一种滤波方法及装置与流程

本发明属于滤波技术领域,特别涉及一种滤波方法及装置。

背景技术：

随着粒子滤波技术迅速发展，传统的滤波方法，如卡尔曼滤波，已经不能满足实际需要，因此许多改进算法相继被提出。粒子滤波的思想是基于蒙特卡洛方法，它利用粒子集来表示概率，可以用在任何形式的状态空间模型上。粒子滤波在解决非线性滤波问题时，克服了随机量必须满足高斯分布的限制，可以表达比高斯模型更广泛的分布，也对变量参数的非线性特性有更强的建模能力。粒子滤波能够基于观测量和状态递推模型更精确地表达后验概率分布，但是，粒子滤波仍然还有很多待解决的问题，比如，粒子退化以及粒子多样性丧失等问题。

技术实现要素：

为了解决上述问题，根据本申请的一个方面，本发明提过了一种粒子滤波方法，具体包括以下步骤：

获取最优比例系数ρ；

根据得到的所述比例系数ρ，将重采样粒子进行分组，包括粒子权重大的保留组与粒子权重小的调整组，其中，权重小的粒子称为调整粒子xad，权重大的粒子称为保留粒子xop；

通过一维状态的位置关系获取距离调整粒子xad最近的保留粒子xop；

对调整粒子xad位置进行调整,优化粒子的位置。

可选地，对调整粒子xad位置进行调整,优化粒子的位置步骤前还包括：

将二维空间中的粒子映射到一维空间中的步骤，在一维空间中保持每个近邻点的权值不变，重构原粒子采样点，使重构误差变小，基于近邻线性关系算法能够将粒子点映射到流形结构中,使处理后的数据较好地保持采样粒子原有的拓扑结构，此步骤用于将权重小的调整粒子向局部邻近最优点的位置移动，优化粒子的位置，通过一维状态的位置关系,找到距离调整粒子最近的保留粒子xop。

可选地，所述比例系数ρ取值范围在0≤ρ≤0.5之间，当ρ＞0.5时，代表调整粒子xad数量大于保留粒子xop的数量。

可选地，对权重小的粒子位置进行调整,优化粒子的位置包括以下步骤：

根据基于高斯函数惯性权重的粒子位置优化方法对权重小的粒子称为调整粒子xad位置进行调整,将调整粒子xad向局部最优点的位置移动,优化粒子的位置。

根据本申请的一个方面，本发明提供了一种滤波装置，所述装置包括：

第一获取模块，其用于获取最优比例系数ρ；

分组模块，其用于根据得到的所述比例系数ρ，将重采样粒子进行分组，包括粒子权重大的保留组与粒子权重小的调整组，其中，权重小的粒子称为调整粒子xad，权重大的粒子称为保留粒子xop；

第二获取模块，其用于获取距离调整粒子xad最近的保留粒子xop；

调整模块，其用于对调整粒子xad位置进行调整,优化粒子的位置。

可选地，所述滤波装置还包括：

映射模块，其用于将二维空间中的粒子映射到一维空间中，将调整粒子xad向局部邻近最优点的位置移动，优化粒子的位置，通过一维状态的位置关系,找到距离调整粒子最近的保留粒子xop。

进一步地，所述调整模块包括：

调整单元，其用于根据基于高斯函数惯性权重的粒子位置优化方法对调整粒子xad位置进行调整,将调整粒子xad向局部最优点的位置移动,优化粒子的位置。

有益效果：

(1)采用本发明获取最优比例系数ρ，根据得到的所述比例系数ρ，将重采样粒子进行分组，通过获取距离调整粒子xad最近的保留粒子xop，对权重小的粒子位置进行调整,优化粒子的位置，不仅能够改善粒子退化问题，而且能够保持粒子多样性。

(2)具有更高的粒子滤波运算精度，总和性能优于其他算法。

(3)对重采样方法的改进具有通用性，在明显提升精度的同时，运算时间也没有增加，有效的解决了粒子退化及粒子多样性丧失问题。

附图说明

为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。本申请示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1a为本发明实施例提供的滤波方法的一种流程示意图；

