粒子滤波算法仿真研究 朱林富 08120361 电子信息工程学院 研08自控 .docVIP

粒子滤波算法仿真研究 朱林富电子信息工程学院 研08自控2班 张三同 副教授 电子信息工程学院 摘要：粒子滤波算法是一种基于蒙特卡洛方法和递推贝叶斯估计的非线性滤波方法。系统阐述后验概率、估计均值、加权粒子之间的关系，介绍粒子滤波三种算法-序贯重要性采样、采样重要性重采样和残差系统重采样。最后，通过一个一维非线性仿真实例，证明残差系统重采样算法比采样重要性采样精确。 关键词：粒子滤波； 递推贝叶斯估计； 采样重要性重采样； 分层系统重采样 Simulation and Study of Particle Filter Algorithm Linfu ZHU, Santong ZHANG (School of Electronic and Information Engineering,Beijing Jiaotong University) Abstract: Particle filter algorithm is a nonlinear filter algorithm based on Monte Carlo method and Recursive Bayesian estimation. The relation among posterior probability density ,estimate mean and weighted particles is elaborated. Introduce three algorithms of particle filter-sequential importance sampling, sampling importance resampling and residual system resampling. Finally, the conclusion that Residual System Resampling is more accurate than Sampling Importance Resampling is reached by one dimensional nonlinear example. Key words: particle filter ; recursive Baysian estimation ; sampling importance resampling; residual systematic resampling 1 引言 狭义滤波是指从混有噪声的信号波形中将所需要的信号波形恢复的过程。广义来讲，任何信息处理系统都可称之为滤波。粒子滤波属于广义上一种滤波，一种非线性滤波，在处理非线性非高斯系统问题上有着很明显的优势。粒子滤波，又叫做序贯蒙特卡洛方法，是一种基于采样的算法。当粒子数足够多时，粒子滤波接近于贝叶斯最优估计。 2 相关理论 粒子滤波是一种结合蒙特卡洛方法和贝叶斯理论的算法，其推导过程应用到了相关理论,在此将相关理论进行介绍。 2.1 Markov链 设为一随机过程。已知现在时刻的状态，未来状态不受过去状态的影响，只由现在状态决定，称过程具有Markov性。Markov性表明在已知现在状态的条件下，将来和过去是独立的。 若对任意时刻状态， (2.1) 该随机过程称为Markov链[1]。 2.2 Chapman-Kolmogorov方程 在概率论特别是Markov随机过程中，该方程用来表示不同坐标系上变量的联合概率分布的关系。假设随机变量是一个随机过程，是随机变量的联合概率密度函数，Chapman-Kolmogorov方程为 （2.2） 当一个随机过程具有Markov性时，Chapman-Kolmogorov方程等价于转移概率。在Markov链中，假设，因为Markov性，在时间时，条件概率是转移概率，此时的Chapman-Kolmogorov方程为[2] （2.3） 2.3 蒙特卡洛方法及采样 蒙特卡洛方法依靠重复随机采样计算结果，经常应用于模拟物理或数学系统。其基本思想是通过从真实概率分布中随机抽取一系列独立同分布的样本来接近真实概率分布。当用确定性算法无法计算精确结果时，蒙特卡洛方法是最佳选择[3]。核心公式是 ， （2.4） 是独立抽取自，每个粒子的概率相同为，该公式可用古典概率解释。抽取n个粒子，和x值相同的粒子个数占总粒子数的比例即是x的概率。根据连续函数和离散函数的期望定义，利用蒙特卡洛方法，可以得到积分值的近似解，如下式所示：