CN112039496B - 一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法 - Google Patents
一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法 Download PDFInfo
- Publication number
- CN112039496B CN112039496B CN202010950222.5A CN202010950222A CN112039496B CN 112039496 B CN112039496 B CN 112039496B CN 202010950222 A CN202010950222 A CN 202010950222A CN 112039496 B CN112039496 B CN 112039496B
- Authority
- CN
- China
- Prior art keywords
- artificial fish
- particle
- state
- value
- variance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000002245 particle Substances 0.000 title claims abstract description 86
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 56
- 238000005457 optimization Methods 0.000 title claims abstract description 11
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 8
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 21
- 230000019637 foraging behavior Effects 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 230000004634 feeding behavior Effects 0.000 claims 1
- 238000010606 normalization Methods 0.000 claims 1
- 230000017105 transposition Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 5
- 238000005312 nonlinear dynamic Methods 0.000 abstract 1
- 238000001914 filtration Methods 0.000 description 46
- 238000000034 method Methods 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Complex Calculations (AREA)
Abstract
本发明提出的一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法,属于信号处理技术领域,主要用于解决粒子滤波器的多粒子状态下产生巨大的计算工作量及精度不高的问题,该方法以高斯粒子滤波为框架,融合人工鱼群算法,使用觅食行为和聚群行为对权值进行优化。本发明以线性变换代替传统采样,根据量测值和权值计算公式优化权值,提高了计算精度的同时保证了计算速度,适用于非线性动态***的状态估计等应用场合。
Description
技术领域
本发明提出的一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法,属于信号处理技术领域,涉及非线性滤波,本发明提供的方法适用于非线性动态***的状态估计。
背景技术
非线性滤波问题出现在许多领域,其中包括目标跟踪、捷联惯导***以及姿态估计等。扩展卡尔曼滤波(Extended Kalman Filter,EKF)是对非线性函数进行线性化处理,对高阶项直接截断,从而导致较大的误差,滤波精度低。无迹卡尔曼滤波(UnscentedKalman Filter,UKF)是使用无迹变换的卡尔曼滤波,相对于EKF其滤波精度有所提高,但其非线性传递误差始终存在。由于扩展卡尔曼滤波和无迹卡尔曼滤波都是基于卡尔曼滤波的改进,而卡尔曼滤波算法是基于线性高斯假设下的一种算法,因此在对非线性***的滤波处理,存在较大的误差。粒子滤波算法(Particle Filter,PF)是一种基于蒙特卡洛MONTE-CARLO方法的滤波算法,但粒子滤波算法中重采样策略将直接影响滤波的性能,使算法的实时性受到影响。为此提出一种改进的高斯粒子滤波算法(Gaussian Particle Filter,GPF),通过高斯分布来近似未知变量的后验分布,无需进行重采样,大大节省了滤波时间,实时性上要优于粒子滤波算法,性能上要优于EKF、UKF等算法,为提高运行度提出了一种线性高斯粒子滤波算法,即在采样时以线性变换代替,同粒子滤波相比在保证精度的前提下大大缩短了运行的时间,但使用有局限性,精度也有可提高的空间。为继续提高滤波精度提出了一种基于人工鱼群的粒子滤波方法,该算法将人工鱼群的寻优加入粒子滤波算法,一定程度上提高了滤波精度,但计算速度和精度上仍有改进的空间。
发明内容
本发明专利针对上述存在的问题和不足,提出一种基于人工鱼群优化的快速高斯粒子滤波(AFSA-LGPF)数据融合方法,该算法以线性变化取代传统采样,并以人工鱼群算法更新粒子权值,提高了估计效果的同时保证了滤波速度。
本发明具体过程如下:
步骤1:建立***的非线性状态方程f(·)、观测方程h(·),初始化***均值μ、方差σ2;假设***状态量x逼近高斯分布从中相互独立抽样得到初始时刻的标准粒子群/>其中i为粒子索引,M为粒子总数,初始时刻k=0;
步骤2:根据线性变换公式对/>进行线性变换,得到k时刻的粒子集/>其中/>为变换后k时刻的粒子,aj为从A中获取的标准粒子,σk、μk为k时刻的状态量的标准差和均值;
步骤3:采用人工鱼群算法中觅食行为和聚群行为对选取的目标函数进行优化,选取目标函数为:
其中Y为目标函数值,zk为k时刻的量测值,为预测量测值,σv 2为量测噪声方差;
步骤4:根据步骤1中的观测方程和步骤3中优化后的函数值对粒子集进行量测更新,得到权值并进行归一化/>其中/>为第i个粒子k时刻的权值,/>为归一化后的权值;
步骤5:根据步骤1中的状态方程f(·)对粒子集进行状态更新,获得状态更新后k+1时刻的粒子集并计算状态更新后粒子集的均值和方差,其中(·)H表示矩阵转置:
步骤6:循环执行步骤2至步骤5,得到下一时刻滤波估计值。
进一步地,步骤1中包括以下步骤:
Step1:建立***的非线性状态方程和观测方程初始化***均值μ、方差σ2;
Step2:假设***状态量x逼近高斯分布从中相互独立采样得到初始时刻的标准粒子群/>并且这里的均值和方差为***初始化时设置的初始值。
进一步地,步骤2中记为变换后k时刻的粒子,N为总运行时间,ai为从A中获取的标准粒子,σk、μk为k时刻的状态量的标准差和均值,采用公式/>对标准粒子群进行线性变换,得到k时刻的粒子集/>
进一步地,步骤3中包括以下步骤:
Step1:选取目标函数为:
进行人工鱼群优化;其中σv 2为k时刻方差,看做变量,人工鱼个体的状态可表示为X=(X1,X2,...Xn),n为人工鱼总数量,人工鱼i当前所在位置的食物浓度表示为Y=f(Xi),记为Yi;
Step2:执行觅食行为进行优化,如下:
根据不同人工鱼的状态Xi、Xj,比较Yi和Yj不断更新向更真实的状态靠近,若Yi<Yj则取下一步的状态为
反复尝试多次后,若仍没有满足前进条件,则随机选取一个新状态;其中Xnext为人工鱼选取的下一个状态,step为人工鱼移动步长,|Xj-Xi||为人工鱼i和j之间的距离,rand()表示一个包含随机数的矩阵;
Step3:执行聚群行为进行优化,如下:
设人工鱼当前状态Xi在感知范围内搜寻其他伙伴的数目和中心位置,若Yj/nf<δYi,则用Step1中等式选取新状态,否则执行觅食行为,其中nf表示人工鱼视野内的伙伴数目,δ表示人工鱼群的拥挤度;
Step4:根据预测量测值和方差σv 2,计算得到优化后的函数值Y。
进一步地,步骤4中权值计算公式:
根据步骤1中的观测方程和步骤3中优化后的函数值对粒子集进行量测更新,然后对权值进行归一化:
进一步地,步骤5中将量测更新后的粒子集代入状态方程进行状态更新,获得状态更新后k+1时刻的粒子集并计算状态更新后粒子集的均值和方差:
进一步地,步骤6中循环执行步骤2至步骤5,即将步骤5中计算出的均值和方差代入步骤2中,得到下一时刻的滤波估计值。
本发明具有如下优点:将人工鱼群算法与高斯粒子结合,以人工鱼群算法更新权值;同时以线性变换取代传统采样,减少了计算时间;因此本发明提高了滤波精度的同时保证了计算速度,从而该算法能更容易的与实际应用环境相结合。
附图说明
图1本滤波算法结构框图
图2本发明与粒子滤波(PF)误差、高斯粒子滤波(GPF)误差以及原始误差比较图
图3本发明与人工鱼群粒子滤波(AFSA-PF)、人工鱼群高斯粒子滤波(AFSA-GPF)每处理1000个粒子状态估计时间和均方误差比较图
图4本发明与高斯粒子滤波、粒子滤波分别处理500、1000、1500个粒子均方误差比较图
具体实施方式
下面详细描述本发明的实施例,本实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。参照说明书附图对本发明的一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法作以下详细地说明:
采用一维强非线性模型,其模型函数可写为如下形式:
仿真实验环境及相关参数如下:仿真软件为MATLAB,硬件环境为Intel i5-6500,最高主频为3.20GHz,运行内存为7.87GB。uk和vk为相互独立的白噪声变量, 仿真总时间N=100,粒子数M=1000,时间间隔T=0.01s,人工鱼群数fishnum=50;人工鱼感知范围visual=1,人工鱼移动步长step=1,尝试次数trynumber=10。
针对以上仿真实验数据,根据图1滤波算法结构框图,具体步骤实施如下:
步骤1:建立***的非线性状态方程f(·)、观测方程h(·),初始化***均值μ、方差σ2参数。假设***状态量x逼近高斯分布从中相互独立抽样得到初始时刻的标准粒子群/>其中i为粒子索引,M为粒子总数,初始时刻k=0,具体包括:
Step1:建立***的非线性状态方程和观测方程初始化***参数:/>
Step2:假设***状态量x逼近高斯分布从中相互独立采样得到初始时刻的标准粒子群/>
步骤2:根据线性变换公式对/>进行线性变换,得到k时刻的粒子集/>其中/>为变换后k时刻的粒子,ai为从A中获取的标准粒子,σk、μk为k时刻的状态量的标准差和均值;
步骤3:采用人工鱼群算法中觅食行为和聚群行为对选取的目标函数进行优化,选取目标函数为:
其中Y为目标函数值,zk为k时刻的量测值,为预测量测值,σv 2为量测噪声方差,具体包括:
Step1:选取目标函数为:
进行人工鱼群优化;其中σv 2为当前时刻方差,看做变量,人工鱼个体的状态可表示为X=(X1,X2,...Xn),n为人工鱼总数量,人工鱼i当前所在位置的食物浓度表示为Y=f(Xi),记为Yi;
Step2:执行觅食行为进行优化,如下:
根据不同人工鱼的状态Xi、Xj,比较Yi和Yj不断更新向更真实的状态靠近,若Yi<Yj则取下一步的状态为
反复尝试trynumber=10次后,若仍没有满足前进条件,则随机选取一个新状态;其中Xnext为人工鱼选取的下一个状态,step=1为人工鱼移动步长,||Xj-Xi||为人工鱼i和j之间的距离;
Step3:执行聚群行为进行优化,如下:
设人工鱼当前状态Xi在范围visual=1内搜寻其他伙伴的数目和中心位置,若:
Yj/nf<δYi
则用Step1中等式选取新状态,否则执行觅食行为,其中visual表示人工鱼的感知范围,nf表示人工鱼视野内的伙伴数目,δ=0.03为拥挤度因子;
Step4:根据预测量测值和方差σv 2,计算得到优化后的函数值Y;
步骤4:根据步骤1中的观测方程和步骤3中优化后的函数值对粒子集进行量测更新,得到权值并进行归一化/>其中/>为第i个粒子k时刻的权值,具体包括:
权值计算公式:
根据步骤1中的观测方程和步骤3中优化后的函数值对粒子集进行量测更新,然后对权值进行归一化:
步骤5:根据步骤1中的状态方程f(·)对粒子集进行状态更新,获得状态更新后k+1时刻的粒子集并计算状态更新后粒子集的均值和方差,具体包括:
将量测更新后的粒子集代入状态方程进行状态更新,获得状态更新后k+1时刻的粒子集并计算状态更新后粒子集的均值和方差:
步骤6:循环执行步骤2至步骤5,得到下一时刻滤波估计值:
将步骤5中计算出的均值和方差代入步骤2中,得到下一时刻的滤波估计值,循环执行步骤2至步骤5。
综上所述,对该方法进行效果分析,如图2所示,相同条件下,本发明较粒子滤波(PF)和高斯粒子滤波(GPF)都有更小的滤波误差;如图3所示,以线性变换取代传统采样有提高滤波速度的效果,每处理1000个粒子,虽然本发明相较人工鱼群粒子滤波(AFSA-PF)和人工鱼群高斯粒子滤波(AFSA-GPF)算法均方误差略低但是有更快状态估计的速度;如图4所示,随着粒子数递增,本发明相较高斯粒子滤波和粒子滤波都有更小的均方误差且粒子数越多优势越明显;本发明中一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法具有良好的滤波估计性能,具有一定的实用价值。
Claims (1)
1.一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法,其特征在于,具体包括以下步骤:
步骤1:建立***的非线性状态方程f(·)、观测方程h(·),初始化***均值μ、方差σ2;假设***状态量x逼近高斯分布从中相互独立抽样得到初始时刻的标准粒子群其中i为粒子索引,M为粒子总数,初始时刻k=0;
步骤2:根据线性变换公式对/>进行线性变换,得到k时刻的粒子集其中/>为变换后k时刻的粒子,ai为从A中获取的标准粒子,σk、μk为k时刻的状态量的标准差和均值;
步骤3:采用人工鱼群算法中觅食行为和聚群行为对选取的目标函数进行优化,第一步选取目标函数为:
其中Y为目标函数值,zk为k时刻的量测值,为预测量测值,σv 2为量测噪声方差,进行人工鱼群优化,/>看做变量,人工鱼个体的状态可表示为X=(X1,X2,...Xn),n为人工鱼总数量,人工鱼i当前所在位置的食物浓度表示为Y=f(Xi),记为Yi,第二步执行觅食行为进行优化,根据不同人工鱼的状态Xi、Xj,比较Yi和Yj不断更新向更真实的状态靠近,若Yi<Yj则取下一步的状态为:
反复尝试多次后,若仍没有满足前进条件,则随机选取一个新状态,其中Xnext为人工鱼选取的下一个状态,step为人工鱼移动步长,||Xj-Xi||为人工鱼i和j之间的距离,rand()表示一个包含随机数的矩阵,第三步执行聚群行为进行优化,设人工鱼当前状态Xi在感知范围内搜寻其他伙伴的数目和中心位置,若Yj/nf<δYi,则用第一步中的等式选取新状态,否则执行觅食行为,其中nf表示人工鱼视野内的伙伴数目,δ表示人工鱼群的拥挤度,最终根据预测量测值和方差σv 2,计算得到优化后的函数值Y;
步骤4:根据步骤1中的观测方程和步骤3中优化后的函数值对粒子集进行量测更新,得到权值并进行归一化/>其中/>为第i个粒子k时刻的权值,/>为归一化后的权值;
步骤5:根据步骤1中的状态方程f(·)对粒子集进行状态更新,获得状态更新后k+1时刻的粒子集并计算状态更新后粒子集的均值和方差,其中(·)H表示矩阵转置,wk为k时刻粒子权重,μk+1为k+1时刻状态量均值,σk+1 2为k+1时刻量测方差,/>为粒子归一化处理后的权值:
步骤6:循环执行步骤2至步骤5,得到下一时刻滤波估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010950222.5A CN112039496B (zh) | 2020-09-10 | 2020-09-10 | 一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010950222.5A CN112039496B (zh) | 2020-09-10 | 2020-09-10 | 一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112039496A CN112039496A (zh) | 2020-12-04 |
CN112039496B true CN112039496B (zh) | 2024-04-19 |
Family
ID=73588505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010950222.5A Active CN112039496B (zh) | 2020-09-10 | 2020-09-10 | 一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112039496B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115077529B (zh) * | 2022-06-16 | 2024-04-26 | 哈尔滨工业大学(威海) | 一种基于最优加权改进粒子滤波的多机器人协同定位方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826852A (zh) * | 2010-03-11 | 2010-09-08 | 哈尔滨工程大学 | 基于粒子群优化算法的无迹粒子滤波方法 |
CN103956987A (zh) * | 2014-04-28 | 2014-07-30 | 唐萍 | 一种数字滤波器设计方法 |
CN104614718A (zh) * | 2015-01-08 | 2015-05-13 | 南京大学 | 基于粒子群算法的激光雷达波形数据分解的方法 |
CN105913457A (zh) * | 2016-04-14 | 2016-08-31 | 西安电子科技大学昆山创新研究院 | 基于加强粒子群优化的粒子滤波目标跟踪方法 |
CN106296727A (zh) * | 2016-07-26 | 2017-01-04 | 华北电力大学 | 一种基于高斯扰动的重采样粒子滤波算法 |
CN106921366A (zh) * | 2017-02-28 | 2017-07-04 | 李琳 | 一种全局最优粒子滤波方法及全局最优粒子滤波器 |
CN108318038A (zh) * | 2018-01-26 | 2018-07-24 | 南京航空航天大学 | 一种四元数高斯粒子滤波移动机器人姿态解算方法 |
CN109307511A (zh) * | 2018-09-04 | 2019-02-05 | 山东理工大学 | 一种人工鱼群算法优化的容积粒子滤波导航方法 |
CN110401430A (zh) * | 2018-09-28 | 2019-11-01 | 南京航空航天大学 | 一种基于kld采样的改进高斯粒子滤波数据融合算法 |
CN110442995A (zh) * | 2019-08-13 | 2019-11-12 | 江苏师范大学 | 一种基于人工鱼群算法的lcl滤波器参数优化方法 |
CN111476338A (zh) * | 2020-04-17 | 2020-07-31 | 西安电子科技大学 | 一种基于樽海鞘群优化算法的粒子滤波方法和滤波*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7058550B2 (en) * | 2003-06-25 | 2006-06-06 | Lockheed Martin Corporation | Selectively resampling particle filter |
US7379844B2 (en) * | 2005-02-17 | 2008-05-27 | Sungkyunkwan University Foundation For Corporate Collaboration Of Sungkyundwan University | Particle sampling method and sensor fusion and filtering method |
-
2020
- 2020-09-10 CN CN202010950222.5A patent/CN112039496B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826852A (zh) * | 2010-03-11 | 2010-09-08 | 哈尔滨工程大学 | 基于粒子群优化算法的无迹粒子滤波方法 |
CN103956987A (zh) * | 2014-04-28 | 2014-07-30 | 唐萍 | 一种数字滤波器设计方法 |
CN104614718A (zh) * | 2015-01-08 | 2015-05-13 | 南京大学 | 基于粒子群算法的激光雷达波形数据分解的方法 |
CN105913457A (zh) * | 2016-04-14 | 2016-08-31 | 西安电子科技大学昆山创新研究院 | 基于加强粒子群优化的粒子滤波目标跟踪方法 |
CN106296727A (zh) * | 2016-07-26 | 2017-01-04 | 华北电力大学 | 一种基于高斯扰动的重采样粒子滤波算法 |
