一種用于解決非線性濾波問題的新型粒子濾波算法

1、一種用于解決非線性濾波問題的新型粒子濾波算法王法勝趙清杰(北京理工大學(xué)計(jì)算機(jī)科學(xué)技術(shù)學(xué)院北京100081摘要粒子濾波算法受到許多領(lǐng)域的研究人員的重視,該算法的主要思想是使用一個帶有權(quán)值的粒子集合來表示系統(tǒng)的后驗(yàn)概率密度。在擴(kuò)展卡爾曼濾波和Unscented卡爾曼濾波算法的基礎(chǔ)上,本文提出一種新型粒子濾波算法。首先用Unscented卡爾曼濾波器產(chǎn)生系統(tǒng)的狀態(tài)估計(jì),然后用擴(kuò)展卡爾曼濾波器重復(fù)這一過程并產(chǎn)生系統(tǒng)在k時(shí)刻的最終狀態(tài)估計(jì)。在實(shí)驗(yàn)中,針對非線性程度不同的兩種系統(tǒng),分別采用五種粒子濾波算法進(jìn)行實(shí)驗(yàn)。結(jié)果證明,本文所提出算法的各方面性能都明顯優(yōu)于其他四種粒子濾波算法。關(guān)鍵字非線性濾波;擴(kuò)展卡

2、爾曼濾波器;Unscented卡爾曼濾波器;粒子濾波器;MKPF1引言眾所周知,卡爾曼濾波器1-2是解決線性高斯問題的最優(yōu)濾波方法,但是在現(xiàn)實(shí)世界中,人們所面臨的問題大都是非線性非高斯的,因此非線性濾波問題是極為普遍的,許多領(lǐng)域都涉及到,其中包括統(tǒng)計(jì)信號處理、經(jīng)濟(jì)學(xué)、生物統(tǒng)計(jì)學(xué),以及工程領(lǐng)域中的通信3、雷達(dá)跟蹤4、目標(biāo)跟蹤5,6、汽車定位7、導(dǎo)航7-8、機(jī)器人定位9-12等等。解決非線性濾波問題最為普遍的方法是擴(kuò)展卡爾曼濾波器(extended Kalman filter, EKF。但是該方法只適用于弱非線性的系統(tǒng),對于強(qiáng)非線性系統(tǒng),很容易導(dǎo)致發(fā)散。最近,研究人員提出一種新的用于解決非線性濾波

3、問題的濾波器,它是基于這樣一種考慮:近似一種高斯分布要比近似任何一種非線性方程容易的多。他們將這種濾波器稱為Unscented卡爾曼濾波器(UKF13-15。實(shí)驗(yàn)證明UKF給出的估計(jì)結(jié)果比EKF更準(zhǔn)確,尤其是它能給出更精確的系統(tǒng)狀態(tài)方差估計(jì)。然而,UKF的使用具有一定的限制,它不適用于一般的非高斯分布的模型。解決非線性濾波問題的一種更新的方法是粒子濾波器(particle filter, PF,其基本思想是用一組帶有權(quán)值的粒子集合來表示解決問題時(shí)需要的后驗(yàn)概率密度16,然后用這一近似的表示來計(jì)算系統(tǒng)的狀態(tài)估計(jì)。在過去幾年里,粒子濾波器在許多領(lǐng)域取得了成功的應(yīng)用。自粒子濾波器被第一次提出以來,經(jīng)

4、過幾年的發(fā)展,現(xiàn)在已經(jīng)出現(xiàn)多種粒子濾波器,例如擴(kuò)展卡爾曼粒子濾波器(EKPF13、Unscented粒子濾波器(UPF 13、輔助粒子濾波器(Auxiliary particle filter 17、高斯粒子濾波器(Gaussian particle filter18、高斯加和粒子濾波器(Gaussian sum particle filter19、PARZEN粒子濾波器20,以及由我國的李良群提出的迭代擴(kuò)展卡爾曼粒子濾波器(Iterated EKPF21等等。在EKF和UKF的基礎(chǔ)上,本文提出一種新型粒子濾波算法,稱之為混合卡爾曼粒子濾波器(mixed Kalman particle fil

5、ter, MKPF。它將EKF、UKF一起作為建議分布。在時(shí)刻k,首先用Unscented卡爾曼濾波器產(chǎn)生系統(tǒng)的狀態(tài)估計(jì),然后用擴(kuò)展卡爾曼濾波器重復(fù)這一過程并產(chǎn)生系統(tǒng)在k時(shí)刻的最終狀態(tài)估計(jì)。本文第2節(jié)介紹了PF的基本原理;第3節(jié)介紹了EKF和UKF;第4節(jié)結(jié)合EKF和UKF,提出了新的粒子濾波算法;第5節(jié)給出比較實(shí)驗(yàn)結(jié)果;第6節(jié)為結(jié)論。2粒子濾波器假設(shè)動態(tài)系統(tǒng)的狀態(tài)空間模型為:本課題主要受北京理工大學(xué)基礎(chǔ)基金(200501F4210及計(jì)算機(jī)科學(xué)技術(shù)基金資助,部分受到國家自然科學(xué)基金(60503050資助.王法勝,男,1983年生,碩士研究生,主要研究方向?yàn)榱Ｗ訛V波技術(shù)及其應(yīng)用. Email:

6、wangfashion. 趙清杰,女,1966年生,博士,副教授,碩士研究生導(dǎo)師.主要研究方向?yàn)橹悄芸刂萍夹g(shù),機(jī)器視覺,非線性濾波技術(shù),醫(yī)學(xué)圖像處理等. Email: qingjie.zhao.,(11-=k k k k v x f x (1,(k k k k u x h z =(2k x 表示系統(tǒng)在k 時(shí)刻所處的狀態(tài),k z 表示k 時(shí)刻的測量向量,兩個函數(shù)x v x n n n k f :和z u x n n n k h :分別表示系統(tǒng)的狀態(tài)轉(zhuǎn)移函數(shù)和測量函數(shù),k v ,k u 分別表示系統(tǒng)的過程噪聲以及測量噪聲。粒子濾波算法最先由Gordon 在文獻(xiàn)22中提出,它為離散時(shí)間的遞歸濾波問題

7、提供了一種近似的貝葉斯解決方法,其基本思想是構(gòu)造一個基于樣本的后驗(yàn)概率密度函數(shù)。用N i i k i k w x 1:0,=表示系統(tǒng)后驗(yàn)概率密度函數(shù)|(:1:0k k z x p 的粒子集合,其中i k x :0, i =1,N 是支持樣本集,相應(yīng)的權(quán)值為N i w ik,.,1,=,且滿足11=Ni i kw,而,.,0,:0k j x x j k =表示到時(shí)刻k 系統(tǒng)所有狀態(tài)的集合,所以時(shí)刻k 的后驗(yàn)密度可以近似表示為:=-Ni ik k i k k k x x w z x p 1:0:0:1:0(|(3于是就有了一種表示真實(shí)后驗(yàn)密度|(:1:0k k z x p 的離散帶權(quán)近似表示,而那

8、些關(guān)于數(shù)學(xué)期望的復(fù)雜計(jì)算(通常帶有復(fù)雜的積分運(yùn)算就可以簡化為和運(yùn)算了,如:k k k k k dx z x p x g x g E :0:1:0:0:0|(=(4可以近似為:(=Ni i k i k k x g w x g E 1:0:0(5許多粒子濾波器依賴于重要采樣技術(shù),粒子權(quán)值就是根據(jù)重要采樣技術(shù)來選擇的23-24,因此,建議分布的設(shè)計(jì)就顯得非常重要。如果根據(jù)重要密度|(:1:0k k z x q 選擇粒子,那么粒子的權(quán)值可以定義為,|(|(:1:0:1:0k ik k ik i kz x q z x p w (6在時(shí)刻k -1,如果已經(jīng)得到k -1時(shí)刻后驗(yàn)密度|(1:11:0-k ik

9、 z x p 的近似表示的粒子集合,下一步就是用一個新的粒子集合來近似表示k 時(shí)刻的后驗(yàn)密度|(:1:0k ik z x p 。為了得到一種遞歸的表示方法,可以將選擇的重要密度函數(shù)因式分解為,|(,|(|(1:11:0:11:0:1:0-=k k k k k k k z x q z x x q z x q(7然后,通過將獲得的新狀態(tài),|(:11:0:0k k k i k z x x q x -加入到已知的粒子集合i k x 1:0-|(1:11:0-k k z x q 中,得到新的粒子集合|(:1:0:0k k i k z x q x 。根據(jù)貝葉斯規(guī)則,可以得到權(quán)值更新方程如下:|(:1:0k

10、 k z x p =|(|(,|(1:11:1:01:1:0-k k k k k k k z z p z x p z x z p=|(|(,|(,|(1:11:11:01:11:01:1:0-k k k k k k k k k k z z p z x p z x x p z x z p=|(|(|(|(1:111:11:0-k k k k k k k k z z p x x p x z p z x p|(|(|(1:11:01-k k k k k k z x p x x p x z p(8將(7和(8代人(6,得到權(quán)值更新方程如下:,|(|(|(|(,|(|(|(|(:11:0111:11:0

11、:11:01:11:01k i k i k i k i k ik k i k k ik k i k i k k ik i k i k i k k ikz x x q x x p x z p w z x q z x x q z x p x x p x z p w - (9為了得到一種更為簡單的形式,假設(shè),|(,|(1:11:0k k k k k k z x x q z x x q -=(即假設(shè)方程(1所描述的是一個一階馬爾可夫過程,這就意味著重要密度只取決于1-k x 和k z ,因此,修正的權(quán)值為,|(|(|(111k ik i k ik i k i k k i k ik z x x q x

12、x p x z p ww - (10基本粒子濾波算法的一個主要問題是退化問題,即經(jīng)過幾步迭代以后,除了極少數(shù)粒子外,其他的粒子權(quán)值小到可以忽略不計(jì)的程度。減少退化現(xiàn)象影響的方法一般有兩種,一是選擇好的重要密度函數(shù),另一種是使用再采樣技術(shù)13,22-24。再采樣方法就是去除那些權(quán)值較小的粒子,而復(fù)制權(quán)值較大的粒子。目前存在多種再采樣算法,如殘差采樣、最小方差采樣、多項(xiàng)式采樣等。本文使用殘差采樣算法。文獻(xiàn)13給出了標(biāo)準(zhǔn)粒子濾波器算法。3 擴(kuò)展卡爾曼濾波器與Unscented 卡爾曼濾波器 3.1 擴(kuò)展卡爾曼濾波器擴(kuò)展卡爾曼濾波器中系統(tǒng)的狀態(tài)分布用高斯隨機(jī)變量(GRV 來表示。在某一時(shí)刻,EKF 方

13、法將系統(tǒng)的非線性方程在當(dāng)前關(guān)于系統(tