基于高斯粒子滤波算法的改进及应用
2014-10-27孙翌晨李军
无线互联科技 2014年9期
孙翌晨 李军
摘 要:针对粒子滤波存在的样本贫化现象,提出了一种优化重选样本粒子的粒子滤波算法。这种方法在引入最新量测后将状态后验概率密度逼近为一个高斯分布,在粒子贫化问题逐渐凸显后,通过该分布重新采集粒子后再进行运算,有效缓解了传统方法在粒子贫化后出现的滤波精度下降的问题。仿真结果表明,新的粒子滤波算法有更高的滤波精度和运行效率。
关键词:粒子滤波;后验概率;粒子贫化;重新选取
近年来,粒子滤波在目标跟踪领域得到了越来越广泛的应用。常见的非线性滤波方法,如扩展卡尔曼滤波(Extended Kalman Filter,EKF),无迹卡尔曼滤波(Unscented Kalman Filter,UKF)都是针对非线性系统的线性卡尔曼滤波方法的变形与改进,因此使用条件也受到卡尔曼滤波算法的条件限制[1]。而粒子滤波算法通过蒙特卡罗仿真手段产生大量粒子,随着采样粒子数不断增大,其散布情况将逐渐逼近状态的后验概率密度。粒子滤波在解决非高斯分布系统问题上具有明显的优势,可以说它是目前非高斯非线性系统状态估计的“最优”滤波器[2]。但是,随着时间的递推,会出现粒子的退化问题。通常,有两种方法可以减轻粒子退化问题:一是增加重采样环节;二是选择合适的重要密度函数进行更有效的采样[3-5]。常规的重采样方法随着迭代次数的增加,会出现粒子贫化问题,为此,人们提出了许多不同的方法来解决这个问题,如高斯粒子滤波算法(Gaussian particle filter),重采样粒子移……
登录APP查看全文
