基于模拟退火粒子群优化粒子滤波算法.doc

基于模拟退火粒子群优化粒子滤波算法 　　【摘要】本文提出一种基于模拟退火粒子群优化的粒子滤波新算法，该算法基于一个高斯分布来不断更新粒子，采用随机概率扰动的方式作为粒子群算法的全局极值更新条件，增加了全局最优区域的有哪些信誉好的足球投注网站能力，避免了粒子过早的“趋同性”，仿真实验结果表明，算法克服了粒子退化问题，提高了预估精度，预估性能优于传统的粒子滤波方法。 　　【关键词】粒子滤波；粒子群优化；模拟退火；随机概率扰动 　　1.引言 　　近年来，粒子滤波方法在国内外备受关注，与传统滤波方法相比，该方法具有简单易行，适用于非线性及非高斯噪声环境等优点，因而被广泛应用于视觉跟踪、机器人定位、航空导航、图象处理、故障检测、工业控制等诸多领域。[1-4] 　　粒子滤波（PF）的基本思想是先在状态空间中根据先验分布产生一组随机样本集合，这些样本被称为粒子，然后在观测的基础上，通过调节每一样本所对应权值的大小和样本的位置，来获得服从实际分布的样本，并以这些样本的均值作为系统状态估计值。 　　粒子滤波方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，因为常规粒子滤波方法采用了次优的重要性函数，所以常规粒子滤波方法存在粒子贫乏和计算效率等缺点，为解决以上问题，国内外不少学者提出了改进方法。 　　Rudolph等[5]将UKF方法引入粒子滤波中，提出了无味粒子滤波算法（UPF），其核心思想是利用UKF得到比常规PF更好的重要性函数，该方法将必威体育精装版的观测值引入预测过程中，因此提高了常规粒子滤波的性能，但计算量也大大增加了；Clapp等[6]将模拟退火思想引入粒子滤波中，提出了模拟退火粒子滤波（SA-PF），该算法引入退火重要性采样和中间分布的概念，改善了出现先验尾部观测值时的算法性能；方正等[7]提出了粒子群优化粒子滤波方法（PSO-PF），将粒子群优化算法引入粒子滤波方法中，利用粒子群（PSO）算法对PF的重要性采样进行优化将必威体育精装版的观测值引入重要性采样分布中，使得重要性采样分布向后验概率较高的区域运动，提高了状态预估的精度，然而该方法仍然存在重采样过程带来的粒子缺乏多样性问题。 　　本文提出了基于模拟退火粒子群优化的粒子滤波算法（SAPSO-PF：Simulated Annea-ling Particle Swarm Optimized Particle Filter），该方法基于一个高斯分布来不断更新粒子的速度，同时采用随机概率扰动的方式作为基本粒子群算法的全局极值更新条件，从而增加全局最优区域的有哪些信誉好的足球投注网站能力，避免了粒子过早的“趋同性”，使得粒子滤波的性能得到很大的提高。 　　2.基于模拟退火粒子群优化的粒子滤波算法 　　2.1 高斯粒子群优化粒子滤波 　　常规的粒子滤波采用了次优的重要性函数，因此，粒子的重要性采样过程是次优的。为了优化粒子滤波的采样过程，本文将粒子群优化算法融入粒子滤波中。 　　首先，将必威体育精装版的观测值引入采样过程，并定义适应度函数为： 　　（1） 　　其中：是观测噪声方差，是必威体育精装版的观测值，是预测观测值。粒子群优化算法通过计算适应度值将所有的粒子向最优粒子移动。但有时经典的粒子群优化算法的最大速度等参数很难确定，因此本文采用一种改进的粒子群优化算法，即高斯粒子群优化算法（GPSO-PF：Gaussian Particle swarm Optimized Particle Filter）。 　　该方法基于一个高斯分布来不断更新粒子的速度，其收敛性好于经典的粒子群优化算法[7-8]。 　　如果粒子集都分布在真实状态附近，那么粒子群中每个粒子的适应度都很高。反之，如果粒子群中每个粒子的个体最优值以及粒子群的全局最优值都很低，则说明粒子没有分布在真实状态附近。此时粒子集利用粒子群优化算法，不断根据最优值并利用下式来更新每个粒子的速度与位置，使得粒子不断地向真实状态靠近： 　　（2） 　　其中和是正的高斯分布的随机数，可由产生。 　　通过移动粒子群向最优粒子靠近，粒子群优化算法实质是驱动所有的粒子向高似然概率区域运动。当粒子群的最优值符合某阈值ε时，说明粒子群已经分布在真实状态附近，那么粒子群将停止优化。此时再对粒子集利用必威体育精装版观测值通过下式进行权重更新并进行归一化处理： 　　（3） 　　为了解决粒子滤波的退化问题，需要选择和复制权重值较大的粒子，即对粒子集进行重采样： 　　（4） 　　在重采样之后，真实状态附近的粒子权重值将会大。 　　通过以上的优化过程，使得粒子集在权重值更新前更加趋向于高似然区域，从而解决了粒子贫乏问题。同时，优化过程使得远离真实状态的粒子趋向于真实状态出现概率较大的区域，提高了每个粒子的作用效果。于是，粒子滤波需要大量粒子才能进行精确状态预