【船舶定位】粒子滤波算法求解船舶位置问题【含Matlab源码 3496期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab物理应用（仿真科研站版）仿真内容点击👇
Matlab物理应用（仿真科研站版）

⛄一、粒子滤波算法求解船舶位置问题

粒子滤波定位算法是目前最精准定位可移动物体的位置，由于水域的流动，工业固体废物污染源很可能随着水流移动位置，基于粒子滤波算法将污染物定位分为预测、测量以及重新采样可大大提高定位准确率[10]。粒子滤波算法的定位过程首先根据水流速度以及前一时刻水域的污染浓度预测出目前水域污染浓度最高的区域，其次对每个可能为污染源的位置进行权重计算，最后将所有污染源权重进行筛选，剔除权值较小的污染源，留下权值最高的污染源，并重复训练直到获取唯一一个权值最高的污染源，即实现工业固体废物污染定位。

1 预测阶段
在此阶段中首先设置出所需粒子个数，并将所有粒子平分到受到污染的水域中，基于粒子滤波算法得出提议分布，当污染源在时间t-1中的定位是Xt-1(xt-1,yt-1,θt-1),则时间t的污染源定位是Xt(xt,yt,θt),污染源的运动速度即为水流速度，则工业固体废物污染源在时间t到t-1之间位置的变化表达式(5)为：

首先利用摄像机和激光扫描仪在水域污染浓度较高的区域进行扫描，假设摄像机以及激光扫描仪获取到的固体点特征角度表达式(6)为：

为将激光扫描仪角度数据与摄像机中的物体角度信息进行中和，需要对摄像机中的物体点角度数据进行旋转变换根据角度信息公式将两种设备之间的角度信息进行转换，且转换时必须满足误差正态分布，则转换表达式(7)为：

根据式(9)将两种设备的废物样本集成到提议分布内，进而使得提议分布函数更加集中，即样本范围更小，更容易对污染源进行定位，此时的提议分布函数表达式(9)为：

上式即为根据状态转移函数得出的粒子滤波状态提议分布。

2 测量阶段
在此阶段直接将激光扫描数据当成输入，进而获取工业固体废物的位置信息，则通过激光扫描仪位置转换生成设备与工业固体废物之间的几何关系表达式(10)为：

式中，xt代表设备的具体位置，θ代表设备扫描物体的角度，d代表设备与观测到的物体之间的直线距离，β代表物体的角度。

在激光数据中获取疑似为工业固体废物污染源的观测值，并对其中的各个粒子进行权重评价，其表达式(11)为：

根据粒子的权重判断粒子是否为真的工业固体废物。

3 重采样阶段
根据每个粒子的权重大小决定是否保留该粒子，设置一个可接受范围，判断粒子是否在此范围内，为保证粒子不变，复制权重较大的粒子填补空缺位置，重组粒子后将所有粒子输入状态转移函数内，并反复进行训练，保证最终污染源定位的准确性，实现工业固体废物污染源的定位。

⛄二、部分源代码

%demonstration of particle filtering
%by Paul Sundvall, KTH Signals sensors and systems 2004
clear,clc,close all

%let x be the position of the boat
%create a model for the movement of the boat
xmin=-10;
xmax=10;
xpmin=-.3;
xpmax=.3;
N=10000;
m=1;%kg
kk=1;%N/m
c=.5;%N/s
F0=25;%N
dT=.05;%s
M=400;%timesteps

%first calculate the true sequence of disturbance force
wk=(rand(M,1)-.5)2F0;

af=[1 -2 1].(dT^-2)+[0 kk/m 0]+[1 0 -1]./2/dTc/m;
bf=1/m;
xtrue=filter(bf,af,wk);
xptrue=filter([1 -1]/dT,1,xtrue);

% plot(xtrue)
% title(‘true x’)
% xlabel(‘time step’)
% ylabel(‘x (m)’)
% pause

%calculate the measurement
sigma=.3;%measurent noise std deviation.
a=.2;%constant for the average slope of the bottom surface
b=0;
z=sin(xtrue)+axtrue+bxtrue.*xtrue + randn(M,1)*sigma; %first part is the bottom surface, last term is the measurement noise

%initialization
xk=rand(N,1)*(xmax-xmin)+xmin;
xpk=zeros(N,1);

pik=repmat(1/N,N,1); %the propability that we are in state xk, xpk.
figure(1)
set(1,‘doublebuffer’,‘on’,‘position’,[239 291 681 343])
t=linspace(xmin,xmax,N)';
h1=line(t,sin(t)+at+bt.*t,‘marker’,‘none’);%t is just a temporary variable to draw the bottom surface
h3=line(xtrue(1),0,‘marker’,‘o’,‘linestyle’,‘none’);

%plot the boat
boat.x=[-2.4 -2 -1 0 1 2 2 -2.4]‘;
boat.y=[ 1 0 -.2 -.3 -.3 -.3 .8 1]’+5;
hboat=line(boat.x+xtrue(1),boat.y,‘color’,‘r’);% line(boat.x,boat.y,‘color’,‘m’);
%plot the depth measurement
hecho=line(xtrue(1)[1 1]‘,[z(1) boat.y(4)]’,‘color’,‘r’,‘linestyle’,‘–’);
%plot the water surface
hwater=line([xmin xmax],boat.y(2)[1 1],‘color’,‘b’,‘linestyle’,‘–’);

%histogram is plotted also to show p(x) (the propability density function)
h_hist=line(1,1,‘color’,‘k’);
xlabel(‘λ x (m)’)
xlim([xmin,xmax])
ylim([-3 ceil(max(boat.y))+2])

%print some text
htext(1)=text(xmin+.5,boat.y(2),’ ƽ ‘,‘verticalalignment’,‘bottom’);;
htext(2)=text(boat.x(7),boat.y(2),‘S/Y OptFilt’,‘verticalalignment’,‘bottom’,‘horizontalalignment’,‘right’);;
htext(3)=text(xmin+.5,0,‘p(x)’,‘verticalalignment’,‘bottom’);
htext(4)=text(xmin+.5,sin(xmin+.5)+a*(xmin+.5)+b*(xmin+.5).*(xmin+.5),’ ',‘verticalalignment’,‘bottom’,‘color’,‘b’);

recordvideo=1;%to record to a video file or not
%if recordvideo
% mov = avifile(‘boatdemo.avi’,‘videoname’,‘Particle filter example’,‘fps’,10,‘quality’,100);
%end

resample=.5;%to use resampling or not: 0 is no resampling, 1 is always resampling. Based on Neff/N.

Neff=zeros(M,1);

%precalculate some constants to save time
sigma_sqrt_2_pi=sigmasqrt(2pi);
two_sigma_square=2sigmasigma;

for k=1:M%loop over timesteps
%time update step
%predict particle i from the previous step, using random disturbance for each particle
wk=randn(N,1)*F0;
%predict every sample (using matrices instead of for loops to get faster execution)

xk=xk+xpk*dT;
xpk=xpk+(wk-xk*kk-xpk*(c-dT*kk))/m*dT;%ok, c-dT*kk is used instead of c to reduce the need for temporary variable on the line above

%measurement update (let the measurement be z=f(x)+v where v is normal distributed with sigma std dev.  

pik=pik.*exp(-(sin(xk)+a*xk+b*xk.*xk - z(k) ).^2/two_sigma_square)/sigma_sqrt_2_pi;  %ok, this is made to all particles at once.

%normalize the weights
pik=pik/sum(pik);    

%resample if necessary
if resample>0
    %only resample if a criterion is fulfilled
    %resample based on the quality of the distribution
    Neff(k)=1/sum(pik.^2);
    if Neff(k)<(resample*N) %setting resample to 1 makes this condition always true, because 1<Neff<N always!            
        Inew=rsmp(pik,N);
        xk=xk(Inew);
        xpk=xpk(Inew);
        pik=repmat(1/N,N,1); 
    end
end


%update the plots

set(h3,'xdata',xtrue(k),'ydata',z(k))
set(hboat,'xdata',boat.x+xtrue(k) );
set(hecho,'xdata',xtrue(k)*[1 1]','ydata',[z(k) boat.y(4)]');


[plotx,ploty]=histweight(xk,pik,200,[xmin xmax]);
set(h_hist,'xdata',plotx,'ydata',ploty)
set(htext(2),'position',[boat.x(7)+xtrue(k) boat.y(2)]);
drawnow;

%dump the frame to a video  %  ˴         ʹ  

% if recordvideo
% F = getframe(gca);
% mov = addframe(mov,F);
% end
end

%if recordvideo
% mov = close(mov);
%end
figure(2)
plot(Neff/N)
xlabel(’ ')
ylabel(‘Particle efficiency’)
title(‘Efficient number of particles’)

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 门云阁.MATLAB物理计算与可视化[M].清华大学出版社，2013.
[2]宋 健,杜佳璐,李文华,孙玉清,陈海泉.船舶动力定位系统波浪扰动仿真[J].大连海事大学学报,2011.

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除
🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置