聚类粒子群采样的粒子滤波算法.docVIP

聚类粒子群采样的粒子滤波算法 导语：?粒子滤波是一种基于蒙特卡洛方法的贝叶斯滤波技术。该算法目前被广泛应用于非线性、非高斯环境下的参数估计和状态估计以及语音信号处理、目标跟踪、自适应估计等领域。 摘要：针对粒子滤波(PF)中存在粒子贫化的现象，将粒子群优化思想引入粒子滤波中。该方法先将采样得到的粒子集通过聚类找出中心点，分别运用粒子群优化每个聚类，使粒子集可以向后验概率密度分布取值较大的区域运动，从而克服了粒子贫化的问题，并通过对粒子集的优化，很大程度地降低了所需初始粒子的数目。实验结果表明，该算法具有较高的预估精度和较好的鲁棒性。 关键词：粒子滤波；聚类；粒子群优化；贝叶斯估计 1.引言 粒子滤波【1,2】是一种基于蒙特卡洛方法的贝叶斯滤波技术。该算法目前被广泛应用于非线性、非高斯环境下的参数估计和状态估计以及语音信号处理、目标跟踪、自适应估计等领域。 基本的粒子滤波算法主要有重要性采样、权值更新和重采样三个步骤。由于在选取最优重要概率密度函数时面临诸多困难，因此采用次优重要密度函数代替，因此常规粒子滤波方法存在一些问题：（1）样本贫化问题。其原因是,重采样时,复制保留了权值较大的粒子,权值小的粒子被剔除,这样导致重采样后的粒子几乎都是少数几个粒子的后代,粒子多样性明显减弱,不能充分表征后验概率密度。过程噪声较大时,贫化问题更为严重,甚至会造成样本枯竭,即经过几个反复变成只有一个点。（2）计算的实时性问题。常规的粒子滤波方法需要大量的粒子才能保证估计精度，计算复杂度高，当系统的初始状态未知时,需要大量的粒子才能实现系统的状态预估。如果粒子集数目比较小,那么粒子可能并未分布在真实状态附近,这样经过几次迭代后,粒子很难收敛到真实状态处，为此需要大量的初始化粒子。 为了解决上述问题，文献[3]分析了最优重要密度函数选取规则及困难；PittM和ShephardN从提议重要概率分布的选取角度,提出辅助变量粒子滤波器(APF)[4]，从而增加了粒子的多样性,减小了重要性权的方差；Merwe等人提出Unscented粒子滤波器(UPF)[5],使用UKF产生PF的重要性分布,重要概率分布与真实的后验概率分布更接近。该方法将最新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。文献[6]提出了基于差分演化的粒子滤波算法(DE-PF)，该算法通过对粒子进行差分变异和差分交叉等操作，提高了粒子的利用率，但是差分演化算法和遗传算法一样，需要经过多代差分演化操作才能达到良好的滤波效果。 针对这一问题，本文在分析了粒子滤波方法不足的基础上,将聚类和粒子群优化算法引入粒子滤波采样中,通过对粒子集的优化，改善了样本的分布,加速了粒子集的收敛,使得粒子滤波的性能得到很大的提高。 2粒子滤波算法 一般的状态估计问题，可由下面的状态空间模型描述： 其中，为先验概率密度，是观测量为时的似然概率密度，为后验概率密度。从上式可知，贝叶斯定理是从先验知识（先验概率密度）开始，不断利用后续新的观测数据来修正先验知识，从而得到修正后的未知量（后验概率密度）的过程。先验概率密度得到了在新观测数据到来之前的所有未知状态变量信息，似然概率密度表示了在实际观测数据已知的前提下未知状态变量出现的概率，即粒子滤波中粒子权值的大小。通过得到新观测数据的修正，后验概率密度比先验概率密度更加接近被估计量的真实概率密度。 粒子滤波算法是贝叶斯估计框架下的序贯蒙特卡洛近似方法，它通过一系列带有权值的粒子来近似当前状态的后验估计，并由粒子及其权值的加权和来估计当前的状态。其本质就是将积分运算变为有限样本点的求和运算，利用加权粒子集来近似系统在k时刻状态的后验概率分布，其估计公式为： （4） 一般情况下，状态的后验分布不存在解析形式或者过于复杂，难以采样。此时就需要通过重要性采样来进行近似。在标准粒子滤波中，常选取状态转移密度函数为次优重要性密度函数，公式如下： （5） 常规的粒子滤波算法为了解决次优重要性函数由于权值方差增大带来的粒子退化的影响，加入了重采样步骤，其主要思想是抛弃那些权值小的粒子,复制那些权值大的粒子，但同时也带来了新的问题重采样后粒子多样性的丧失，具有较大权值的粒子被多次选取，经过若干次迭代后，样本权值的方差会随时间逐渐增大，所有的粒子都集中在一个点上，导致了粒子的贫化。 3利用聚类粒子群优化算法对粒子滤波的改进 3.1粒子群优化算法 粒子群优化算法（PSO）[7]的核心思想是群体中个体之间的信息共享能提供进化的优势。在求解最优化问题时,通常将所求问题的解设计为搜索空间中的一个粒子,第i个粒子由三部分组成：当前位置、飞行速度和粒子的适应度fitness组成。在