留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于遗传算法改进的粒子滤波重采样模型

张民 贾海涛 沈震

张民, 贾海涛, 沈震. 基于遗传算法改进的粒子滤波重采样模型[J]. 电子科技大学学报, 2015, 44(3): 344-349. doi: 10.3969/j.issn.1001-0548.2015.03.005
引用本文: 张民, 贾海涛, 沈震. 基于遗传算法改进的粒子滤波重采样模型[J]. 电子科技大学学报, 2015, 44(3): 344-349. doi: 10.3969/j.issn.1001-0548.2015.03.005
ZHANG Min, JIA Hai-tao, SHEN Zhen. Improved Resampling Procedure Based on Genetic Algorithm in Particle Filter[J]. Journal of University of Electronic Science and Technology of China, 2015, 44(3): 344-349. doi: 10.3969/j.issn.1001-0548.2015.03.005
Citation: ZHANG Min, JIA Hai-tao, SHEN Zhen. Improved Resampling Procedure Based on Genetic Algorithm in Particle Filter[J]. Journal of University of Electronic Science and Technology of China, 2015, 44(3): 344-349. doi: 10.3969/j.issn.1001-0548.2015.03.005

基于遗传算法改进的粒子滤波重采样模型

doi: 10.3969/j.issn.1001-0548.2015.03.005
详细信息
  • 中图分类号: TN953

Improved Resampling Procedure Based on Genetic Algorithm in Particle Filter

  • 摘要: 提出一种基于遗传算法改进的新粒子滤波算法,该算法对于每次迭代计算出的最差粒子并未简单地进行丢弃,而是将这些最差粒子利用生物遗传中的遗传性和变异性将其进行修正。该算法利用最差粒子数据与种群中特殊数据进行交叉变异方法来增强粒子种群中的多样性,从而有利于粒子滤波对机动目标的跟踪;同时保留部分粒子在未来进行唤醒也体现了多样性。该算法更有利于实现粒子滤波在机动目标跟踪的适应性,提高其跟踪效果。
  • [1] ARORA A. A line in the sand: a wireless sensor network for target detection, classification, and tracking[J]. Comput Netw, 2004, 46(5): 605-634. [2] BUGALLO M F, LU T, DJURI´C P M. Target tracking by multiple particle filtering[C]//Proceedings of IEEE Aerospace Conference. Big Sky, MO, USA: IEEE, 2007: 153-156. [3] DJURI´C P M, LU T, BUGALLO F. Multiple particle filtering[C]//Proceedings of the IEEE 32nd International Conference on Acoustics, Speech and Signal Processing (ICASSP’2007). Honolulu, Hawaii, USA: IEEE, 2007: 1181-1184. [4] ISARD M, BLAKE A. Condensation-conditional density propagation for visual tracking[J]. IJCV, 1998, 29(1): 5-28. [5] ASLAM J, BUTLER Z, CONSTANTIN F V, et al. Tracking a moving object with a binary sensor network[C]//Proc 1st Int Conf Embedded Networked Sensor Syst. Los Angeles, CA, USA: [s.n.], 2003:150-161. [6] KIM W, MECHITOV K, CHOI J Y, et al. On target tracking with binary proximity sensors[C]//Proc 4th Int Symp Inf Process Sensor Netw. Los Angeles, CA, USA: IPSN, 2005. [7] OH S, SASTRY S. Tracking on a graph[C]//Proc 4th Int Symp Inf Process Sensor Networks. Los Angeles, CA, USA: IPSN, 2005. [8] GRISETTI G, STACHNISS C, BURGARD W. Improved techniques for grid mapping with rao-blackwellized particle filters[J]. IEEE Transactions on Robotics, 2007, 23(1): 34-46. [9] LASKA B N M, BOLIC M, GOUBRAN R A. Particle filter enhancement of speech spectral amplitudes[J]. IEEE Transactions on Audio, Speech, and Language Processing, 2010,18(8): 2155- 2167. [10] GUSTAFSSON F. Particle filter theory and practice with positioning applications[J]. IEEE A&E Systems Magazine. Part 2: Tutorlals-Gustafsson, 2010, 25(7): 53-81. [11] MARTINEZ-ESPLA J J, MARTINEZ-MARIN T, LOPEZ-SANCHEZ J M. A particle filter approach for insar phase filtering and unwrapping[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(4): 1197- 1211. [12] SANKARANARAYANAN A C, SRIVASTAVA A, CHELLAPPA R. Algorithmic and architectural optimizations for computationally efficient particle filtering[J]. IEEE Transactions on Image Processing, 2008, 17(5): 737-748. [13] CHENG Qi. An efficient two-stage sampling method in particle filter[J]. IEEE Transactions on Aerospace