论文部分内容阅读
粒子滤波的应用领域极为广泛,如定位跟踪、语音和图像处理、故障检测等。虽然它已成为解决非线性非高斯问题的主流方法,但其仍然不够成熟。比较典型的缺陷就是会出现粒子退化问题以及重采样后粒子多样性丧失问题。目前业界主要是从提议分布选择以及重采样算法改进两个方面来对粒子滤波进行研究。本论文在对粒子滤波算法进行深入研究的基础上,分别从这两个方面入手提出改进意见。此外,探讨了其在无线定位跟踪场景中的应用。论文的主要内容包括:针对粒子退化问题,从提议分布设计入手,考虑到粒子滤波寻求的是整个粒子集的优化,利用修正后的人工鱼群算法对提议分布进行优化,得到MAFSA-PF算法。该算法通过执行修正人工鱼行为,驱使粒子移向似然度值更高的区域。对于单变量非线性经济模型,在量测噪声方差为10-5时,MAFSA-PF的滤波精度较UPF提高了83.3%,与PSOAI-PF滤波精度相当。另外,针对非线性系统中包含可分离高斯子系统的情况,借鉴边缘粒子滤波的思想,分别采用MAFSA-PF以及卡尔曼滤波对系统状态的非线性、线性分量进行估计,得到MF算法。对于二维雷达目标跟踪模型,MF对应的位置误差较边缘粒子滤波下降了17.0%。重采样算法是粒子滤波的重要组成部分,本文在着重分析了系统重采样算法中存在的不足后,然后给出解决方案。在采取有效的粒子取舍方案来保证中等权值粒子得以保留的基础上,借鉴人工免疫算法思想,对粒子进行高斯变异,从而增加粒子多样性。分别对基于该重采样方案以及系统重采样的粒子滤波算法PF-IR及PF-Sys进行仿真,不同模型下的仿真结果验证了经由本论文给出的重采样方案输出的粒子更具多样性及代表性。以无线传感器反应网络中的移动节点跟踪为背景,将交互式多模型算法与PF-IR相结合,得到IMM-PF-IR来对移动节点进行跟踪,仿真结果表明IMM-PF-IR在量测噪声较小时,其跟踪精度高于IMM-PF。此外,用从实地测试场景中采集到的数据集来进行定位跟踪仿真,结合接收信号强度进行定位跟踪,IMM-PF-IR跟踪精度略低于IMM-PF,而结合距离估计进行定位跟踪,IMM-PF-IR的跟踪精度相比IMM-PF提升了34.9%。