图1b为本发明另一种实施例提供的滤波方法的流程示意图；

图2为本发明一种实施例最优比例系数ρ曲线图；

图3为本发明一种实施例寻找局部邻近最优点流程图；

图4为本发明一种实施例近邻线性关系算法示意图；

图5为本发明一种实施例二维空间中粒子映射到一维空间对比图；

图6为本发明一种实施例多种重采样方法改进前后误差对比图；

图7为本发明一种实施例的一种滤波装置的结构示意图；

图7a为本发明另一种实施例的一种滤波装置的结构示意图；

图7b为图7中映射模块的结构示意图；

图7c位图7中调整模块的结构示意图。

具体实施方式

发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第

二”、等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、系统固有的其它步骤或单元。

下面首先对本发明实施例提供的一种滤波方法进行详细说明。

本发明所述的一种滤波方法，如图1a所示，具体包括以下步骤：

s20，获取最优比例系数ρ；

s40，根据得到的所述比例系数ρ，将重采样粒子进行分组，包括粒子权重大的保留组与粒子权重小的调整组，其中，权重小的粒子称为调整粒子xad，权重大的粒子称为保留粒子xop；

s60，通过一维状态的位置关系获取距离调整粒子xad最近的保留粒子xop；

s80，对调整粒子xad位置进行调整,优化粒子的位置。

通过获取最优比例系数ρ，根据得到的所述比例系数ρ，将重采样粒子进行分组，通过获取距离调整粒子xad最近的保留粒子xop，对调整粒子xad位置进行调整,优化粒子的位置，不仅能够改善粒子退化问题，而且能够保持粒子多样性。

在一种可选的实施例中，上述步骤s40，根据得到的所述比例系数ρ，将重采样粒子进行分组，包括粒子权重大的保留组与粒子权重小的调整组，其中，权重小的粒子称为调整粒子xad，权重大的粒子称为保留粒子xop；具体地，参见附图3，将粒子分组为调整粒子xad和保留粒子xop后，通过一维状态的位置关系找到距离调整粒子最近的保留粒子。分别在调整粒子的左端和右端寻找，当flag_l＝＝1,即向左寻找保留粒子，如果有保留粒子，则输出保留粒子，并进行计数；如果没有，则记为flag_l＝0，继续寻找。当flag_r＝＝1,即向右寻找保留粒子，具体步骤与向左寻找保留粒子相同。比较找到的m个保留粒子的权重，其中权重最大的保留粒子即为局部邻近最优点。

在一种可选的实施例中，如图1b所示，对权重小的粒子位置进行调整,优化粒子的位置步骤前还包括：

步骤s70，将二维空间中的粒子映射到一维空间中，在一维空间中保持每个近邻点的权值不变，重构原粒子采样点，使重构误差变小，基于近邻线性关系算法能够将粒子点映射到流形结构中,使处理后的数据较好地保持采样粒子原有的拓扑结构，此步骤用于将权重小的调整粒子向局部邻近最优点的位置移动，优化粒子的位置，通过一维状态的位置关系,找到距离调整粒子最近的保留粒子xop。

在一种实施例中，参见附图4和附图5，优选基于近邻线性关系算法，将粒子点映射到流形结构中,使处理后的数据较好地保持采样粒子原有的拓扑结构。其中，基于近邻线性关系算法的基本思路：对于一组具有局部嵌套流形的粒子采样点集，在嵌套空间内映射到低维空间后局部近邻点的拓扑关系保持不变。即在嵌套空间每个采样点都可以用它的近邻点线性表示，在低维空间中保持每个近邻点的权值不变，重构原粒子采样点，使重构误差变小。本步骤的具体过程描述如下：

s701，寻找到样本点xi在高维空间中的超平面上的k个最近邻点。对于点的判断是利用各个点的欧式距离来衡量的，距离公式：如果p＝2,表示的是欧式距离；p＝1时,则表示city-block距离；p＝∞表示dominance距离.需要说明的是本发明优选的是欧式距离,这样可以减少计算的复杂度。

s702，计算样本点xi与近邻点的重构权值，前提条件是假定样本数量重组且分布均匀。当重构代价函数最小时，样本点xi的近邻点线性组合的逼近结果效果差是最佳的。重构代价函数为：式中：wij是第j个点对于第i个点重建的贡献度，也就是第i个点重建时第j个点的权重。

