基本信息
- 项目名称：
- 蚁群系统和遗传算法相结合的粒子滤波
- 来源：
- 第十二届“挑战杯”省赛作品
- 小类：
- 数理
- 大类：
- 自然科学类学术论文
- 简介：
- 本文针对粒子退化现象，提出一种新的滤波算法，将模拟进化算法和蚁群优化算法相结合，应用于序列重要性采样的迭代递推之中，利用遗传算法的交叉操作和变异操作，来增加粒子的多样性。最后以非线性非高斯系统为例仿真实验说明，新算法比传统的粒子滤波的平均绝对误差和方差更小，耗时更短。
- 详细介绍：
- 粒子滤波是一种基于序贯模拟的统计滤波方法，在处理非线性非高斯动态系统方面有着杰出的贡献，但粒子滤波概率密度函数分布的选择及粒子退化现象的解决是算法设计的瓶颈。蚁群优化和遗传算法相结合的粒子滤波是将蚁群算法运用于序列重要性采样的迭代递推中。权值较大的粒子留下更多的信息量，而信息量越大的点被再次选中的可能性也越大，权值较小基本上对系统状态无用的粒子将会被淘汰掉，利用遗传交叉、变异，选择运算增加粒子的多样性。在算法的初级阶段，所有粒子点的信息量相同，随着算法的的推进，最优粒子点上的信息量逐渐增加，收敛到目标真实状态的速度也就越快。本文则是针对粒子退化现象而提出一种新的滤波算法，将模拟进化算法和蚁群优化算法相结合，应用于序列重要性采样的迭代递推之中，利用遗传算法的交叉操作和变异操作，来增加粒子的多样性。以非线性非高斯系统为例仿真实验说明，新算法比传统的粒子滤波的平均绝对误差和方差更小，耗时更短。
作品专业信息
撰写目的和基本思路
- 针对粒子退化现象，将模拟进化算法和蚁群优化算法相结合，应用于序列重要性采样的迭代递推之中，利用遗传算法的交叉操作和变异操作，来增加粒子的多样性。
科学性、先进性及独特之处
- 目前粒子滤波中存在的如何处理多目标干扰和目标形变问题；如何确定粒子传播半径；如何优化粒子分布以使跟踪效果尽可能准确；如何有效降低粒子数，减少计算代价等问题，结合跟踪问题特点对基于粒子滤波算法进行了深入研究，在实现基本的粒子滤波跟踪算法的基础上，针对跟踪中相似干扰和形变问题，从数学的角度提出了一种新的算法：将蚁群和遗传算法引入，从而减小了跟踪的误差，提高跟踪精度。
应用价值和现实意义
- 随着计算机技术的迅速发展，粒子滤波得到了广泛的应用。各种改进的算法层出不穷，粒子滤波成了解决非线性非高斯问题必选决策。在迭代递推预测中引进了蚁群优化，积累信息素的方法来预防粒子退化，关于这方面的研究，蚁群算法也提出了很多改进的算法，并赋予了每只蚂蚁一定得智能，引进了蚂蚁代理（Agent）技术使得蚂蚁具有自主性，自动型，反应性和智能性等诸多特性，这在粒子的预测与更新方面应该会得到很大的发展与应用。
学术论文摘要
- 粒子滤波是一种基于序贯模拟的统计滤波方法，在处理非线性非高斯动态系统方面有着杰出的贡献，但粒子滤波概率密度函数分布的选择及粒子退化现象的解决是算法设计的瓶颈。针对粒子退化现象，提出一种新的滤波算法，将模拟进化算法和蚁群优化算法相结合，应用于序列重要性采样的迭代递推之中，利用遗传算法的交叉操作和变异操作，来增加粒子的多样性。以非线性非高斯系统为例仿真实验说明，新算法比传统的粒子滤波的平均绝对误差和方差更小，耗时更短。
获奖情况
- 校挑战杯比赛二等奖
鉴定结果
- 无
参考文献
- [1] Doucet A,Godsill S, Chistophe A.On seq-uential Monte Carlo sampling methods for Ba-yesian filtering.Statistics and Computing[J],2000, 10(3):197-208 [2] Haykin S,Huber K,Chen Z. Bayesian sequ-ential state estimation for mimo wireless communications. Proceedings of the IEEE[J],2004, 92(3):439-454 [3] Doucet A Gordon N J ,Krishnamurthy V.P-artic1e Filter for State Estimation of Markov linear systems.IEEE Tranction on Signal Proc-essing[J],2001，49(3):613-624. [4] Koteche J ,Djuric P M.Gaussian Sum Part-icle Filtering Transaction on Signa1 Proeessing[J],2003，51(10):2602-2613. [5] 袁泽剑,郑南宁,贾新春.高斯一厄米特粒子滤波器[J],电子学报，2003,3l(7):970-973. [6]Dorigo M,Caro GD,Gambardella LM. Ant Algorithms for Discrete Optimization[J] .Artificial Life ,1999 ,5(2):137-172. [7] 曹椋焱,李光布,李景辉.遗传算法的分析及其改进[J], 计算机仿真，2009,7(26):228-231
同类课题研究水平概述
- 自粒子滤波被第一次提出以来，经过发展，现在已经出现多种粒子滤波器，例如扩展卡尔曼粒子滤波器(EKPF)、Unscented粒子滤波器、辅助粒子滤波器、高斯粒子滤波器、高斯加和粒子滤波器、PARZEN粒子滤波器，以及迭代扩展卡尔曼粒子滤波器(Iterated EKPF)等等。但目前应用中粒子滤波应用于跟踪方法并不完美，还有很多问题亟待解决。比如：如何处理多目标干扰和目标形变问题；如何确定粒子传播半径；如何优化粒子分布以使跟踪效果尽可能准确；如何有效降低粒子数，减少计算代价等等。 粒子滤波理论是贝叶斯滤波理论和蒙特卡罗仿真理论的结合体，适用于任何能用状态空间模型表示的线性高斯系统，以及传统卡尔曼滤波无法表示的非线性非高斯系统，精度可以逼近最优估计。该方法的使用非常灵活，容易实现，具有并行结构，实用性强。 由于粒子滤波是近年来出现的新算法，算法本身还不很成熟，仍有大量的问题亟待解决，主要体现在以下几个方面： （1）经典的重采样方法虽然在克服粒子数匮乏方面具有良好的效果，但计算量的扩张随着粒子数的增加而成级数增加，对有实时性要求的系统中，粒子滤波的可实现性成为主要问题。可以将成熟的多种不同寻优方法引入重采样过程，以便更快地提取到反映系统概率特征的典型粒子。 （2）粒子滤波算法的硬件实现。为了提高粒子滤波算法的运算速度和鲁棒性，研究粒子滤波的硬件实现方法尤为关键。粒子滤波硬件实现的基本思想是：将粒子滤波划分为初始采样、重采样、状念更新等不同过程，利用流水线实现分时并行处理。 （3）拓展粒子滤波新的应用领域。由于粒子滤波算法出现较晚，，碍于学科间的差异，粒子滤波仅限于有限的几个领域。从分析算法的思想可以看出，只要针对非线性状态估计系统建立起相应的模型，在采用Kalman滤波效果不理想的情况下，便可尝试采用粒子滤波算法。 灵活、易于实现、并行化等特点使粒子滤波算法成为应用统计学、信号处理、自动控制、人工智能、机器学习等领域新的研究热点，同时伴随着应用统计学、概率论等学科的不断进步，粒子滤波技术己在目标跟踪、计算机视觉、机器人导航、工业控制、机器学习等领域受到越来越广泛的重视。以上研究表明，在有关非线性非高斯系统的数据处理和分析领域，；粒子滤波都具有潜在的应用价值。
