高国栋，林 明

(江苏科技大学 电子信息学院，江苏 镇江 212003)

一种简化的拟蒙特卡洛-高斯粒子滤波算法*

高国栋*，林 明

(江苏科技大学 电子信息学院，江苏 镇江 212003)

提出了一种简化的拟蒙特卡洛-高斯粒子滤波(QMC-GPF)算法(SQMC-GPF),以解决将QMC方法应用于GPF时计算复杂度高、运算量大的问题。该算法中，在连续的迭代滤波过程开始之前，首先利用QMC采样产生单位拟高斯分布粒子集，然后用其线性变换产生GPF算法中需要的高斯分布粒子集，省去了重新进行QMC采样步骤。该算法简化了新粒子集的产生过程，减少了运算量和滤波时间，增强了算法的实时性。将粒子滤波算法(PF)、GPF 算法、QMC-GPF算法和SQMC-GPF算法用于单变量非静态增长模型(UNGM)和二维纯角度跟踪模型(BOT)的仿真结果表明，SQMC-GPF算法的滤波性能与QMC-GPF算法的滤波性能相近，但有更为明显的速度优势，具有重要的实际应用价值。

高斯粒子滤波；拟蒙特卡洛采样；线性变换；高斯分布

1 引 言

高斯粒子滤波(Gaussian Particle Filter,GPF)[1]是粒子滤波(Particle Filter,PF)[2]的改进算法，用高斯分布来近似状态的后验分布，用蒙特卡洛(Monte Carlo,MC)[3]方法模拟高斯分布采样，替代了对全体粒子状态的存储，避免了重采样过程，因此减少了运算量，提高了算法的滤波效率。为进一步提高精度，很多学者对GPF算法进行了研究和改进，其中一种就是改进MC采样方法。文献[4]对GPF算法进行了分析，并首次提出在GPF算法的框架内，运用拟蒙特卡洛确定性(Quasi-Monte Carlo,QMC)采样[5]代替MC伪随机采样的构想。文献[6-8]分别给出QMC-GPF算法流程，并用于目标跟踪，取得了较好的滤波效果，但没有讨论算法的实时性问题。……