步骤s703，利用计算得到的权值重建图函数，寻找到样本点xi在低维空间的对应点yi，使得图函数最小。即在权值矩阵w确定的情况下，将样本点映射到低维空间，得到新的低维样本向量，使得下面的判断函数最小化：式中：φ(y)为损失函数值；为原样本向量的输出向量；是的第k个近邻点。应用到粒子滤波过程中，是将二维空间中的粒子映射到一维空间中，同时保持了这些粒子的近邻线性关系。

针对粒子贫化以及粒子多样性丧失的问题，因此提出基于近邻线性关系的粒子多样化滤波算法，合理的对粒子进行调整，对重采样方法的改进具有通用性,运算精度有明显提升。

在一种可选的实施例中，参考附图2，所述比例系数ρ取值范围在0≤ρ≤0.5之间，当ρ＞0.5时，代表调整粒子xad数量大于保留粒子xop的数量，则调整粒子的状态就会被取代，大部分保留粒子会至少用到两次以上，导致算法精度下降。为找到一个最优ρ值，将近邻关系重采样与随机重采样相结合，将ρ从0到0.5每隔0.05取值一次，得到仿真结果以及高维粒子的误差，将ρ值作为横坐标，误差作为纵坐标画一个关系图，找到误差最小时所对应的ρ值，认为该值是最优的比例系数。根据所得到的最优分组比例系数ρ，将重采样粒子进行分组，根据权重大小的不同，将粒子按照权重排序，权重小的粒子称为调整粒子xad，权重大的粒子称为保留粒子xop，认为调整粒子占总粒子的比重为比例系数ρ。

在一种可选的实施例中，对权重小的粒子位置进行调整,优化粒子的位置，优选基于高斯函数惯性权重的粒子位置优化方法对权重小的粒子位置进行调整,将权重小的调整粒子向局部最优点的位置移动,优化粒子的位置，通过一维状态的位置关系,找到距离调整粒子最近的m个保留粒子xop,比较这m个近邻保留粒子xop的权重大小,选择权重最大的近邻保留粒子xop,通过xad＝xad+(xop-xad)*(1-abs(randn))来计算调整粒子的新的位置，randn是介于(0,1)区间的随机数，(1-abs(randn))为学习因子。

此过程为基于高斯函数惯性权重的粒子位置优化，高斯函数用来表述正态分布，使生成的随机变量randn服从正态分布，具有均匀变动性，使其对粒子位置的处理更加合理。根据xad＝xad+(xop-xad)*(1-abs(randn))进行了位置优化后，粒子滤波的精度有了显著的提高。并且通过本算法对多种重采样方法的改进前后误差对比,均能降低粒子滤波的运算误差,证明了本算法的通用性,参见图6为本实施例多种重采样方法改进前后误差对比图。

图7为本发明一种实施例的一种滤波装置的结构示意图，出于描述的目的，所绘的体系结构仅为合适环境的一个示例，并非对本申请的使用范围或功能提出任何局限。也不应该将滤波装置视为对图7所示的任一组件或组合具有任何依赖或需求。本实施例所述滤波装置包括：

第一获取模块20，其用于获取最优比例系数ρ；

分组模块40，其用于根据得到的所述比例系数ρ，将重采样粒子进行分组，包括粒子权重大的保留组与粒子权重小的调整组，其中，权重小的粒子称为调整粒子xad，权重大的粒子称为保留粒子xop；

