阈值去噪下的改进粒子滤波算法

王向华 1; 覃征 1; 杨新宇 2; 栗江涛 2

您当前的位置：

首页 >

文章列表页 >

阈值去噪下的改进粒子滤波算法

更新时间：2025-07-09

- 阈值去噪下的改进粒子滤波算法
- Improved Particle Filter Algorithm Based on Threshold De-Noising
- 西安交通大学学报 2010年44卷第2期页码：31-34
- 作者机构：
  
  清华大学计算机科学与技术系,北京,100084
- 作者简介：
- 基金信息：
  
  : 2009-07-08. 作者简介: 王向华(1971-), 男, 博士, 高工;杨新宇(联系人), 男, 教授, 博士生导师. 基金项目: 国防“十一五”预研资助项目(102060306)
- DOI：
  中图分类号： TP13
- 网络首发：2010-02-10，
  
  纸质出版：2010
- 稿件说明：
移动端阅览
王向华 1, 覃征 1, 杨新宇 2, 等. 阈值去噪下的改进粒子滤波算法[J]. 西安交通大学学报, 2010,44(2):31-34.

Improved Particle Filter Algorithm Based on Threshold De-Noising[J]. 2010, 44(2): 31-34.
王向华 1, 覃征 1, 杨新宇 2, 等. 阈值去噪下的改进粒子滤波算法[J]. 西安交通大学学报, 2010,44(2):31-34. DOI：

Improved Particle Filter Algorithm Based on Threshold De-Noising[J]. 2010, 44(2): 31-34. DOI：

摘要

针对粒子滤波在非线性系统上具有优越性

但粒子在传播过程中必然受到噪声影响的问题

提出了在阈值去噪下的改进粒子滤波算法.将小波阈值去噪的思想引入到粒子滤波中

即信号先经过小波包分解

再利用适当的阈值保留分解系数较大者并将系数较小者置为0

这样每个粒子结合其历史信息可降低噪声水平

进而改进滤波的状态估计值.蒙特卡罗仿真实验表明

加入阈值去噪的粒子滤波法可以有效降低滤波的均方根误差

提高滤波精度.在所采用的线性及非线性系统中

均方根误差均值分别降低了14%和12%.

Abstract

Concerning the advantage of particle filter in non-linear systems

and the problem of noise influence during the dissemination process

an improved particle filter algorithm with threshold de-noising is proposed. The idea of wavelet threshold de-noising is introduced into the particle filter

that is

after applying the wavelet packet decomposition on the signal

the coefficients that are greater than a certain threshold are reserved while other coefficients are set to 0. Thus

with the assistance of particle history information

the noise is reduced and the estimated filter state value is more accurate. Monte Carlo simulation results show that the particle filter with threshold de-noising can effectively reduce the filter root mean square error(RMSE)and improve filter accuracy

and that RMSEs in the corresponding linear and non-linear systems are reduced by 14% and 12% respectively.

关键词

Keywords

references

GREG W, BISHOP G. An introduction to the Kalman filter 95-041[R]. Chapel Hill, NC, USA: University of North Carolina at Chapel Hill. Department of Computer Science, 2003: 1-16.

DAUM F. Nonlinear filters beyond the Kalman filter [J]. IEEE AE Systems Magazine, 2005, 20(8): 57-69.

Doucet A. On sequential simulation-based methods for Bayesian filtering [EB/OL].[2008-10-20]. http:∥www. researchindex. com.

VAN DER MERWE R, DOUCET A. The unscented particle filter advances in neural information processing systems [M]. Cambridge, MA, USA: MIT Press, 2000.

KOTECHA J H, DJURIC P M. Gaussian particle filtering [J]. IEEE Trans on Signal Process, 2003, 51(10): 259-260.

石勇, 韩崇昭. 二阶中心差分粒子滤波算法 [J]. 西安交通大学学报, 2008, 42(4): 409-413.

SHI Yong, HAN Chongzhao. Particle filter using second-order central difference [J]. Journal of Xi'an Jiaotong University, 2008, 42(4): 409-413.

FORD J J. Non-linear and robust filtering: from the Kalman filter to the particle filter [J]. DSTO Aeronautical and Maritime Research Laboratory, 2002(4): 1-39.

孙延奎. 小波分析及其应用 [M]. 北京:机械工业出版社, 2005.

MALLAT S G. A theory for multiresolution signal decomposition: the wavelet representation [J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 1989, 11(7): 674-693.

DONOHO D L. De-noising by soft-thresholding [J]. IEEE Trans on Information Theory, 1995, 41(3): 613-627.

求积分卡尔曼粒子滤波算法. 2009, 43(2): 25-28.

二阶中心差分粒子滤波算法. 2008, 42(4): 409-413.

无线传感器网络下的粒子滤波分布式目标跟踪算法. 2007, 41(8): 912-916.

基于辅助粒子滤波的盲多用户检测快速算法. 2007, 41(6): 636-639.

用于弹道目标跟踪的有限差分扩展卡尔曼滤波算法. 2008, 42(2): 143-146.

多输入多输出系统中基于多级维纳滤波的均衡算法. 2008, 42(2): 218-221.

一种基于耦合矩阵的微带线带通滤波器的设计方法. 2007, 41(6): 679-682.

一种Log-Gabor滤波结合特征融合的虹膜识别方法. 2007, 41(8): 889-893.

移动数字电视调谐器中低噪声模拟滤波器的设计. 2009, 43(2): 72-76.

一种Log-Gabor滤波器结合多分辨率分析的虹膜识别方法. 2009, 43(4): 31-33.

一种自相似业务量预测的卡尔曼滤波算法. 2009, 43(4): 57-61.

基于小波变换的扩散滤波模型数值解的收敛性. 2009, 43(4): 121-124.

合成孔径雷达图像的最小均方误差线性最优滤波. 2009, 43(12): 6-10.

近似完全重构交替离散傅里叶变换调制滤波器组. 2008, 42(8): 1001-1005.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

二阶中心差分粒子滤波算法

高斯衍生粒子滤波器

求积分卡尔曼粒子滤波算法

城轨列车反推自动停车控制算法

结合有向场景运动模式的粒子滤波行人跟踪方法