吴　昊，孙晓燕，郭玉堂，刘路路，沈　晶

(1.中国矿业大学信息与电气工程学院，江苏徐州 221008； 2.合肥师范学院计算机学院,安徽合肥 230601)

保持粒子多样性的非退化粒子滤波方法研究

吴昊1,2，孙晓燕1，郭玉堂2，刘路路2，沈晶2

(1.中国矿业大学信息与电气工程学院，江苏徐州 221008； 2.合肥师范学院计算机学院,安徽合肥 230601)

针对现有粒子滤波算法中的粒子退化问题以及重采样所引起的粒子多样性减弱问题，将自适应遗传算法与粒子滤波结合设计一种新的非退化粒子滤波算法.该算法通过对粒子使用遗传算子操作以保证粒子的多样性和有效性，根据粒子在前一时刻计算出来的先验信息自适应地实时调节当前时刻的遗传操作概率，有效增加了粒子对系统状态变化的适应性.实验结果表明，该算法可有效提高非线性系统状态的估计精度，尤其在系统状态发生突变的时候，可以得到较好的估计精度.

粒子滤波；遗传算法；粒子退化；自适应；粒子多样性

1　引言

粒子滤波PF[1～3](Particle Filter)是一种用于解决非线性滤波问题的滤波器.自上世纪70年代以来，解决非线性滤波问题最经典的是卡尔曼滤波(Kalman Filter,KF)以及寅生的扩展卡尔曼滤波(Extended Kalman Filter,EKF)、无香卡尔曼滤波(Unscented Kalman Filter,UKF)等，但是所有这些方法都依赖于高斯假设，但实际场合往往受环境影响，大部分不服从高斯分布.还有一种长解决非线性滤波问题的叫蒙特卡罗算法，但其存在严重的样本权值退化问题，直到1993年，Gordon等人[1]将重采样技术(Sampling Importance Resampling,SIR算法)引入蒙特卡罗重要性采样过程，提出一种自举滤波器，有效地解决了样本权值退化问题，即正则化粒子滤波算法(Regularized Particle Filter,RPF)；……