一种基于GPU架构的改进的粒子滤波方法
本发明属于粒子滤波技术领域，特别涉及一种基于GPU架构的改进的粒子滤波方法。该基于GPU架构的改进的粒子滤波方法包括以下步骤：S1：在CPU端设定粒子个数和观测时刻k；在GPU端初始化粒子；S2：将观测向量传输至GPU显存；当k＝1时，执行步骤S3；S3：在GPU端进行重要性采样；S4：在GPU端进行二次采样，得到k时刻的最大似然采样粒子；S5：利用GPU得出k时刻每个最大似然采样粒子的接受概率；S6：在GPU端计算k时刻估计值。S7：在CPU端计算k时刻每个最大似然采样粒子的重采样索引；在GPU端根据重采样索引得出k时刻的重采样粒子，作为下一时刻的初始粒子；S8：将步骤S3至步骤S7重复执行M次，得出M个时刻的估计值。
发明专利
CN201410241879.9
2014-06-03
CN104022756A
2014-09-03
H03H17/02(2006.01)I
西安电子科技大学
王俊;张培川;武勇;乔家辉
710071 陕西省西安市太白南路2号
西安睿通知识产权代理事务所(特殊普通合伙) 61218
惠文轩
陕西;61
一种基于GPU架构的改进的粒子滤波方法，其特征在于，包括以下步骤：S1：利用CPU将粒子个数设定为N，利用CPU设定M个观测时刻，N和M均为大于1的自然数，所述M个观测时刻依次表示为1时刻至M时刻；利用GPU生成N个1时刻初始粒子；设置观测时刻参数k，k＝1,2,3,...M；S2：利用CPU加载每个观测时刻非线性系统的观测向量，CPU将每个观测时刻非线性系统的观测向量传输至GPU显存；当k＝1时，执行步骤S3；S3：在GPU中，根据重要性密度函数对k时刻的每个初始粒子进行重要性采样，得出k时刻的多个重要性采样粒子；S4：在GPU中，根据非线性系统的观测模型，建立似然函数；然后，通过最大化似然函数，对k时刻的每个重要性采样粒子进行二次采样，产生k时刻的多个最大似然采样粒子；S5：利用GPU得出k时刻每个最大似然采样粒子的接受概率；S6：在GPU中，根据k时刻每个最大似然采样粒子，得出k时刻非线性系统的状态向量的估计值；S7：GPU将k时刻每个最大似然采样粒子的接受概率传输至CPU；在CPU中，根据所述k时刻每个最大似然采样粒子的接受概率，得出k时刻每个最大似然采样粒子的重采样索引；然后，CPU将k时刻每个最大似然采样粒子的重采样索引传输至GPU；在GPU中，根据k时刻每个最大似然采样粒子的重采样索引，对k时刻每个最大似然采样粒子进行重采样，得出k+1时刻的多个初始粒子；令k值自增1，然后返回至步骤S3；S8：将步骤S3至步骤S7重复执行M次，得出M个观测时刻的非线性系统的状态向量的估计值。