and Electronic Systems, 2012, 48(3): 2666-2672. [14] WANG Ya-feng, ZHANG You-an, LIU Hua-ping, et al. Central difference particle filter applied to transfer alignment for sins on missiles[J]. IEEE Transactions on Aerospace and Electronic Systems, 2012, 48(1): 375-387. [15] CLOSAS P, BUGALLO M F. Improving accuracy by iterated multiple particle filtering[J]. IEEE Signal Processing Letters, 2012, 19(8): 531-534. [16] HU Xiao-li, SCHON T B, LJUNG L. A basic convergence result for particle filtering[J]. IEEE Transactions on Signal Processing, 2008, 56(4): 1337-1348. [17] NICOLI M, MORELLI C, RAMPA V. A jump markov particle filter for localization of moving terminals in multipath indoor scenarios[J]. IEEE Transactions on Signal Processing, 2008, 56(8): 3801-3809. [18] SEONG-HOON P W, WAEL W M, FARID G. A kalman/particle filter-based position and orientation estimation method using a position sensor/ inertial measurement unit hybrid system[J]. IEEE Transactions on Industrial Electronics, 2010, 57(5): 1787-1798. [19] SUTHARSAN S, KIRUBARAJAN T, LANG T, et al. An optimization-based parallel particle filter for multitarget tracking[J]. IEEE Transactions on Aerospace and Electronic Systems, 2012, 48(2): 1601-1618. [20] BRANKO R, SANJEEV A. Bernoulli particle filter with observer control for bearings-only tracking in clutter[J]. IEEE Transactions on Aerospace and Electronic Systems, 2012, 48(3): 2405- 2415.
  • [1] 李龚亮, 敬思远, 郭兵, 沈艳.  基于图形处理器的并行遗传过程挖掘 . 电子科技大学学报, 2019, 48(6): 918-924. doi: 10.3969/j.issn.1001-0548.2019.06.017
    [2] 王维博, 孙敬欢, 董蕊莹, 郑永康.  基于小样本的高精度室内停车场指纹定位算法 . 电子科技大学学报, 2019, 48(1): 32-38. doi: 10.3969/j.issn.1001-0548.2019.01.006
    [3] 周瑞, 鲁翔, 卢帅, 李志强, 桑楠.  基于粒子滤波和地图匹配的融合室内定位 . 电子科技大学学报, 2018, 47(3): 415-420. doi: 10.3969/j.issn.1001-0548.2018.03.015
    [4] 陈姝, 梁文章.  结合特征点匹配及深度网络检测的运动跟踪 . 电子科技大学学报, 2016, 45(2): 246-251.
    [5] 李伟, 曹洁, 李军, 王进花.  噪声相关粒子滤波算法 . 电子科技大学学报, 2016, 45(3): 436-441. doi: 10.3969/j.issn.1001-0548.2016.02.021
    [6] 季玉龙, 杨光, 戈文一.  基于粒子滤波的目标主动轮廓跟踪算法 . 电子科技大学学报, 2015, 44(1): 91-96. doi: 10.3969/j.issn.1001-0548.2015.01.015
    [7] 甘露, 易舟维, 李立萍.  基于L0范数约束非相邻系数FIR数字滤波器设计 . 电子科技大学学报, 2013, 42(2): 200-204. doi: 10.3969/j.issn.1001-0548.2013.02.004
    [8] 樊玲, 张晓玲.  雷达微弱目标探测的改进检测前跟踪算法 . 电子科技大学学报, 2011, 40(6): 839-843. doi: 10.3969/j.issn.1001-0548.2011.06.006
    [9] 陈金广, 李洁, 高新波.  等式状态约束下的粒子滤波算法 . 电子科技大学学报, 2011, 40(4): 596-601. doi: 10.3969/j.issn.1001-0548.2011.04.025
    [10] 屈剑锋, 柴毅, 郭茂耘.  无线传感器网络下的并行粒子滤波目标跟踪算法 . 电子科技大学学报, 2011, 40(2): 231-236. doi: 10.3969/j.issn.1001-0548.2011.02.015
    [11] 杜正聪, 唐斌, 刘立新.  粒子滤波的MIMO-OFDM空频分层检测算法 . 电子科技大学学报, 2008, 37(2): 194-197.
    [12] 李向阳, 张亚非.  一种基于遗传算法的语义标注 . 电子科技大学学报, 2007, 36(1): 86-89.
    [13] 吴传信, 倪明放, 陈鸣.  路由选择的一种新遗传算法 . 电子科技大学学报, 2006, 35(5): 744-747.
    [14] 沈艳, 郭兵, 古天祥.  粒子群优化算法及其与遗传算法的比较 . 电子科技大学学报, 2005, 34(5): 696-699.
    [15] 唐普英, 李志辉, 黄顺吉.  基于遗传算法和禁忌搜索的多用户检测器 . 电子科技大学学报, 2004, 33(5): 499-502.
    [16] 黄羽, 黄迪明, 何险峰, 武明.  遗传算法在入侵检测中的应用 . 电子科技大学学报, 2003, 32(6): 679-682.
    [17] 王海枚, 游志胜.  基于遗传算法与模糊控制的建模方法 . 电子科技大学学报, 2002, 31(3): 266-269.
    [18] 张宇, 郭晶, 周激流.  动态变异遗传算法 . 电子科技大学学报, 2002, 31(3): 234-239.
    [19] 吴斌, 吴坚, 涂序彦.  快速遗传算法研究 . 电子科技大学学报, 1999, 28(1): 49-53.
    [20] 潘中良, 陈光.  测试图形生成的遗传算法研究 . 电子科技大学学报, 1997, 26(5): 511-514.
  • 加载中
计量
  • 文章访问数:  4430
  • HTML全文浏览量:  146
  • PDF下载量:  399
  • 被引次数: 0
出版历程
  • 刊出日期:  2015-06-15