第二获取模块60，其用于通过一维状态的位置关系获取距离调整粒子xad最近的保留粒子xop；

调整模块80，其用于对调整粒子xad位置进行调整,优化粒子的位置。

上述滤波装置，通过第一获取模块获取最优比例系数ρ，继而分组模块根据得到的所述比例系数ρ，将重采样粒子进行分组，第二获取模块通过一维状态的位置关系获取距离调整粒子xad最近的保留粒子xop，调整模块对调整粒子xad位置进行调整,优化粒子的位置，不仅能够改善粒子退化问题，而且能够保持粒子多样性。

图7a为本发明一种实施例的一种滤波装置的结构示意图，所述滤波装置包括：

映射模块70，将二维空间中的粒子映射到一维空间中，基于近邻线性关系算法能够将粒子点映射到流形结构中,使处理后的数据较好地保持采样粒子原有的拓扑结构，此步骤用于将权重小的调整粒子向局部邻近最优点的位置移动，优化粒子的位置，通过一维状态的位置关系,找到距离调整粒子最近的保留粒子xop，参见附图4和附图5，基于近邻线性关系算法能够将粒子点映射到流形结构中,使处理后的数据较好地保持采样粒子原有的拓扑结构。基于近邻线性关系算法的基本思路：对于一组具有局部嵌套流形的粒子采样点集，在嵌套空间内映射到低维空间后局部近邻点的拓扑关系保持不变。即在嵌套空间每个采样点都可以用它的近邻点线性表示，在低维空间中保持每个近邻点的权值不变，重构原粒子采样点，使重构误差变小，如图7b所示，所述映射模块70包括：

第一获取单元701，获取样本点xi在高维空间中的超平面上的k个最近邻点。对于点的判断是利用各个点的欧式距离来衡量的，距离公式：如果p＝2,表示的是欧式距离；p＝1时,则表示city-block距离；p＝∞表示dominance距离.本发明优选的是欧式距离,这样可以减少计算的复杂度。

计算单元702，计算样本点xi与近邻点的重构权值，前提条件是假定样本数量重组且分布均匀。当重构代价函数最小时，样本点xi的近邻点线性组合的逼近结果效果差是最佳的。重构代价函数为：式中：wij是第j个点对于第i个点重建的贡献度，也就是第i个点重建时第j个点的权重。

第二获取单元703，利用计算得到的权值重建图函数，获取样本点xi在低维空间的对应点yi，使得图函数最小。即在权值矩阵w确定的情况下，将样本点映射到低维空间，得到新的低维样本向量，使得下面的判断函数最小化：式中：φ(y)为损失函数值；为原样本向量的输出向量；是的第k个近邻点。应用到粒子滤波过程中，是将二维空间中的粒子映射到一维空间中，同时保持了这些粒子的近邻线性关系。

在一种可选的实施例中，如图7c所示，所述调整模块80包括：

调整单元801，其用于对权重小的粒子位置进行调整,将权重小的调整粒子向局部最优点的位置移动,优化粒子的位置，优选地，根据基于高斯函数惯性权重的粒子位置优化方法将权重小的调整粒子向局部最优点的位置移动,优化粒子的位置。具体地，根据基于高斯函数惯性权重的粒子位置优化方法对权重小的粒子位置进行调整,将权重小的调整粒子向局部最优点的位置移动,优化粒子的位置，通过一维状态的位置关系,找到距离调整粒子最近的m个保留粒子xop,比较这m个近邻保留粒子xop的权重大小,选择权重最大的近邻保留粒子xop,通过xad＝xad+(xop-xad)*(1-abs(randn))来计算调整粒子的新的位置，randn是介于(0,1)区间的随机数，(1-abs(randn))为学习因子。

此过程即为基于高斯函数惯性权重的粒子位置优化，高斯函数用来表述正态分布，使生成的随机变量randn服从正态分布，具有均匀变动性，使其对粒子位置的处理更加合理。根据xad＝xad+(xop-xad)*(1-abs(randn))进行了位置优化后，粒子滤波的精度有了显著的提高。并且通过本算法对多种重采样方法的改进前后误差对比,均能降低粒子滤波的运算误差,证明了本算法的通用性,图6为本发明一种实施例多种重采样方法改进前后误差对比图。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。