谷旭平，唐大全

(海军航空大学航空作战勤务学院，山东 烟台 264001)

0 引言

解决非线性问题，一般采用扩展卡尔曼滤波的方法，并且其随机量须符合高斯分布。但粒子滤波(particle filter,PF)的出现打破了解决非线性问题的桎梏[1]。粒子滤波在解决非线性、非高斯问题上的突破，使其应用范围异常广泛。粒子滤波在视觉跟踪领域，目标定位、导航、跟踪领域以及通信与信号处理领域都发挥着重要作用[2-5]。

粒子退化是标准粒子滤波器的主要缺陷[6-7]，解决方法之一就是重采样。但重采样会降低粒子多样性，难以保证估计精度。文献[8]在重采样之后加入马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)移动处理，减少了粒子相关性，使粒子分布与状态概率密度函数一致，保证了粒子分布的合理性；但算法的收敛性很难保证，且计算量大。文献[9]利用正规则方法计算粒子的后验概率密度，有效地缓解了重采样带来的样本枯竭与粒子退化问题，但高维的正规则难以实现。文献[10]在重采样前，依据似然值的大小对原粒子权值进行修正，保证重采样后粒子向高似然区域移动。该算法在重采样后，更接近状态真值，但每个粒子需要计算两次权值以及似然值。这就伴随着大计算量的问题，难以保证算法的实时性。文献[11]～文献[17]依据自然界生物种群的寻优特性，对粒子滤波的重采样过程进行改进，在一定程度上改善了算法的滤波精度，提高了粒子多样性。

本文将社会蜘蛛群的寻优特性[18-19]引入粒子滤波的重采样过程中。……