粒子滤波算法的研究

论文摘要

在目标跟踪领域最常使用的经典滤波算法是卡尔曼滤波和扩展卡尔曼滤波,其中前者用于线性系统,后者用于非线性系统。目标跟踪问题是典型的动态系统状态估计问题,在系统为线性、高斯条件下,卡尔曼滤波可以给出最优估计。然而,在现实环境中,大部分系统状态为非线性、非高斯的,因此传统的滤波算法无法适用。在20世纪90年代兴起的粒子滤波算法,由于对非线性、非高斯条件下较强的处理能力,引起了许多科研工作者的广泛关注。粒子滤波是基于贝叶斯估计理论框架的蒙特卡洛采样方法,利用-系列具有权重的粒子点集来近似后验概率密度分布。本文首先对传统的滤波算法进行了研究,并指出其存在的缺点和适用范围。接着对粒子滤波进行深入研究,并介绍了粒子滤波所存在的缺陷和改进方法,并介绍了几种改进的算法。作者将粒子群优化算法引入到Rao-Blackwellized粒子滤波。对于状态中的非线性部分,通过粒子群优化,驱使所有的粒子向高似然区域移动,使利用较少的粒子即可达到较好的估计性能。对于线性状态部分,依然利用卡尔曼滤波进行处理。作者提出了一种微分进化与粒子群协同进化粒子滤波算法。根据生态系统中生物群体内部以及各种群之间相生相克、共同发展的思想而产生的协同进化优化算法用以优化粒子滤波,仿真结果显示了良好的性能。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题来源
• 1.2 研究背景及意义
• 1.3 论文的主要工作与内容安排
• 2 状态估计理论
• 2.1 离散时间线性系统状态估计问题的一般描述
• 2.2 贝叶斯滤波
• 2.3 卡尔曼滤波
• 2.4 扩展卡尔曼滤波（EKF）
• 2.5 无迹卡尔曼滤波（UKF）
• 2.6 本章小结
• 3 粒子滤波及其改进
• 3.1 蒙特卡罗方法
• 3.2 贝叶斯重要性采样
• 3.3 粒子滤波算法
• 3.4 当前一些改进算法
• 3.5 本章小结
• 4 粒子群优化Rao-Blackwellized粒子滤波
• 4.1 Rao-Blackwellized粒子滤波
• 4.2 粒子群算法（PSO）
• 4.3 粒子群优化Rao-Blackwellized粒子滤波
• 4.4 实验仿真
• 4.5 本章小结
• 5 微分进化和粒子群协同进化粒子滤波
• 5.1 混合算法的理念
• 5.2 协同进化
• 5.3 微分进化
• 5.4 微分进化和粒子群协同进化粒子滤波
• 5.5 实验仿真
• 5.6 本章小结
• 总结与展望
• 参考文献
• 致谢