粒子滤波重采样算法研究及其应用

目前在信息融合领域广泛使用的融合算法是卡尔曼滤波,它在线性高斯模型下能得到最优估计,但在非线性非高斯模型下则无法应用。在这种情况下,粒子滤波因其适用面广而备受关注。 粒子滤波是一种基于蒙特卡罗模拟和递推贝叶斯估计的滤波方法。这种滤波和其他预测性滤波一样,可以通过模型方程由测量空间递推得到状态空间。它采用粒子描述状态空间,用由粒子及其权重组成的离散随机测度近似真实的状态后验分布,并且根据算法递推更新离散随机测度。它可以处理模型方程为非线性、噪声分布为非高斯分布的问题,在许多领域得到了成功的应用。 但是,粒子滤波也存在一些不足之处。例如,易出现粒子退化现象、提议分布无法达到最优等。针对粒子退化问题,一般采用重采样处理,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。本文在研究多种粒子滤波重采样算法的基础上,提出了一种新的重采样算法,即分区重采样算法,并将分区重采样算法和多项式重采样算法、残差重采样算法、分层重采样算法等常用的重采样算法进行了实验比较分析。实验结果表明,分区重采样算法平均性能优于目前常用的重采样算法。最后,将其应用于飞行器航迹规划与控制的模拟演示系统,结果表明,分区重采样算法提高了粒子滤波算法的效率,可以在实际中推广应用。