基于遗传算法的粒子滤波算法研究

粒子滤波算法在非线性滤波领域受到广泛关注,与传统滤波方法相比,具有简单易行,适用于非线性及非高斯噪声环境等优点,因而被广泛应用于诸多领域。它是一种基于蒙特卡罗方法和递推贝叶斯估计的新滤波方法,在处理非线性、非高斯系统的参数估计和状态滤波方面具有独到的优势。 粒子滤波算法采用带有权重值的粒子集来近似表示后验概率分布,因此,理论上该方法可以表示任意形式的概率分布。然而,常规粒子滤波方法存在一些缺点,它易出现粒子退化现象,传统的重采样之后又会出现粒子贫乏现象。因此,研究并改进粒子滤波重采样算法对提高粒子滤波算法效率就具有十分重要的意义。 本文在研究传统重采样方法的基础上,将遗传算法引入到粒子滤波重采样算法中来,借用遗传算法的全局搜索和寻优能力来克服粒子滤波算法存在的粒子退化现象和粒子贫乏的问题。通过仿真验证,结果表明利用遗传算法来实现粒子滤波的重采样是可行的,并且结果表明这种方法在一定程度上优于传统的重采样算法。 最后,本文运用LabVIEW编写了标准的粒子滤波算法和遗传采样的粒子滤波算法的虚拟实现,通过比较实验结果,证明遗传采样的粒子滤波算法滤波效果较好。