遗传粒子重采样、遗传粒子滤波器及其分布式实现方法技术

本发明专利技术公开了一种遗传粒子重采样、遗传粒子滤波器及其分布式实现方法，所述重采样方法，包括：对前一递归时刻的Ｎ个粒子状态进行Ｍ位二进制编码，形成父代粒子集，确定选择概率Ｐｓ、交叉概率Ｐｃ与变异概率Ｐｍ；按选择概率Ｐｓ，从父代粒子集中选择出Ｎ×Ｐｓ个粒子，作为有效性子代粒子；在父代粒子集中按交叉概率Ｐｃ执行Ｐｃ／２次交叉操作，产生Ｎ×Ｐｃ个新粒子，作为多样性子代粒子；在父代粒子集中按变异概率Ｐｍ执行Ｐｍ次变异操作，产生Ｎ×Ｐｍ个新粒子，作为多样性子代粒子；对操作后的粒子状态值二进制进行译码，生成重采样粒子集。本发明专利技术实现了粒子滤波器跟踪问题中的粒子有效性与多样性的统一，增加了跟踪鲁棒性，且便于硬件实现。

Genetic particle resampling, genetic particle filter and their distributed implementation

The invention discloses a genetic resampling method, genetic particle filter and distributed, including the resampling method: M binary encoding of N particles on a recursive moment, the formation of the parent particle set, determine the selection probability Ps, crossover probability and mutation probability Pc Pm; according to the selection the probability of Ps from parent particle selecting N * Ps particles, as a parent in the offspring of particles; particle concentration Pc / 2 times according to the crossover probability Pc, N * Pc a new particle, as their offspring in parent particle; particle concentration variation operation according to the implementation of the Pm the mutation probability Pm, N * Pm a new particle, as their offspring of the particle particle; after the operation of state value binary decoding, generating resampling Particle set. The invention realizes the unification of the particle validity and the diversity in the particle filter tracking problem, and increases the tracking robustness, and is easy for hardware implementation.

