粒子滤波理论.docxVIP

粒子滤波理论

粒子滤波通过非参数化的蒙特卡洛(MonteCarlo)模拟方法来实现递推贝叶斯滤波，适用于任何能用状态空间模型描述的非线性系统，精度可以逼近最优估计。粒子滤波器具有简单、易于实现等特点，它为分析非线性动态系统提供了一种有效的解决方法，从而引起目标跟踪、信号处理以及自动控制等领域的广泛关注。本章首先概述用于求解目标状态后验概率的贝叶斯滤波理论，随后介绍具有普遍适用性的粒子滤波器，最后针对当前粒子滤波器存在的粒子多样性丧失问题，提出了一种量子进化粒子滤波算法。

贝叶斯滤波

动态系统的目标跟踪问题可以通过图2.1所示的状态空间模型来描述。本节在贝叶斯滤波框架下讨论目标跟踪问题。

图2.1 状态空间模型

Fig.2.1 Statespacemodel

在目标跟踪问题中，动态系统的状态空间模型可描述为

xk?f(xk?1)?uk?1

yk?h(xk)?vk

(2.1)

其中f(?),h(?)分别为状态转移方程与观测方程，xk为系统状态，yk为观测值，uk为过程

噪声，vk为观测噪声。为了描述方便，用Xk?x0:k?{x0,x1,?,xk}与Yk?y1:k?{y1,?,yk}

分别表示0到k时刻所有的状态与观测值。在处理目标跟踪问题时，通常假设目标的状态转移过程服从一阶马尔可夫模型，即当前时刻的状态xk只与上一时刻的状态xk-1有关。另外

一个假设为观测值相互独立，即观测值yk只与k时刻的状态xk有关。

贝叶斯滤波为非线性系统的状态估计问题提供了一种基于概率分布形式的解决方案。贝叶斯滤波将状态估计视为一个概率推理过程，即将目标状态的估计问题转换为利用贝叶斯公

式求解后验概率密度p(Xk|Yk)或滤波概率密度p(xk|Yk)，进而获得目标状态的最优估计。

贝叶斯滤波包含预测和更新两个阶段，预测过程利用系统模型预测状态的先验概率密度，更新过程则利用最新的测量值对先验概率密度进行修正，得到后验概率密度。

假设已知k?1时刻的概率密度函数为p(xk?1|Yk?1)，贝叶斯滤波的具体过程如下：

预测过程，由p(xk?1|Yk?1)得到p(xk|Yk?1)：

p(xk,xk?1|Yk?1)?p(xk|xk?1,Yk?1)p(xk?1|Yk?1)

(2.2)

当给定xk?1时，状态xk与Yk?1相互独立，因此

p(xk,xk?1|Yk?1)?p(xk|xk?1)p(xk?1|Yk?1)

(2.3)

上式两端对xk?1积分，可得Chapman-Komolgorov方程

p(xk|Yk?1)??p(xk|xk?1)p(xk?1|Yk?1)dxk?1

(2.4)

更新过程，由p(xk|Yk?1)得到p(xk|Yk)：

获取k时刻的测量yk后，利用贝叶斯公式对先验概率密度进行更新，得到后验概率

p(x

|Y)?

p(yk|xk,Yk?1)p(xk|Yk?1)

k k p(y

k|Yk?1)

(2.5)

假设yk只由xk决定，即

p(yk|xk,Yk?1)?p(yk|xk)

(2.6)

因此

p(x

|Y)?

p(yk|xk)p(xk|Yk?1)

k k p(y

k|Yk?1)

(2.7)

其中，p(yk|Yk?1)为归一化常数

p(yk|Yk?1)??p(yk|xk)p(xk|Yk?1)dxk

(2.8)

贝叶斯滤波以递推的形式给出后验(或滤波)概率密度函数的最优解。目标状态的最优估计值可由后验(或滤波)概率密度函数进行计算。通常根据极大后验(MAP)准则或最小均方误差(MMSE)准则，将具有极大后验概率密度的状态或条件均值作为系统状态的估计值，即

x?MAP

=argminp(x

|Y)

x?MM

x?MMSE=E[f(x)|Y]?

f(

f(x)p(x

|Y)dx

k k k

xk

(2.9)

\*

(2.10)

贝叶斯滤波需要进行积分运算，除了一些特殊的系统模型（如线性高斯系统，有限状态的离散系统）之外，对于一般的非线性、非高斯系统，贝叶斯滤波很难得到后验概率的封闭解析式。因此，现有的非线性滤波器多采用近似的计算方法解决积分问题，