基于马尔科夫链蒙特卡洛粒子滤波定位方法
【专利摘要】本发明公开了一种基于马尔科夫链蒙特卡洛粒子滤波定位方法，其特征在于：包括以下步骤，1、初始化；2、粒子重要性采样；3、计算权值；4、重采样；5、相关性判断；6、引入MCMC移动步骤；7、进入下一时刻。本发明通过分析两次滤波之间的相关性，来判断粒子是否集中；通过在粒子率重要性采样阶段融入云端观测数据，以减少所需的粒子数；通过马尔科夫蒙特卡洛移动处理降低粒子的匮乏效应。本发明建立马尔科夫链蒙特卡洛粒子滤波定位机制，使得云端监控数据与地图等进行匹配，实现智慧停车。
【专利说明】
基于马尔科夫链蒙特卡洛粒子滤波定位方法
技术领域
[0001] 本发明涉及一种基于马尔科夫链蒙特卡洛粒子滤波定位方法，属于物联网应用技 术领域。
【背景技术】
[0002] 随着个人车辆的增加，现在反向寻车是个大难题，有时候转了几圈都找不到停车 点，有的商场与小区都建有地下停车场，这样增加了不少的停车位，但是有一些朋友都不愿 把车停到地下停车场，其原因是不太熟悉地址停车场的停车规则，停车找车难这已成为生 活中遇到的常见问题之一。如何高效反向寻车，通过实时的监测并辅以有效的定位控制措 施，可以有效的解决停车找车难的问题。
[0003] 现有的超声波定位整体定位精度较高，结构简单，但超声波受多径效应和非视距 传播影响很大，同时需要大量的底层硬件设施投资，成本太高。WIFI应用于小范围的室内定 位，成本较低。但无论是用于室内还是室外定位，Wi-Fi收发器都只能覆盖半径90米以内的 区域，而且很容易受到其他信号的干扰，从而影响其精度，定位器的能耗也较高。ZigBee定 位方法通过测算对象到多个已知位置的参考节点的距离，来确定对象所在的位置。测算的 方法包括接收信号强度、链路质量指示(LQI)等。也可以通过"临近法"大概地判定终端处在 哪一个参考节点附近，这种做法的定位精度较低，在实际应用中并不常见。
【发明内容】
[0004] 为了解决上述技术问题，本发明提供了一种基于马尔科夫链蒙特卡洛粒子滤波定 位方法。
[0005] 为了达到上述目的，本发明所采用的技术方案是：
[0006] 基于马尔科夫链蒙特卡洛粒子滤波定位方法，包括以下步骤，
[0007] 步骤1，取时亥Ijk = l;
[0008] 步骤2,从概率密度函数p(xk)中抽取一组初始粒子
[0009] 为k时刻从概率密度函数中抽取的第i个粒子，i G [ 1，N];
[0010] 步骤3，k = k+l;
[0011 ]步骤4，粒子重要性采样为
[0012] 4 ~f(A
[0013]其中，q( ?)为重要性概率密度函数，当k = 2时，当k>2时， = ,4_1}，z 1:k = {z 1，z2，…，Zk}是至丨」时亥丨」k的测量集合， zk为时亥丨」让时得至丨」的测量 值；
[0014]步骤5,计算权值，
[0016] 其中，傲^份^分别为#、的权值，P( ? I ?)为概率密度函数；
[0017] 步骤6,归一化权值
[0018] 其中，jG[l，N];
[0019] 步骤7,重采样；
[0020] 定义一个阈值d，当粒子的归一化权值小于d时，除去该粒子，当粒子的归一化权值 大于d时，复制该粒子，重新采用得到N个近似服从/| 分布的样本 4，X。= , xU ;重新设定粒子的权值为= 1 / 7V;
[0021 ] 步骤8，判断时亥Ijk是否为2，如果是，转至步骤10，否则，转至步骤9;
[0022] 步骤9,将相邻时刻的两组重采样粒子进行比较，获得两组重采样粒子的相关性， 如果两组重采样粒子的相关性强，则结束;否则转至步骤10; N
[0023] 步骤10，引入MCMC移动步骤，得到后验概率为| %) = I喊#(% - 〇
[0024]其中，S( ?)为狄拉克函数；
[0025] 步骤ll，k = k+l，转至步骤4。
[0026] 相邻时刻的两组重采样粒子进行比较的过程为，
[0027] A1)分析两组重采样粒子；
[0028] 定义X= [p(Xk-11 zk-1)，p(Xk | zk) ]T，其中，Xk为k时刻的一组重采样粒子，Xk-1 为k-1 时刻的一组重采样粒子；
[0029] A2)假设 | Zw) ~ CVV(//j，Gif )与声(不 j ~之间的相 关系数为P，则X服从复高斯分布，SP :
