刘云涛

(杭州电子科技大学 计算机学院，浙江 杭州 310018)

0 引言

粒子滤波是一种基于蒙特卡罗思想的非线性非高斯状态估计滤波方法[1]，在故障诊断、目标跟踪等相关领域取得了一定的应用效果。段琢华等人[2]提出一种基于粒子滤波器的移动机器人传感器故障诊断方法，并验证了该方法可以有效识别移动机器人一种或多种故障。程建等人[3]将粒子滤波理论应用于红外目标跟踪，在粒子滤波理论框架下，红外目标的状态后验概率分布用加权随机样本集表示,通过随机样本的Bayesian迭代进化实现红外目标的跟踪。然而随着迭代次数的增加，粒子重要性权重的方差越来越大，使得粒子的权重集中到很少数粒子上，其他粒子的重要性权值将会很小，这就是粒子退化现象。DOUCET A等人[4]已从理论上证明了粒子退化现象出现的必然性。粒子退化问题将会严重影响粒子滤波精度。

针对粒子滤波存在的粒子退化问题，国内外学者进行了大量的研究。张琪等人[5]提出一种基于权值选择的粒子滤波算法.按照粒子权值的大小选择较好的粒子用于滤波,以增加样本的多样性,从而缓解粒子滤波的退化问题。夏飞等人[6]在重采样阶段采用了一种权值排序、优胜劣汰的重采样算法,对各粒子的归一化权值按从小到大的顺序排列，并根据权值方差大小淘汰粒子,从而得到了改进的粒子滤波算法,在一定程度上解决了标准粒子滤波的退化问题。但是上述两种方法仍然是基于传统采样的框架，未能彻底解决粒子退化的问题。……