高斯混合采样粒子滤波算法.docVIP

高斯混合采样粒子滤波算法?? 贝 叶斯方法为动态系统的估计问题提供了一类严谨的解决框架。它利用已知的信息建立系统的概率密度函数可以得到对系统状态估计的最优解。对于线性高斯的估计问 题，期望的概率密度函数仍是高斯分布，它的分布特性可用均值和方差来描述。卡尔曼滤波器很好地解决了这类估计问题[1]。对于非线性系统的估计问题，最经 典并得到广泛应用的方法以扩展的卡尔曼滤波为代表，这类方法需要对模型进行线性化，同时要求期望的概率密度函数满足高斯分布，然而在对实际系统建模时，模 型往往是非线性非高斯的。此时，最优估计很难实现。 ?? 粒子 （particle）滤波器——序列重要性采样粒子滤波器，是一种适用于强非线性、无高斯约束的基于模拟的统计滤波器。它利用一定数量的粒子来表示随机变 量的后验概率分布，从而可以近似得到任意函数的数学期望，并且能应用于任意非线性随机系统。本文介绍一种估计性能更好的粒子滤波算法——高斯混合采样粒子 滤波器(GMSPPF)，相比通常意义上的粒子滤波算法（SIR-PF），GMSPPF粒子滤波器具有更小的系统状态估计的均方误差和均值。 贝叶斯滤波问题 ?? 贝叶斯滤波用概率统计的方法从已观察到的数据中获得动态状态空间（DSS）模型参数。在DSS模型中，包含状态和观测两个方程。其中状态转移方程（State Equation）通常写作 ???????（1） 这里，是已知，且是白噪声独立的随机序列，而且分布是已知的。观测方程表达式写为 ????????（2） 这里：是白噪声序列，独立且分布已知。并且满足。 ?? 图1描述了DSS模型中状态转移和似然函数的关系。假设初始时刻系统的状态分布已知，k时刻的已知信息序列表示。 图1? 动态状态空间模型（DSSM） ?? 这样，贝叶斯估计的问题理解为：利用观测到的信息Yk，求解系统状态的概率分布。若系统状态的变化是隐马尔柯夫过程，即当前系统的状态信息只与上一个时刻的状态有关，可以通过预测和更新的途径求解。 ???（3） 这里： ?? （4） ?? 假设xk，wk是相互独立的随机变量，满足 。于是，参考（1）式可以把（4）式写为 ???（5） ?? 其中，是采样函数。当是已知时，xk可以通过确定性方程（1）得到。 依据贝叶斯准则，系统状态估计量 ???（6） ?? 其中， ????（7） ?? 另外，在给定 xk，vk，分布的条件下， yk的条件概率依据测量方程（2）可以表示为如下形式 ?? （8） ?? 由 （6）式可以看出，后验概率密度包含3个部分。先验概率似然函数和证据。如何获得这三项的近似是贝叶斯滤波的核心问题。更新方程（5）中观测值 用来对 的先验预测值修正，从而获得状态 的后验概率。方程（3）和（6）的递归关系构成了求解贝叶斯估计问题的两个步骤：预测与更新。如果(1)，(2)中的hk，fk是线性的，且噪声 wk，vk满足高斯白噪声，可以把贝叶斯估计问题简化为卡尔曼分析解。但这类问题仅仅是实际问题中很小的一个部分。对于更多的问题，很难得到分析解。只有 通过对问题的近似线性处理(扩展卡尔曼滤波)或其它途径（蒙特卡洛方法）实现非线性、非高斯问题的解。依据后面分析问题需要，这里重点对蒙特卡洛方法积分 进行说明。 蒙特卡洛方法 ?? 在过去的二十多年，蒙特卡洛方法得到了很大的发展。其优点就是用系列满足条件的采样点及其权重来表示后验概率密度。蒙特卡洛方法采用统计抽样和估计对数学 问题进行求解。按照其用途，可以把蒙特卡洛方法分为三类：蒙特卡洛抽样、计算、优化。其中，蒙特卡洛抽样是寻找有效的、方差很小的、用于估计的抽样方法。 蒙特卡洛计算则是设计产生满足特定要求随机数的随机发生器的问题。而蒙特卡洛优化是采用蒙特卡洛思想对实际中的非凸非差分函数优化求解。对于，可以由概率 空间p(x)中抽取N个样本，用近似值作为的解。大数定理证明：收敛于，并且满足条件。这里，是的方差。不同于确定性的数字计算，蒙特卡洛近似的一个重要 特点就是估计的精度独立于状态空间的维数。而且，积分估计的方差与采样点的个数成反比。显然，蒙特卡洛近似方法的关键点有两个：首先如何由一个样本空间中 抽取N个采样点，用来表征后验概率密度。其次就是计算。 ?? 重要性抽样（Important Sampling）解决了如何借助于已知分布来对实现有效采样的问题，由Marshall 1965年提出。当数据空间十分巨大时，重要性抽样只对其中“重要”区域进行采样，节省了计算量。对于高维采样空间模型，如统计物理学、贝叶斯统计量，这 一点尤为重要。重要性抽样的中心思想是选择一个覆盖真实分布p（x）的建议分布q（x）。这样， ?? (9) 对q（x）作蒙特卡洛抽样，假设粒子数目为N，有 ?? (10) 其中，称为重要性权重，再作归一处理， ??(11