CN106921366A (zh) * | 2017-02-28 | 2017-07-04 | 李琳 | 一种全局最优粒子滤波方法及全局最优粒子滤波器 |
CN108318038A (zh) * | 2018-01-26 | 2018-07-24 | 南京航空航天大学 | 一种四元数高斯粒子滤波移动机器人姿态解算方法 |
CN109307511A (zh) * | 2018-09-04 | 2019-02-05 | 山东理工大学 | 一种人工鱼群算法优化的容积粒子滤波导航方法 |
CN110401430A (zh) * | 2018-09-28 | 2019-11-01 | 南京航空航天大学 | 一种基于kld采样的改进高斯粒子滤波数据融合算法 |
CN110442995A (zh) * | 2019-08-13 | 2019-11-12 | 江苏师范大学 | 一种基于人工鱼群算法的lcl滤波器参数优化方法 |
CN111476338A (zh) * | 2020-04-17 | 2020-07-31 | 西安电子科技大学 | 一种基于樽海鞘群优化算法的粒子滤波方法和滤波*** |
Also Published As
Publication number | Publication date |
---|---|
CN112039496A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106789359B (zh) | 一种基于灰狼算法的网络流量分类方法及装置 | |
CN105205313B (zh) | 模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置 | |
CN111027692A (zh) | 一种目标运动态势预测方法及装置 | |
CN111562571B (zh) | 一种未知新生强度的机动多目标跟踪与航迹维持方法 | |
Lei et al. | Improved artificial bee colony algorithm and its application in data clustering | |
CN111711432B (zh) | 一种基于ukf和pf混合滤波的目标跟踪算法 | |
CN101826852A (zh) | 基于粒子群优化算法的无迹粒子滤波方法 | |
CN112039496B (zh) | 一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法 | |
Pourmahmood et al. | An efficient modified shuffled frog leaping optimization algorithm | |
CN111488552A (zh) | 基于高斯混合概率假设密度的紧邻多目标跟踪方法 | |
Tian et al. | A new improved firefly clustering algorithm for SMC-PHD filter | |
CN106772354B (zh) | 基于并行模糊高斯和粒子滤波的目标跟踪方法及装置 | |
CN110689108A (zh) | 一种非线性***状态估计方法 | |
CN114912828A (zh) | 一种基于数控机床工艺参数的优化方法 | |
CN111860622B (zh) | 一种应用于编程现场大数据的聚类方法及*** | |
CN116227952A (zh) | 一种关键信息缺失下的来袭目标防御策略选择方法及装置 | |
Lan et al. | Variational nonlinear Kalman filtering with unknown process noise covariance | |
Ma et al. | Research on robot SLAM of RBPF improved with weight accumulation | |
Simutis et al. | State estimation of a biotechnological process using extended Kalman filter and Particle filter | |
Zhang | Mobile Robot Location Algorithm Based on Improved Particle Filtering | |
Li et al. | Research on rao-blackwellized particle filter SLAM based on grey wolf optimizer | |
Wu et al. | Node Tacking Location Algorithm for Wireless Sensor Networks Based on Improved Particle Filter. | |
Souza et al. | A PAA-PSO technique for investment strategies in the financial market | |
Yang et al. | Solving Portfolio Optimization Problems with Particle Filter | |
CN114046786B (zh) | 航迹预测方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |