文尚胜 许函铭 陈贤东 丘志强

(华南理工大学 材料科学与工程学院，广东 广州 510640)

重要性重采样粒子滤波(SIR-PF)是一种基于蒙特卡罗思想的非线性滤波器[1]，通过一组具有关联权重的离散独立随机粒子来近似目标的后验分布。由于受系统非线性与非高斯或未知噪声形式的影响较小，相比于扩展卡尔曼滤波器(EKF)与无迹卡尔曼滤波器(UKF)，SIR-PF可以在高度非线性系统中提供更优的目标估计，故在统计学、机器学习、目标跟踪、计算机视觉、通信以及计算生物学等领域有许多成功的应用[2]。

但SIR-PF在解决非线性问题时也存在部分缺陷，如严重的粒子退化与贫化问题。为缓解粒子退化与贫化现象，Wang等[3]引入椭圆误差思想，通过卡方值对粒子的置信度进行评估分级，对样本集进行筛选和优化。Li等[4]根据粒子集的空间分布进行网格划分，提出了一种确定性的重采样方法，该方法可严格保留粒子的原始状态。由于元启发式算法与粒子滤波具有一定的相似性，Zhou等[5]提出了一种基于遗传重采样的粒子滤波器，通过遗传算法的交叉与变异操作来提高粒子的多样性，采用精英保存策略使粒子向高似然区域集中。Zhang等[6]结合蜂鸟优化策略提出了蜂鸟粒子滤波，但由于蜂鸟优化本身较为复杂的寻优机制，此算法的时间复杂度较大。陈志敏等[7-8]基于蝙蝠算法与粒子群算法优化重采样过程，实现粒子间信息的共享，自适应地控制高似然区域内粒子的数量，从而增强粒子的全局寻优能力。……