积分商城

最新搜索： PL2303 altium Designer 20 电路设计与仿真从入门到精通 常用LOGO标识 microBUCK 入门教程 canopen
您现在的位置是：首页 > 技术资料 > 基于蝙蝠算法的粒子滤波法研究
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于蝙蝠算法的粒子滤波法研究

更新时间：2019-12-25 07:35:33 大小：588K 上传用户：zhiyao6查看TA发布的资源 标签：粒子滤波法 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

标准粒子滤波容易出现粒子贫化问题,滤波精度不稳定,并且需要大量粒子才能对非线性系统进行准确估计,降低了算法的综合性能.针对该问题,本文提出了一种基于蝙蝠算法的新型粒子滤波算法.该算法用粒子表征蝙蝠个体,模拟蝙蝠群体搜索猎物的过程,粒子群体通过调整频率、响度、脉冲发射率,追随当前最优粒子在解空间中进行搜索,并可以动态控制全局搜索及局部搜索的相互转换,进而提髙粒子整体的质量和分布的合理性;此外,改进算法引入Levy飞行策略,从而避免局部极值的不良吸引.实验表明新型粒子滤波方法提高了粒子多样性和滤波预测精度,同时大大降低了对非线性系统进行状态预测所需的粒子数量.


部分文件列表

文件名 大小
基于蝙蝠算法的粒子滤波法研究.pdf 588K

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
物 理 学 报 Acta Phys. Sin. Vol. 66, No. 5 (2017) 050502  
∗
基于蝙蝠算法的粒子滤波法研究  
陈志敏1)† 田梦楚2) 吴盘龙2) 薄煜明2) 顾福飞1) 岳聪2)  
1)(中国卫星海上测控部, 江阴 214431)  
2)(南京理工大学自动化学院, 南京 210094)  
( 2016 年 8 月 24 日收到; 2016 年 12 月 11 日收到修改稿 )  
标准粒子滤波容易出现粒子贫化问题, 滤波精度不稳定, 并且需要大量粒子才能对非线性系统进行准确  
估计, 降低了算法的综合性能. 针对该问题, 本文提出了一种基于蝙蝠算法的新型粒子滤波算法. 该算法用粒  
子表征蝙蝠个体, 模拟蝙蝠群体搜索猎物的过程, 粒子群体通过调整频率、响度、脉冲发射率, 追随当前最优粒  
子在解空间中进行搜索, 并可以动态控制全局搜索及局部搜索的相互转换, 进而提高粒子整体的质量和分布  
的合理性; 此外, 改进算法引入 Lévy 飞行策略, 从而避免局部极值的不良吸引. 实验表明新型粒子滤波方法  
提高了粒子多样性和滤波预测精度, 同时大大降低了对非线性系统进行状态预测所需的粒子数量.  
关键词: 粒子滤波, 蝙蝠算法, 粒子多样性, 状态估计  
PACS: 05.45.Tp, 05.40.–a  
DOI: 10.7498/aps.66.050502  
行了大量研究, 文献 [9] 提出了基于权值选择的粒  
子滤波, 该滤波方法从粒子集中选择权值较大的粒  
子用于下一时刻的状态估计, 可以减轻粒子的贫化  
程度, 但容易导致粒子权值的退化. 文献 [10] 提出  
了确定性重采样的粒子滤波, 该方法对重采样阶段  
进行确定性优化, 提高了粒子的多样性. 文献 [11]  
提出了饱和粒子滤波, 其根据不同特点的系统选择  
特定的重采样方法, 使得粒子逼近真实值. 但上述  
两种方法依然是基于传统重采样的框架, 未能从根  
本上彻底解决粒子贫化的问题.  
1 引  
言
非线性系统广泛存在, 并且在系统中还可能存  
在非高斯噪声, 这些因素会降低基于卡尔曼理论框  
架的常规滤波算法的性能 [1,2]. 粒子滤波 (particle  
filter, PF) [3] 是一种基于蒙特卡罗思想的滤波技术,  
由于其状态函数和观测函数没有做非线性及非高  
斯的假设, 因此粒子滤波可以不受系统非线性和非  
高斯噪声的限制. 目前粒子滤波算法已经广泛应用  
于诸多实际工程领域, 例如目标跟踪、导航制导、状  
态监视、故障检测、参数估计、系统辨识等. 针对  
粒子滤波的权值退化问题, 可以采用重采样方法进  
基于群体智能优化思想的 PF 是现代粒子滤波  
领域中一个崭新的发展方向 [12], 将粒子滤波中的  
粒子视为生物群体中的个体, 利用模拟生物集群的  
运动使粒子的分布更加合理. 由于群体智能优化  
行解决 [4]. 但是重采样算法仅复制大权值样本 [5,6]  
,
会导致粒子的贫化现象 [7,8], 即高权值粒子被多次  
复制, 小权值粒子被直接舍弃. 虽然较小权值的粒  
子对于目标状态估计的贡献有限, 但是却代表着一  
定的状态信息, 重采样阶段对粒子的舍弃, 必将影  
响到状态估计的精度.  
粒子滤波主要是对粒子的分布进行迭代寻优 [13,14]  
,
并不涉及对低权值粒子的直接舍弃, 因此可以从根  
本上彻底解决粒子的贫化问题. 国内外学者已成功  
将各类经典群体智能优化算法与粒子滤波进行结  
合, 并在此基础上提出了各种改进算法. 文献 [15]  
针对粒子滤波的样本贫化问题, 国内外学者进  