【技术实现步骤摘要】

本专利技术涉及一种粒子重采样以及粒子滤波器的实现方法，尤其涉及一种。
技术介绍
粒子滤波器的应用领域非常广泛，尤其在解决非高斯、非线性运动物体的跟踪方面具有很大的优势。但粒子滤波器存在的一个最大的问题就是粒子的退化问题。粒子退化(Particle Degeneracy)是粒子滤波器(Particle Filter)中不可避免的现象。在粒子滤波器经过几次迭代之后，很多粒子只有很小甚至接近于零的权值，这些权值在进行粒子的重要度更新时虽然还要计算，但是对整个系统的帮助很小，基本上属于无用的粒子，这就是粒子的退化。粒子退化是严重影响粒子滤波器性能的主要因素之一。一方面退化的粒子浪费了大量计算资源，另一方面也容易造成跟踪的精度降低，甚至使得目标丢失，从而降低了目标跟踪或状态估计的准确性与鲁棒性(Robust)。粒子重采样(Resampling)是解决粒子滤波器中粒子退化现象，增加粒子有效性，从而提高粒子滤波器性能的重要方法。但现有的重采样方法中，由于过分强调粒子的有效性，一旦跟踪目标丢失，很难通过粒子的重采样重新找回目标，特别是在一些预测模型不能精确反映目标运动状态的情况下，这种缺陷尤其严重。粒子滤波器是一种通过蒙特卡罗采样(Monte Carlo Sampling)来执行递归贝叶斯滤波(Recursive Bayesian Filter)的方法，其关键思想是利用一组带权值的随机样本、以及基于对这些样本的估算来表示后验概率密度函数pdf(Posterior Density Function)，当样本数非常大时，这种估算将等同于pdf。与卡尔曼滤波器(Karlman Filter)相比，粒子滤波器在跟踪目标的运动以及观测模型的获取上不再受线性和高斯的限制，因此具有更强的应用性和有效性。在本世纪五十年代，Hammersley和Morton(1954)，Rosenbluth(1955)提出一种被称为Sequential Importance Sampling(SIS)的方法，刚刚提出不久就在物理和统计学领域的文章中被引用达五十余次；到了五六十年代后期Handschin和Mayne(1969)将SIS法应用于控制领域；七十年代，各个领域的学者继续沿着SIS的思路进行研究，著名的有Akashi和Kumamoto(1977)、Handschin(1970)、Zaritskii、Svetnik、Shimelevich(1975)。然而，SIS方法也存在着粒子随时间退化的问题，在1993年，Gordon对SIS方法做了重大改进，率先提出了重采样(resampling)的概念，有效的克服了退化问题，也为粒子滤波器的出现奠定了理论基础。在这以后，一系列改进的SIS方法相继出现，1997年的Clifford、Fearnhead和Carpenter通过对这一类SIS方法进行概括，首次提出粒子滤波器(Particle Filter)的概念。自粒子滤波器出现以来，人们一直在进行研究改进以使其具有更大的应用价值。最为重要的改进之处就在于在粒子退化现象严重时，怎样在稀少的粒子集中有效的进行重采样。针对这一问题，目前比较流行的重采样方法包括累积分布重采样(Binary Search)、系统重采样(Systematic Resampling)，剩余重采样(Residual Resampling)等等。但是现有的重采样方法存在着以下的不足一、过分强调重采样粒子的有效性；二、粒子形态单一；三、硬件实现难度大。也就是在现有的重采样方法中，一是不能吸收原有重采样方法保证粒子有效性的方法精髓；二是不能改变原有的片面强调保证粒子有效性的编码方式，找出一种能够根据具体问题自适应调节粒子有效性与多样性粒子的方法；三是不易保证新方法的硬件实现可行度。
技术实现思路
本专利技术所要解决的技术问题在于提供一种，自适应调节粒子有效性与多样性，解决粒子退化问题，实现粒子重采样与粒子滤波器。为解决上述技术问题，本专利技术提供一种遗传粒子重采样方法，根据每一时刻末各个粒子的已知状态，获得新的粒子集，所述方法包括如下步骤(1)对前一递归时刻的N个粒子状态进行M位二进制编码，形成父代粒子集，确定选择概率Ps、交叉概率Pc与变异概率Pm；(2)按选择概率Ps，从父代粒子集中选择出N×Ps个粒子，作为有效性子代粒子；(3)在父代粒子集中按交叉概率Pc执行Pc/2次交叉操作，产生N×Pc个新粒子，作为多样性子代粒子，其中，每次交叉操作中，从所述父代粒子集中选择用于交叉的两个父代粒子，然后随机产生一个间的整数值作为交叉位，通过交叉操作得到两个子代粒子；(4)在父代粒子集中按变异概率Pm执行Pm次变异操作，产生N×Pm个新粒子，作为多样性子代粒子，其中，每次变异操作中，从所述父代粒子集中选择用于变异的一个父代粒子，然后随机产生一个间的整数值为变异位，通过粒子变异位取反得到一个子代粒子；(5)对操作后的粒子状态值二进制进行译码，生成重采样粒子集，该重采样粒子集中包含有步骤(2)中产生的有效性子代粒子与步骤(3)、(4)中产生的多样性子代粒子。为解决上述技术问题，本专利技术进而提供一种粒子滤波器的实现方法，包括如下步骤(1)初始化粒子，通过初始概率密度分布进行重要度采样，得到一个N点的粒子集；(2)预测t时刻的粒子状态，产生t时刻的粒子集； (3)对于t时刻粒子集中的每一个状态，进行粒子权值的更新；(4)对t时刻的粒子集进行重采样；其中，所述步骤(4)包括(41)对前一递归时刻的N个粒子状态进行M位二进制编码，形成父代粒子集，确定选择概率Ps、交叉概率Pc与变异概率Pm；(42)按选择概率Ps，从父代粒子集中选择出N×Ps个粒子，作为有效性子代粒子；(43)在父代粒子集中按交叉概率Pc执行Pc/2次交叉操作，产生N×Pc个新粒子，作为多样性子代粒子，其中，每次交叉操作中，从所述父代粒子集中选择用于交叉的两个父代粒子，然后随机产生一个间的整数值作为交叉位，通过交叉操作得到两个子代粒子；(44)在父代粒子集中按变异概率Pm执行Pm次变异操作，产生N×Pm个新粒子，作为多样性子代粒子，其中，每次变异操作中，从所述父代粒子集中选择用于变异的一个父代粒子，然后随机产生一个间的整数值为变异位，通过粒子变异位取反得到一个子代粒子；(45)对操作后的粒子状态值二进制进行译码，生成重采样粒子集，该重采样粒子集中包含有步骤(42)中产生的有效性子代粒子与步骤(43)、(44)中产生的多样性子代粒子。为解决上述技术问题，本专利技术还提供一种粒子滤波器的分布式实现方法，包括如下步骤(1)确定二进制编码位数M及其范围位的位数n；(2)根据二进制编码范围位及其位数n，将总体粒子集划分为本地粒子与分步粒子，根据本地粒子的数量将总体粒子集状态空间划分为相同数量的子空间，每一个本地粒子表示一个子空间；(3)初始化所述分布粒子集；(4)按照预设模型预测t时刻的分布粒子状态； (5)对于t时刻粒子集中的每一个状态，进行粒子重要度权值的更新，并将本地粒子集与分布粒子集的重要度权值分别作归一化处理，根据本地粒子的归一化重要度获得该本地粒子所代表的子空间的重采样粒子数；(6)对前一递归时刻的N个粒子状态进行M位二进制编码；(7)根据各粒子本文档来自技高网...

【技术保护点】
一种遗传粒子重采样方法，根据每一时刻末各个粒子的已知状态，获得新的粒子集，其特征在于，包括如下步骤：（１）对前一递归时刻的Ｎ个粒子状态进行Ｍ位二进制编码，形成父代粒子集，确定选择概率Ｐ↓［ｓ］、交叉概率Ｐ↓［ｃ］与变异概率Ｐ↓［ｍ］ ；（２）按选择概率Ｐ↓［ｓ］，从父代粒子集中选择出Ｎ×Ｐ↓［ｓ］个粒子，作为有效性子代粒子；（３）在父代粒子集中按交叉概率Ｐ↓［ｃ］执行Ｐ↓［ｃ］／２次交叉操作，产生Ｎ×Ｐ↓［ｃ］个新粒子，作为多样性子代粒子，其中，每次交叉 操作中，从所述父代粒子集中选择用于交叉的两个父代粒子，然后随机产生一个［１，Ｍ－１］间的整数值作为交叉位，通过交叉操作得到两个子代粒子；（４）在父代粒子集中按变异概率Ｐ↓［ｍ］执行Ｐ↓［ｍ］次变异操作，产生Ｎ×Ｐ↓［ｍ］个新粒子，作 为多样性子代粒子，其中，每次变异操作中，从所述父代粒子集中选择用于变异的一个父代粒子，然后随机产生一个［１，Ｍ］间的整数值为变异位，通过粒子变异位取反得到一个子代粒子；（５）对操作后的粒子状态值二进制进行译码，生成重采样粒子集，该重 采样粒子集中包含有步骤（２）中产生的有效性子代粒子与步骤（３）、（４）中产生的多样性子代粒子。...

【技术特征摘要】

【专利技术属性】
技术研发人员：叶龙，王京玲，张勤，
申请(专利权)人：中国传媒大学信息工程学院，
类型：发明
国别省市：11[中国|北京]