采用概率密度分布和粒子滤波的室内跟踪算法

doi:10.3778/j.issn.1002-8331.2010.01.071

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (1): 237-240.DOI: 10.3778/j.issn.1002-8331.2010.01.071

采用概率密度分布和粒子滤波的室内跟踪算法

宋越明，于宏毅

解放军信息工程大学信息工程学院，郑州 450002

收稿日期:2008-07-23 修回日期:2008-10-27 出版日期:2010-01-01 发布日期:2010-01-01
通讯作者: 宋越明

Indoor tracking algorithm via probability distribution and particle filter

SONG Yue-ming，YU Hong-yi

Information Engineering University，Zhengzhou 450002，China

Received:2008-07-23 Revised:2008-10-27 Online:2010-01-01 Published:2010-01-01
Contact: SONG Yue-ming

摘要/Abstract

摘要： 提出了一种新的室内定位跟踪算法，采用了直方图法和核函数法估计参考点处的接收信号强度的概率分布，并将其作为该参考点的位置指纹，描述了该参考点处无线信道的特性；利用粒子滤波解决了非线性状态空间模型下的在线跟踪问题，仿真结果表明基于概率密度分布和粒子滤波的跟踪算法收敛速度快，且对环境变化不敏感，性能优于卡尔曼滤波算法。

关键词: 概率密度分布, 粒子滤波, 接收信号场强, 跟踪算法

Abstract: This paper presents a new indoor location tracking algorithm，which uses signal strength probability distribution estimated by histogram method and kernel method to address the noisy wireless channel，and particle filter is used to deal with the nonlinear system model，which can approximate the optimal Bayesian estimate.Numerical simulation shows the new algorithm outperforms the tracking algorithm using Kalman filter.

Key words: probability distribution, particle filter, Received Signal Strength（RSS）, tracking algorithm

中图分类号:

TN925.93

宋越明，于宏毅. 采用概率密度分布和粒子滤波的室内跟踪算法[J]. 计算机工程与应用, 2010, 46(1): 237-240.

SONG Yue-ming，YU Hong-yi. Indoor tracking algorithm via probability distribution and particle filter[J]. Computer Engineering and Applications, 2010, 46(1): 237-240.

[1]	李中道，刘元盛，常飞翔，张军，路铭. 室内环境下UWB与LiDAR融合定位算法研究[J]. 计算机工程与应用, 2021, 57(6): 260-266.
[2]	孙新领，张皓，赵丽. 结合尺度估计MST和粒子滤波的视频目标跟踪[J]. 计算机工程与应用, 2020, 56(8): 117-123.
[3]	邹承明，明成龙，李成龙. 融合相关粒子滤波目标跟踪算法[J]. 计算机工程与应用, 2020, 56(7): 184-192.
[4]	曹洁，赵伟吉，余萍，王进花. 改进鸟群算法优化PF的双馈发电机故障诊断[J]. 计算机工程与应用, 2020, 56(18): 229-237.
[5]	郑晨辉，陈璟，张雨婷，薛伟. 融合粒子滤波与蓝牙地标矫正的定位算法[J]. 计算机工程与应用, 2020, 56(13): 273-278.
[6]	王晓华，聂腾腾. 改进的布谷鸟算法优化粒子滤波研究[J]. 计算机工程与应用, 2020, 56(12): 60-65.
[7]	胡东海，邵元，陈莹，夏士雄. 基于改进粒子滤波的室内自适应定位算法[J]. 计算机工程与应用, 2019, 55(9): 65-71.
[8]	昝孟恩，周航，韩丹，杨刚，许国梁. 粒子滤波目标跟踪算法综述[J]. 计算机工程与应用, 2019, 55(5): 8-17.
[9]	刘红星1，2，胡广地1，朱晓媛1，李进龙3. 改进协方差矩阵的智能车视觉目标跟踪方法[J]. 计算机工程与应用, 2019, 55(3): 171-178.
[10]	耿建平，雷梦英. Mean Shift和粒子滤波实现红外人体跟踪算法综述[J]. 计算机工程与应用, 2019, 55(24): 29-36.
[11]	胡正平，王欣，孙德刚. 余弦权重逆稀疏框架视频目标跟踪算法[J]. 计算机工程与应用, 2019, 55(21): 206-213.
[12]	朱学峰，徐天阳，吴小俊. 基于自学习特征的相关滤波跟踪算法[J]. 计算机工程与应用, 2019, 55(20): 58-64.
[13]	陈超. 高斯混合模型结合加权似然的目标跟踪算法[J]. 计算机工程与应用, 2019, 55(12): 124-131.
[14]	段苛苛，邰滢滢. 基于二值掩码图像的粒子滤波目标跟踪快速算法[J]. 计算机工程与应用, 2017, 53(22): 16-20.
[15]	徐喆，胡亮. 用于前车追踪的多特征融合粒子滤波算法改进[J]. 计算机工程与应用, 2017, 53(19): 173-178.

采用概率密度分布和粒子滤波的室内跟踪算法

Indoor tracking algorithm via probability distribution and particle filter

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics