方 璐，范东亮，张光宇，陈汉新

武汉工程大学机电工程学院，湖北 武汉 430205

去噪是信号处理的重要内容，去噪的好坏对后续诊断结果的分析有着重要影响，研究非线性信号的去噪方法是近年来关注的重点［1］。黄名钿等［2］使用基于粒子群优化（particle swarm optimization，PSO）算法的参数小波阈值处理方法实现了对非线性信号的降噪处理。Ananth 等［3］使用基于粒子群优化的模糊滤波器，以除去信号中的高密度图像脉冲噪声。这些算法都能实现对非线性信号的去噪，然而使用PSO 算法结构，有易陷入局部最优解的缺陷，特别是处理多局部极值的信号，收敛速度和精度不高。为改善粒子群算法的缺陷，张荣光等［4］将粗糙集理论引入粒子群算法中，构建了离散粒子群优化方法，加强了搜索能力。Kar 等［5］提出了一种基于引力搜索算法（gravitational search algorithm，GSA）的粒子群优化算法（GSA-PSO），用于2 种常用模拟电路的优化设计，取得了不错的效果。

粒子滤波（particle filter，PF）算法在处理非线性问题上具有的独特优势，使得粒子滤波方法成为近年来国内外关注的重点［6］。已被广泛应用于故障诊断、导航定位、无线通讯、机器人定位、视觉跟踪等诸多领域［7］。然而常规粒子滤波采样过程中采用的采样策略和选择的次优重要性函数，使得其存在粒子贫乏和计算效率低等问题。用智能优化算法来优化PF 算法的采样结构，是现阶段PF研究的热点，其中基于PSO 算法的PF 算法是智能优化粒子滤波算法的代表之一。王尔申等［8］提出了一种基于边缘粒子滤波和粒子群优化的联合参数和状态估计的双估计方法，提高了PF 算法的性能。……