武风波，刘 瑶，朱代先，王明博

（西安科技大学 通信与信息工程学院，陕西 西安 710600）

引言

基于卡尔曼滤波理论的滤波算法运用环境有限，在非线性、非高斯系统中其性能会大大降低。基于蒙特卡罗和贝叶斯滤波方法的粒子滤波（particle filter，PF）算法不受线性化误差和高斯噪声假定的限制[1]，适用于由状态空间模型表示的任何非线性或非高斯系统。它已广泛应用于目标跟踪、机器人定位建图、数据分析、图像处理、卫星导航动态定位等研究领域。

在标准的粒子滤波算法迭代后期，除了少数粒子，大多数粒子的权重值都小到可以忽略不计，这些小权重粒子滤波性能差，这就是粒子权值退化现象。如果继续迭代，不仅会造成计算资源的浪费，还会使滤波精度降低，因此引入重采样技术，可以改善粒子退化现象。然而有效粒子数目减少，会带来粒子贫化问题，虽然通过大量的粒子可以取得较好的滤波效果，但是算法的复杂度和计算量也会随之增加。为此，国内外学者进行了大量研究，文献[2]使用广义回归神经网络调整粒子样本，使其更接近后验概率密度，提高滤波精度。文献[3]将无迹卡尔曼滤波和权值优化方法相结合，以无迹卡尔曼滤波作为重要性密度函数对粒子状态进行优化，指导粒子采样，并引入影响因子优化粒子权值。文献[4]提出了基于误差椭圆重采样的粒子滤波算法，通过建立具有不同置信水平的误差椭圆，根据粒子的几何位置将粒子分层，实现基于粒子位置的误差重采样。……