王龙生， 顾 浩， 余云智

(江苏自动化研究所，江苏 连云港 222006)

0 引言

近年来，粒子滤波(Particle Filter，PF)［1－2］因适用于任何能用状态空间模型表示的非高斯背景的非线性随机系统，精度可以逼近最优估计，是一种很有效的非线性滤波技术而备受关注，被广泛应用于计算机视觉、信号处理、定位导航及目标跟踪等诸多工业领域［3］。

粒子滤波的核心思想是通过从后验概率中抽取的随机状态粒子来表达其分布，是一种顺序重要性采样方法。该算法存在的最主要的问题是需要用大量的样本数量才能很好地近似系统的后验概率密度。另外，重采样阶段会造成样本有效性和多样性的损失，导致出现样本贫化现象［4－5］。如何保持粒子的有效性和多样性，克服样本贫化，一直是研究的重点。

为了解决多样性损失问题，文献［6］针对重采样算法的改进提出了遗传重采样粒子滤波算法，通过引入遗传交叉变异操作，在一定程度上解决了样本贫化问题，但是遗传算法实时性不好，在工程应用上还有待提高。微分进化(Differential Evolution，DE) 算法［7］，是一种采用浮点矢量编码的连续空间中进行随机搜索的优化算法，已被证明在许多优化问题中都表现出优于自适应模拟退火算法、粒子群算法、遗传算法的性能［8］。本文通过引入微分进化算法进行重采样，利用其交叉变异操作创造更多的粒子，增加样本多样性，抑制退化现象，并将微分进化重采样和残差重采样进化组合优化，解决算法实时性的问题，蒙特卡罗仿真表明此方法的有效可行性。……