基于遗传算法改进的粒子滤波重采样模型

doi: 10.3969/j.issn.1001-0548.2015.03.005
  • 中图分类号: TN953

摘要: 提出一种基于遗传算法改进的新粒子滤波算法,该算法对于每次迭代计算出的最差粒子并未简单地进行丢弃,而是将这些最差粒子利用生物遗传中的遗传性和变异性将其进行修正。该算法利用最差粒子数据与种群中特殊数据进行交叉变异方法来增强粒子种群中的多样性,从而有利于粒子滤波对机动目标的跟踪;同时保留部分粒子在未来进行唤醒也体现了多样性。该算法更有利于实现粒子滤波在机动目标跟踪的适应性,提高其跟踪效果。

English Abstract

张民, 贾海涛, 沈震. 基于遗传算法改进的粒子滤波重采样模型[J]. 电子科技大学学报, 2015, 44(3): 344-349. doi: 10.3969/j.issn.1001-0548.2015.03.005
引用本文: 张民, 贾海涛, 沈震. 基于遗传算法改进的粒子滤波重采样模型[J]. 电子科技大学学报, 2015, 44(3): 344-349. doi: 10.3969/j.issn.1001-0548.2015.03.005
ZHANG Min, JIA Hai-tao, SHEN Zhen. Improved Resampling Procedure Based on Genetic Algorithm in Particle Filter[J]. Journal of University of Electronic Science and Technology of China, 2015, 44(3): 344-349. doi: 10.3969/j.issn.1001-0548.2015.03.005
Citation: ZHANG Min, JIA Hai-tao, SHEN Zhen. Improved Resampling Procedure Based on Genetic Algorithm in Particle Filter[J]. Journal of University of Electronic Science and Technology of China, 2015, 44(3): 344-349. doi: 10.3969/j.issn.1001-0548.2015.03.005
参考文献 (1)

目录

    /

    返回文章
    返回