王 聘，田 敬，吴 鹏，王洋洋

（1.海军装备部驻连云港地区军事代表室，江苏 连云港 222061；2.江苏自动化研究所，江苏 连云港 222061）

粒子滤波算法是解决非线性／非高斯动态系统状态估计问题最主要的方法，并成功应用于多目标跟踪［1］、故障诊断、飞行器姿态估计［2］、机器人导航［3］以及信号处理［4］等众多领域。但是，粒子退化问题，以及由其所导致的对突变状态的追踪失效是目前粒子滤波所面临的主要问题，为此，学者们进行了大量研究并提出了多种改进方法：EPF［5］、UPF［6］等，虽然这些算法能够在一定程度上解决粒子退化的问题，但对于带有突变状态的系统，还是会产生较大的误差。针对带有突变状态的系统，周东华提出了强跟踪滤波STPF算法［7］，在卡尔曼滤波框架下引入次优渐消因子，提高了处理突变系统时的滤波精度，但仍不能够较好地处理似然函数位于状态空间尾部的情况。

针对上述问题，本文提出了改进强跟踪粒子滤波算法ISTPF，该算法将强跟踪算法与粒子滤波算法相结合，实现高效采样和强跟踪功能。该算法既具有较强处理突变系统的能力，又能够很好地解决似然函数位于状态空间尾部的问题，实现了高效采样粒子滤波。最后将ISTPF算法应用到紧组合导航模型中，仿真结果证实ISTPF算法能够得出更精确的导航结果，具有一定的可行性及优越性。

1 改进强跟踪粒子滤波算法

改进强跟踪粒子滤波算法通过运行一次强跟踪滤波，从而得出一个修正项并用于修正粒子滤波中粒子样本，将粒子推向高似然区域［8］，即得出一个新的重要性概率密度函数，然后从中抽样，该过程将当前的量测信息考虑了进去，故所抽取的粒子样本更接近后验分布，最终的计算精度得到提高。……