[0036] yi、of分别为k-1时刻的一组重采样粒子的期望和方差，y2、of分别为k时刻的一 组重采样粒子的期望和方差，y表示X的期望，q G [ 1，N];
[0037] A3)将(3)、（4)代入(1)中可得，相关系数的Fisher信息I(P)为，
[0039] A4)对(1)的似然函数取对数得，
[0045]其中，
[0047]展开公式(8)得到，
[0049] A5)利用局部最大法检验相关性；
[0050] H〇：P = 0〇 [0051 ] Hi：P>9〇
[0052] 其中，Hq、^表示是否存在相关性的假设检验，0〇表示介于[0，1]之间的相关度假设 值；
[0053] A6)若阵列分布满足分集条件，此时取0〇 = 〇,根据局部最大法检验规则可以得到，
[0055] I(p) p=〇 = 2N
时，判断p>〇,表示强相关，， 否则p = 0,表示弱相关；
[0057] 其中，
，_Tlmp(x)为检测统计量，丫为门限值。
[0059] 本发明所达到的有益效果:本发明通过分析两次滤波之间的相关性，来判断粒子 是否集中，可以减少循环的次数，节省计算量;通过在粒子率重要性采样阶段融入云端观测 数据，以减少所需的粒子数;通过马尔科夫蒙特卡洛移动处理降低粒子的匮乏效应;本发明 建立马尔科夫链蒙特卡洛粒子滤波定位机制，使得云端监控数据与地图等进行匹配，实现 智慧停车。
【附图说明】
[0060] 图1为本发明的流程图。
[0061] 图2为实施例中蓝牙灯管的布置图。
[0062]图3为采用本发明的定位仿真图。
【具体实施方式】
[0063] 下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明 的技术方案，而不能以此来限制本发明的保护范围。
[0064] 如图1所示，基于马尔科夫链蒙特卡洛粒子滤波定位方法，包括以下步骤：
[0065] 步骤1，取时刻k = l。
[0066] 步骤2,从概率密度函数p(xk)中抽取一组初始粒子X# =
[0067] 为k时刻从概率密度函数中抽取的第i个粒子，i G [ 1，N]。
[0068] 步骤 3，k = k+l。
[0069]步骤4,粒子重要性采样为
[0070] Xlk ~Cj、Xk \x\：k-vzn)
[0071] 其中，q( ?)为重要性概率密度函数，当k = 2时，;当k>2时， 4m =_ XHZ1 :k= { Z1，Z2，…，Zk丨是到时刻k的测量集合， Zk为时刻k时得到的测量 值。
[0072] 重要性采样中融入了测量值，减少了所需的粒子数。
[0073]步骤5,计算权值，
[0075]其中，4、（0^分别为：4、的权值，p( ? | ?)为概率密度函数。
[0076] 步骤6,归一化权值
[0077] 其中，jG[l，N]。
[0078]步骤7,重采样；
[0079] 定义一个阈值d，当粒子的归一化权值小于d时，除去该粒子，当粒子的归一化权值 大于d时，复制该粒子，重新采用得到N个近似服从| ZM：)分布的样本 X。，4 4丨；重新设定粒子的权值为4 = 1 / 7V。
[0080] 步骤8，判断时刻k是否为2，如果是，转至步骤10，否则，转至步骤9。
[0081] 步骤9,将相邻时刻的两组重采样粒子进行比较，获得两组重采样粒子的相关性， 如果两组重采样粒子的相关性强，则结束;否则转至步骤10。
[0082] 相邻时刻的两组重采样粒子进行比较的过程为，
[0083] A1)分析两组重采样粒子；
[0084] 定义X= [p(Xk-11 zk-1)，p(Xk | zk) ]T，其中，Xk为k时刻的一组重采样粒子，Xk-1 为k-1 时刻的一组重采样粒子；
[0085] A2)假设/| zAM)~C7V(//j,erf)与/7(义 | zA_)~C7V(//2,cr22)之间的相 关系数为p，则X服从复高斯分布，SP:
[0087]其中，
[0092] yi、erf分别为k-1时刻的一组重采样粒子的期望和方差，y2、of分别为k时刻的一 组重采样粒子的期望和方差，y表示X的期望，q g [ 1，N];
[0093] A3)将(3)、（4)代入(1)中可得，相关系数的Fisher信息I(P)为，
