改进粒子滤波算法研究

重采样思想能解决粒子滤波中的粒子退化问题,但却导致粒子多样性丧失的现象,使描述状态后验概率密度的粒子不够充分。围绕如何增加粒子的多样性,已提出的改进算法包括MCMC移动步骤及正则化粒子滤波(RPF)算法。讨论2种改进算法的基本思想及步骤,通过对一典型标量非线性系统的仿真实验,分析改进算法的性能特点。实验结果表明,2种改进算法都有效增加了粒子的多样性,缓解了粒子匮乏问题。

粒子滤波算法在多传感器测量中的应用

目标跟踪是粒子滤波算法在处理非线性问题的一种典型应用,但由于在线处理能力或传输条件的限制,实际应用中往往无法对多个传感器数据同时处理。据此,给出了一种基于多传感器选优的粒子滤波算法。假设每个时刻可以处理一个测量数据,该算法先采用加权的概率密度函数来评价每个传感器获得的测量值,并用粒子滤波对概率密度函数的加权进行实时更新,基于最大熵标准来选取最优测量数据进行处理。同时,最大熵标准保证了最优似然函数分布最宽,从而缓解粒子衰竭问题。通过数值仿真实验证明,该算法可以选择最优观测数据进行处理,有效降低多传感器测量中粒子滤波在线实时处理性能的要求,也较好地缓解了粒子滤波的"衰竭"问题。