∗
†
国家自然科学基金 (批准号: 61501521, U1330133, 61473153) 和中国博士后科学基金 (批准号: 2015M582861) 资助的课题.  
通信作者. E-mail:
© 2017 中国物理学会 Chinese Physical Society  
050502-1  
物 理 学 报 Acta Phys. Sin. Vol. 66, No. 5 (2017) 050502  
均值代替原先需要依据后验概率密度函数进行的  
提出了基于小生境技术的群体智能粒子滤波算法,  
该算法通过多模寻优增强粒子的多样性和寻优能  
力, 从而提高粒子滤波的精度. 文献 [16] 将粒子群  
优化算法和蚁群优化算法的优化思想共同作用到  
粒子滤波的样本更新中, 实现粒子之间信息共享,  
从而增强了粒子的全局寻优能力. 文献 [17] 提出了  
自适应粒子群优化改进粒子滤波算法, 自适应地控  
制邻域粒子的数量, 提高了粒子分布的合理性和滤  
波的精度.  
蝙蝠算法 (bat algorithm, BA) [18] 由剑桥大学  
Yang 教授于 2010 年提出, 其通过模拟蝙蝠捕食行  
为而进行自适应智能寻优, 和粒子群优化算法一  
样, 蝙蝠算法也是基于群体的随机搜索机制, 但区  
别在于蝙蝠算法的随机性更强, 因此蝙蝠算法具有  
更好的收敛速度和收敛精度. 国内外很多学者已将  
蚁群优化算法、遗传算法、模拟退火算法、粒子群优  
化算法等与 PF 融合, 而蝙蝠算法作为最新的群体  
智能优化算法之一, 各种研究及扩展尚处于起步阶  
段, 目前关于将其与 PF 进行融合的报道较少. 文  
献 [18] 已证明, 蝙蝠算法的寻优搜索能力优于粒子  
群优化算法、蚁群优化算法等主流群体智能优化方  
法, 因此若能将蝙蝠算法与粒子滤波进行结合, 则  
对群体智能粒子滤波性能的进一步提高具有重要  
意义.  
积分运算, 从而获得最小的方差估计 [20]  
.
3 蝙蝠算法  
蝙蝠算法是模拟自然界中蝙蝠利用一种声呐  
来探测物、避免障碍物的随机搜索算法. BA的仿生  
原理将种群数量为 NP 蝙蝠个体映射为 D 维问题  
空间中的 NP 个可行解, 将优化过程和搜索模拟成  
蝙蝠个体移动过程和搜寻猎物 [21]. 利用解问题的  
适应度函数来衡量蝙蝠所处位置的优劣, 其在优化  
和搜索过程中通过种群寻优, 不断提高. 在蝙蝠算  
法中, 为了模拟蝙蝠探测猎物、避免障碍物, 蝙蝠算  
法有以下应用规则:  
1) 所有蝙蝠个体都能运用回声定位去感应距  
离, 同时它们也能通过一种特殊的方式对猎物及背  
景障碍物进行区分;  
2) 蝙蝠在位置 Xi 以速度 Vi 随意飞行时, 会以  
固定频率 f 、可变化波长 λ 及响度 A0 去搜索猎  
min  
物, 同时可以根据目标物与自己距离的大小自适应  
地调节发射出的脉冲波长, 在靠近猎物时调节发射  
脉冲的频度r;  
3) 假定发射脉冲的响度是在最大值 A0 到固定  
最小值 A  
之间变化的. 频率范围 [f , f  
] 所  
min  
min max  
本研究结合蝙蝠算法的智能自适应迭代寻优  
机制以及粒子滤波的特点, 对蝙蝠算法的位置更新  
方式进行改进, 并将蝙蝠算法和粒子滤波进行融  
合, 提出了蝙蝠算法智能优化粒子滤波 (bat algo-  
rithm optimized particle filter, BA-PF), 在增加粒  
子多样性的同时, 提高了粒子滤波的精度.  
对应的波长范围为 [λ , λ  
], 频率越高, 波长越  
max  
min  
短, 飞行距离也就越短.  
4 蝙蝠算法智能优化粒子滤波  
4.1 整体改进原理  
传统粒子滤波的重采样方法通过删除小权值  
粒子来避免粒子匮乏现象的产生, 但经过多次迭代  
后, 会导致粒子的贫化问题.  
2 粒子滤波算法  
粒子滤波的关键思想是利用一组加权的随  
针对以上问题, 本研究利用蝙蝠算法对粒子滤  
波进行优化. 算法的实现思路如下: 将粒子散布在  
搜索空间, 每个粒子以不同的脉冲频率搜索最优位  
置. 粒子在初始迭代时刻采用较低的脉冲频度和较  
大的脉冲音强进行全局搜索, 通过全局搜索行为更  
新粒子的状态, 得到新解. 随后进行局部搜索, 在  
平均音强的半随机指导下, 若旧解的适应度函数值  
低于新解的适应度函数值, 则视为搜索到了当前迭  
代时刻的最优解, 此时用新解代替旧解, 并逐渐增  
N
机样本 xk = {xik, wki }i=1 来近似表征后验概率密  
度 [19]  
:
P(xk|y1:k  
)
Ns  
∑
≈ PN (xk|y1:k) =  
wki δ(xk − xik),  
(1)  
s
i=1  
式中, xk 为 k 时刻的状态值, y1:k 为 1—k 时刻的观  
测值, wki 为 k 时刻粒子 i 的权重, δ(·) 为狄拉克函  
数. 当 (1) 式随着观测值递推更新时, 即可用样本  
050502-2  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号