序列蒙特卡罗框架中引入对数取样的重采样

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (6): 24-27.

序列蒙特卡罗框架中引入对数取样的重采样

吴刚1，2，唐振民2，杨静宇2

1.南京工程学院车辆工程系，南京 211167
2.南京理工大学计算机科学与技术学院，南京 210094

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2012-02-21 发布日期:2012-02-21

Resampling strategy imported by logarithm sampling in sequential Monte Carlo framework

WU Gang1，2, TANG Zhenmin2, YANG Jingyu2

1.Department of Vehicle Engineering, Nanjing Institute of Technology, Nanjing 211167, China
2.School of Computer Science and Technology, Nanjing University of Science and Technology, Nanjing 210094, China

Received:1900-01-01 Revised:1900-01-01 Online:2012-02-21 Published:2012-02-21

摘要/Abstract

摘要： 为解决粒子退化问题，在序列蒙特卡罗理论方面提出了一种引入对数取样的重采样策略，从仿真实验角度证实了它的有效性。对比其他几种典型的重采样，提出的重采样策略系统误差最小。在后验均值误差和均方差两项主要指标上，引入对数取样后的重采样由于平滑了采样点的分布，因此降低了重采样策略的系统误差；实验将提出的重采样策略嵌入到目标跟踪算法中，实际的测试结果同样验证了该重采样的收敛性和良好的抗噪性能。该理论性方法不仅适用于计算机视觉系统，而且可以应用于广泛的属于时间序列分析的非线性非高斯系统。

关键词: 蒙特卡罗框架, 重采样, 对数取样

Abstract: Aiming at resolving degeneration of particles, an improved resampling strategy is brought forward by importing logarithm sampling on Sequential Monte Carlo theory. Its efficiency is confirmed from emulation mode. Compared with several traditional resampling strategies, the system error about the improved strategy is lowest. Due to importing logarithm sampling on particles smoothly, the errors about resampling strategy are reduced especially on the two important parameters Posterior Mean Error（PME） and Mean Square Error（MSE）. The improved resampling strategy is embedded in object tracking algorithm. The experimental results show that astringency and antinoise-capability about the improved strategy are excellent in real scene. The theoretical method can be used in computer vision system, moreover it can be used in non-linear and non-Gaussian system of time series analysis.

Key words: Monte Carlo framework, resampling, logarithm sampling

吴刚1，2，唐振民2，杨静宇2. 序列蒙特卡罗框架中引入对数取样的重采样[J]. 计算机工程与应用, 2012, 48(6): 24-27.

WU Gang1，2, TANG Zhenmin2, YANG Jingyu2. Resampling strategy imported by logarithm sampling in sequential Monte Carlo framework[J]. Computer Engineering and Applications, 2012, 48(6): 24-27.

[1]	顾兆军，吴优，赵春迪，周景贤. 流量的集成学习与重采样均衡分类方法[J]. 计算机工程与应用, 2020, 56(6): 86-91.
[2]	徐玲玲，迟冬祥. 面向不平衡数据集的机器学习分类策略[J]. 计算机工程与应用, 2020, 56(24): 12-27.
[3]	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.
[4]	侯贝贝，刘三阳，普事业. 基于边界混合重采样的非平衡数据分类方法[J]. 计算机工程与应用, 2020, 56(1): 46-52.
[5]	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.
[6]	郭秋红1，梁秀霞1，2. 对3D Warping分解的高质量虚拟视点绘制方法[J]. 计算机工程与应用, 2019, 55(3): 184-190.
[7]	董瑶1，2，葛莹莹1，2，郭鸿湧1，3，董永峰1，2，杨琛1，2. 基于深度强化学习的移动机器人路径规划[J]. 计算机工程与应用, 2019, 55(13): 15-19.
[8]	李英1，杨秋翔1，雷海卫2，杜博2. 基于深度图像绘制技术的正反向映射技术的改进[J]. 计算机工程与应用, 2018, 54(5): 186-190.
[9]	王向前1，冉维2，马飞1，3. 邻域迭代重采样粒子滤波的纯方位目标跟踪[J]. 计算机工程与应用, 2017, 53(13): 160-166.
[10]	许枫1，纪永强1，2，杨娟1，温涛1，2，宋宏健1，2 . 基于重采样的水下小目标多基地量测融合[J]. 计算机工程与应用, 2015, 51(5): 27-32.
[11]	刘雪冬，张康，杨杰. 基于粒子滤波器的摄像机运动参数估计[J]. 计算机工程与应用, 2014, 50(7): 144-148.
[12]	李睿，毛莉，张九蕊. 基于混沌免疫遗传优化的粒子滤波重采样[J]. 计算机工程与应用, 2013, 49(6): 209-212.
[13]	李晖，翟淑宝，刘小明，蒋璐瑶. 基于多重采样策略的车辆指标随机派发算法[J]. 计算机工程与应用, 2013, 49(22): 22-25.
[14]	张航1，李梦丽2，杨清波2. 基于小生境遗传算法的粒子滤波算法[J]. 计算机工程与应用, 2013, 49(18): 191-194.
[15]	叶金印1，邱旭敏1，黄勇2，张春莉1. 气象遥感图像及格点场重采样插值方法[J]. 计算机工程与应用, 2013, 49(18): 237-241.