应用粒子群优化的高斯粒子滤波-福州大学学报.pdf

第４３卷 第１期 福州大学学报（自然科学版） Ｖｏｌ．４３Ｎｏ．１ ２０１５年２月 ＪｏｕｒｎａｌｏｆＦｕｚｈｏｕＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ） Ｆｅｂ．２０１５ ＤＯＩ：１０．７６３１／ｉｓｓｎ．１０００－２２４３．２０１５．０１．００５４ 文章编号：１０００－２２４３（２０１５）０１－００５４－０７ 应用粒子群优化的高斯粒子滤波 戴曼娜，林培杰，程树英，苏诗荐，郑柏春 （福州大学微纳器件与太阳能电池研究所，福建 福州　３５０１１６） 摘要：针对高斯粒子滤波（ＧＰＦ）在多峰高斯假设条件下不能满足贝叶斯估计精度的问题，提出一种基于粒子 群优化的高斯粒子滤波算法（ＰＳＯ－ＧＰＦ）．该算法用粒子群优化算法更新高斯建议分布的参数，解决粒子退化 和多峰高斯下的粒子精度问题．同时，带压缩因子的粒子群优化算法能有效平衡粒子的全局探测与局部开采． 实验结果表明，新算法的滤波精度比高斯粒子滤波精度平均可提高９３．９％，具有更高的稳定性． 关键词：高斯粒子滤波；粒子群优化；压缩因子；高斯分布 中图分类号：ＴＰ３９１　 文献标识码：Ａ Ｇａｕｓｓｉａｎｐａｒｔｉｃｌｅｆｉｌｔｅｒｉｎｇｕｓｉｎｇｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ ＤＡＩＭａｎｎａ，ＬＩＮＰｅｉｊｉｅ，ＣＨＥＮＧＳｈｕｙｉｎｇ，ＳＵＳｈｉｊｉａｎ，ＺＨＥＮＧＢｏｃｈｕｎ （ＩｎｓｔｉｔｕｔｅｏｆＭｉｃｒｏ－ＮａｎｏＤｅｖｉｃｅｓ＆ＳｏｌａｒＣｅｌｌｓ，ＦｕｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，Ｆｕｚｈｏｕ，Ｆｕｊｉａｎ３５０１１６，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｕｎｄｅｒｔｈｅｃｏｎｄｉｔｉｏｎｏｆｍｕｌｔｉ－ｐｅａｋＧａｕｓｓｉａｎｈｙｐｏｔｈｅｓｉｓ，ｇｅｎｅｒａｌＧａｕｓｓｉａｎｐａｒｔｉｃｌｅｆｉｌｔｅｒｉｎｇ （ＧＰＦ）ｄｉｓｓａｔｉｓｆｉｅｓｔｈｅａｃｃｕｒａｃｙｏｆＢａｙｅｓｉａｎｅｓｔｉｍａｔｉｏｎ．ＴｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａＧａｕｓｓｉａｎｐａｒｔｉｃｌｅｆｉｌｔｅ ｒｉｎｇａｌｇｏｒｉｔｈｍｕｓｉｎｇｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ（ＰＳＯ－ＧＰＦ）．Ｔｈｅｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ （ＰＳＯ）ａｌｇｏｒｉｔｈｍｉｓａｐｐｌｉｅｄｔｏｕｐｄａｔｅｔｈｅｐａｒａｍｅｔｅｒｓｏｆｔｈｅＧａｕｓｓｉａｎｐｒｏｐｏｓａｌｄｉｓｔｒｉｂｕｔｉｏｎｔｏｅａｓｅｔｈｅ ｐａｒｔｉｃｌｅｄｅｇｒａｄａｔｉｏｎａｎｄｓｏｌｖｅｔｈｅｐｒｅｃｉｓｉｏｎｉｎｔｈｅｍｕｌｔｉ－ｐｅａｋＧａｕｓｓｉａｎｃａｓｅ．Ｍｅａｎｗｈｉｌｅ，ｔｈｅＰＳＯ ａｌｇｏｒｉｔｈｍｊｏｉｎｅｄｔｈｅｃｏｍｐｒｅｓｓｉｏｎｆａｃｔｏｒｓｅｆｆｅｃｔｉｖｅｌｙｂａｌａｎｃｅｓｔｈｅｇｌｏｂａｌｄｅｔｅｃｔｉｏｎａｎｄｌｏｃａｌｍｉｎｉｎｇｏｆ ｔｈｅｐａｒｔｉｃｌｅｓ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｅｃｉｓｉｏｎｏｆｔｈｅｎｅｗｆｉｌｔｅｒｉｎｇｉｍｐｒｏｖｅｓａｖｅｒａｇｅｌｙ ｂｙ９３．９％ ａｎｄｈａｓｈｉｇｈｅｒｓｔａｂｉｌｉｔｙｗｈｅｎｃｏｍｐａｒｅｄｗｉｔｈｔｈｅＧＰＦ． Ｋｅｙｗｏｒｄｓ：Ｇａｕｓｓｉａｎｐａｒｔｉｃｌｅｆｉｌｔｅｒｉｎｇ；ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ；ｃｏｍｐｒｅｓｓｉｂｉｌｉｔｙｆａｃｔｏｒ；Ｇａｕｓｓｉａｎ ｄｉｓｔｒｉｂｕｔｉｏｎ ０　引言 高斯粒子滤波（Ｇａｕｓｓｉａｎｐａｒｔｉｃｌｅｆｉｌｔｅｒｉｎｇ，ＧＰＦ）是一种免重采样粒子滤波算法，通过蒙特卡罗方法直 接获取分布的估计均值和协方差，避免了重要性重采样带来的样本贫化问题，改善了算法的收敛特性和 并行实现，在非线性系统中应用广泛［１－２］．但由于高斯粒子滤波是假定在贝叶斯最优估计框架下滤波的， 预测概率分布采用单峰高斯分布，当真实后验分布为多峰分布时，单峰高斯假设就不能满足贝叶斯估计 精度．与其他粒子滤波理论相似，ＧＰＦ算