｔｏｔｉｎｆｓｏｓｈｈｒｏｍｎｅｏｔｅｐｏｏｅｔｏａｖｏｓｍｐｏｅｎｍｐｒｄｔｏｈｒｔｅｅｆｒａｃｆｈｒｐｓｄｍｅｈｄｈｓｂｉｕｒｖｍｅｔｏａｅｔｅｔｏｓｔｈｔｔｓｆｉｈｄｎｍｉ，ｉｈｍｏｉｔ．ｐｏｉｃｏｍｅｈｄｅｓａｕｈｇｙａｃｈｇｂｌｙａｔｏｉＫｅｒｓｎｎｉｅｌｒｇｅｔｎｅｌｎｌｒｐｒｃｅｆｔｒｒｓｍｐｉｇｇｏａｏｉｏｉｇｓｓｅｙｗｏｄ：ｏｌａｆｔｉ；ｘｅｄｄＫａｍａｆｔ；ａｔｌｌｅ；ｅａｌ；ｌｂｌｓｉｎｎｙｔｍｎｒｉｅｎｉｅｉｉｎｐｔ
ＬｉｕＱｒＨｏｇｌｉＩ — ．ＺｙＮｎ — ｅ
（ｃｏｌｆｌｔｎｃｎｆｒｔｎＥｇｎｅｉｇｅｉｎｖｒｉｆｅｏａｔｓｎｔｎｕｉ，ＳｈｏｏＥｅｒｉａｄｎｏｍａｉｎｉｒ，ＢｉｎＵｉｅｓｙｏＡｒｎｕｉｄｒａｔｓｃｏＩｏｅｎｊｇｔｃａＡｓｏｃＢｉｎ０１１Ｃｉａｅｉｇ１０９，ｈｎ）、ｊ
ｒｓｍｐｉｇｂｓｄｏｅｅｔｎｅｌｎｐｒｃｅｆｔ（ＫＦｗｉｈｓｌｔｔｅｉｏｔｃｉｒｕｉｎｏＦｂｅｅｔｎｅｅａｌ，ａｅｎｔｘｅｄｄＫａｎｈｍａａｔｌｉｅＥＰ）ｈｃｅｅｓｉｌｒｃｈｍｐｒｅｄｓｉｔｆｙｔｘｅｄｄｎａｔｂｏＰｈ
Ａｂｓｒｃ：Ｔｏｖｅｄｇｎｒｃｈｎｍｅｏｆａｔｌｌｒ（Ｆ）ａｄｓｍｐｅｉｏｅｓｍｅｔｒｂｅｃｕｅｙｓｍｐｅｒｎｏｔａｔｏｓｌｅｔｅｅｅａｙｐｅｏｎｎｏｒｃｅｆｔｈＰｉｉｅＰｎａｌｍｐｖｒｈｎｏｌｍａｓｄｂｉｌａｄｍｉｐ
（Ｋ）扩的ＥＰＥＦ、ＥＰ）ＫＦ算法来实现导航定位的定位估计精度与效率，析在不同条件状况下分
的最佳非线性滤波算法。奏验结果表明，与其它方法相比，该算法在高动态、高机动状态下性能得到了明显的改善。
ｐｓｉｎｎｄｎｖｇｔｎｉｅｇｏａｐｓｉｎｎｙｔｏｉｏｉｇａａｉａｏｔｌｂｌｏｉｏｉｇｓｓｍ（Ｐ）ｗｅｃｍｐｒｄｔｅｏｉｏｉｇａｃｒｃｄｅｃｅｃｏＥ，ｔｎｉｎｈｔｅＧＳ，ｏａｅｓｉｎｎｃｕａｙａｆｉｎｙｆｍＫＦｈｐｔｎｉｒ
关键词：线性滤波；扩展卡尔曼滤波；粒子滤波；重采样；全球定位系统非
中图法分类号：Ｎ６．Ｔ９７１
文献标识码：Ａ
文章编号：００７２（００１－５３０１０．０４２１）１２．４２
ＡｐｌｃｔｏｆｉｐｏｅａｔｃｅｆｌｅｎＧＰＳｓｔｍｐｉａｉｎｏｒｖｄｐｒｉｌｉｔｒｉｍｙｓｅ
０引言
当前各种军事应用和民用对导航定位提出了越来越高的
摘要：解决粒子滤波（Ｖ固有的退化现象及因简单重采样引起的粒子匮乏问题，为Ｐ）采用扩展卡尔曼滤波（Ｋ）ＥＦ来优选ＰＦ的
重要性分布，并对重采样方法进行改进。通过理论分析及针对全球定位系统（Ｐ）的计算机仿真，对比扩展卡尔曼滤波ＧＳ