[0095] A4)对(1)的似然函数取对数得，
[0103]展开公式(8)得到，
[0105] A5)利用局部最大法检验相关性；
[0106] H〇：P = 0〇
[0107] Hi：P>9〇
[0108] 其中，Hq、^表示是否存在相关性的假设检验，0〇表示介于[0，1]之间的相关度假设 值；
[0109] A6)若阵列分布满足分集条件，此时取0〇 = 〇,根据局部最大法检验规则可以得到，
[0111] I(p) |p=〇 = 2N
时，判断P>〇,表示强相关，否 贝ijp = 0,表示弱相关；
[0113] 其中，
，.Tlmp(x)为检测统计量，丫为门限值。
[0115] 步骤10,引入MCMC移动步骤，得到后验概率为
[0116] 其中，5( ?)为狄拉克函数。
[0117] 步骤ll，k = k+l，转至步骤4。
[0118] 如图2所示，将蓝牙灯管(黑点位置)分布在停车场内，采用上述方法获得的定位仿 真如图3所示，可以看出，获得的定位精度很高。
[0119] 综上所述，上述方法通过分析两次滤波之间的相关性，来判断粒子是否集中，可以 减少循环的次数，节省计算量;通过在粒子率重要性采样阶段融入云端观测数据，以减少所 需的粒子数;通过马尔科夫蒙特卡洛移动处理降低粒子的匮乏效应;建立马尔科夫链蒙特 卡洛粒子滤波定位机制，使得云端监控数据与地图等进行匹配，实现智慧停车。
[0120] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人 员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形 也应视为本发明的保护范围。
【主权项】
1. 基于马尔科夫链蒙特卡洛粒子滤波定位方法，其特征在于:包括以下步骤， 步骤1，取时刻k=l; 步骤2,从概率密度函数p(Xk)中抽取一组初始粒亏4为k时刻从概率密度函数中抽取的第i个粒子，ie [I，N]; 步骤3，k = k+l; 步骤4,粒子重要性采样为其中，q( ·)为重要性概率密度函数，当k = 2时！时，，_. Z1: k = {Z1，Z 2，…，Zk}是到时刻k的测量集合，Z k为时刻k时得到的测量 值； 步骤5,计算权值，其中，CjC^1分别为右、的权值，ρ(·|·)为概率密度函数； 步骤6,归一化权其中，je[l，N]; 步骤7,重采样； 定义一个阈值d，当粒子的归一化权值小于d时，除去该粒子，当粒子的归一化权值大于 d时，复制该粒子，重新采用得到N个近似服从；I Ζ1±)分布的样本， 4 = ?_ι, 4}連新设定粒子的权值为4 = I /1; 步骤8，判断时刻k是否为2，如果是，转至步骤10，否则，转至步骤9; 步骤9，将相邻时刻的两组重采样粒子进行比较，获得两组重采样粒子的相关性，如果 两组重采样粒子的相关性强，则结束;否则转至步骤10; 步骤10，引入MCMC移动步骤，得到后验概率3其中，δ( ·)为狄拉克函数； 步骤11，k = k+l，转至步骤4。2. 根据权利要求1所述的基于马尔科夫链蒙特卡洛粒子滤波定位方法，其特征在于:相 邻时刻的两组重采样粒子进行比较的过程为， Al)分析两组重采样粒子； 定义X= [P(Xk-i I zk-i)，p(Xk I zk)]T，其中，Xk为k时刻的一组重采样粒子，Xk-i为k-Ι时刻的 一组重采样粒子； A2)假设.间的相关系数 为P，则X服从复高斯分布，即：μι、CT,2分别为k-Ι时刻的一组重采样粒子的期望和方差，μ2、分别为k时刻的一组重 采样粒子的期望和方差，μ表示X的期望，q e [ I，N]; A3)将(3)、（4)代入（1)中可得，相关系数的Fisher信息I(P)为，A5)利用局部最大法检验相关性； Ηο:ρ = θ〇 Ηι：Ρ>θ〇 其中，HoJ1表示是否存在相关性的假设检验，θ〇表示介于[〇，1]之间的相关度假设值； Α6)若阵列分布满足分集条件，此时取θ〇 = 〇,根据局部最大法检验规则可以得到，
【文档编号】G01S19/45GK105891865SQ201610183613
【公开日】2016年8月24日
【申请日】2016年3月28日
【发明人】戴慧, 刘伟伟
【申请人】南京工程学院