基于UKF和优化组合策略的改进粒子滤波算法

计算机工程与科学

基于UKF和优化组合策略的改进粒子滤波算法

张昆1，陶建锋2，贺思三2

（1.空军工程大学信息与导航学院，陕西西安 710077；2.空军工程大学防空反导学院，陕西西安 710051）

收稿日期:2015-11-13 修回日期:2016-03-14 出版日期:2017-08-25 发布日期:2017-08-25

An improved particle filter algorithm based on

UKF and optimized combination scheme

ZHANG Kun1，TAO Jian-feng2，HE Si-san2

(1.College of Information and Navigation，Air Force Engineering University，Xi’an 710077;

2.College of Air and Missile Defense，Air Force Engineering University，Xi’an 710051,China)

Received:2015-11-13 Revised:2016-03-14 Online:2017-08-25 Published:2017-08-25

摘要/Abstract

摘要：

针对标准粒子滤波算法存在的粒子退化与贫化问题，提出了一种新的改进粒子滤波算法。该算法采用无迹卡尔曼滤波、优化组合策略和标准粒子滤波相结合的方法，运用UKF产生重要性密度函数，解决标准PF算法中以先验概率密度函数作为建议分布所引发的退化问题；运用优化组合重采样策略保证所有粒子的信息以一定概率得到继承，维持粒子集中粒子的多样性。理论分析与仿真结果均表明，改进算法能有效地解决标准粒子滤波存在的粒子退化问题并避免粒子贫化现象的出现，具有更高的状态估计精度。

关键词: 粒子滤波, 无迹卡尔曼滤波, 优化组合策略, 距离判决

Abstract:

In order to solve particle degeneracy and simultaneously avoid sample impoverishment, we propose a new improved particle filter algorithm based on the unscented Kalman filter (UKF), optimized combination strategy, and the standard particle filter method. We use the UKF to generate the importance density function and solve all the problems caused by the traditional particle filters which use prior density function as the particle distribution. And then we employ the optimized combination scheme to ensure all useful information inherited, which can maintain particle diversity. Theoretical analysis and simulation results both show that the improved particle filter algorithm can solve particle degeneracy and avoid sample impoverishment, and it has higher filtering accuracy in state estimation.

Key words: particle filter, unscented Kalman filter, optimized combination scheme, distance comparing

张昆1，陶建锋2，贺思三2. 基于UKF和优化组合策略的改进粒子滤波算法[J]. 计算机工程与科学.

ZHANG Kun1，TAO Jian-feng2，HE Si-san2.

An improved particle filter algorithm based on

UKF and optimized combination scheme

[J]. Computer Engineering & Science.

[1]	杨国亮，唐俊，王建，朱松伟，梁礼明. 基于低秩投影中稀疏误差矩阵分析的视觉跟踪[J]. 计算机工程与科学, 2017, 39(05): 944-950.
[2]	王旭阳，王艳伟. 一种抗遮挡与重采样的粒子滤波跟踪算法研究[J]. 计算机工程与科学, 2017, 39(04): 813-820.
[3]	崔彦凯1，梁晓庚1,2. 闪烁噪声环境下机动目标跟踪的改进的高斯-厄米特粒子滤波[J]. J4, 2013, 35(9): 187-190.
[4]	焦方源，李薇，李佳. 自适应MIMO-OFDM通信系统中基于CPSO-PF的状态优化与性能仿真[J]. J4, 2013, 35(8): 52-59.
[5]	王晓薇，山拜·达拉拜，陈娟，李婷婷. 非高斯噪声中的粒子滤波算法研究[J]. J4, 2012, 34(7): 136-139.
[6]	张根宝,杨永. 粒子滤波器及其在卫星姿态估计中的应用[J]. J4, 2011, 33(6): 159-163.
[7]	王法胜,郭权. 基于扩展卡尔曼粒子滤波算法的神经网络训练[J]. J4, 2010, 32(5): 48-50.
[8]	孙海梦[1] 李咏梅[2] 陈海洋[1]. 基于视觉噪声的粒子滤波定位法在RoboCup中的应用[J]. J4, 2008, 30(12): 41-42.
[9]	邵金鑫王玲魏星. 基于高斯-施密特粒子滤波器的多机器人协同定位[J]. J4, 2007, 29(6): 117-120.
[10]	魏星王玲. 并行高斯粒子滤波器结构分析和实现[J]. J4, 2007, 29(3): 128-130.
[11]	赵瑶常发亮郝洪霆. 基于改进的均值漂移算法的非刚性目标跟踪[J]. J4, 2007, 29(12): 71-73.