评价网 > 科教论文 > 理学毕业论文 > 理工论文 > 正文

基于蒙特卡洛方法的高斯混合采样粒子滤波算法(3)

2017-08-15 01:10 重采样（Resampling）处理，新的采样结果放在数组，具体的算法用伪码语言写为如下的形式： 步骤1：令这里必须注意是随机变量的累计概率密度序列。 步骤2：初始假设，当， 产生一组序列分布。对一个固定的j，分别用逐一比较，一旦，就可以得到一组新的样本集合。如此循环直到。需要说明的是，重采样方法在消除粒子退化问题的同时，也带来了其它两个问题：首先，降低了粒子运算并行执行的可能性；其次，由于权值较大的粒子多次被选择，粒子的多样性减少。这种情况尤其在小过程噪声条件下表现更为明显[11]。图2 SIR-PF重要性采样与重采样示意图4 GMSPPF滤波算法 如前所述，利用序列重要性采样和重采样的方法，粒子滤波可以有效的递归更新后验概率的分布。但是，由于对粒子未加假设，大量的粒子在处理非线性、非高斯问题时出现了计算的高复杂性问题。另外，由于少数权值较大的粒子反复被选择，粒子坍塌明显。文献[4]提出了在重要性采样步骤的建议分布的生成阶段“搬运”粒子到似然较高区域，可以缓解坍塌，同时提高估计的性能。但是不可避免的是对每一个粒子的后验概率处理，使得计算的复杂性进一步加剧。鉴于此种情况，这里介绍一种新颖的高斯混合采样粒子滤波器（Gaussian Mixture Sigma Point Particle Filter，GMSPPF）。GMSPPF算法利用有限高斯混合模型表征后验概率分布情况，可以通过基于重要性采样的加权的后验粒子，借助于加权的期望最大化算法（Weighted Expection Maximization）替换标准重采样步骤，降低粒子坍塌效应。共2页: 1 [2] 下一页 论文出处(作者):

（科教作文网http://zw.ΝsΕAc.com发布）

统计数据质量控制问题研究
支持信号优先的快速公交行车时刻表优化算法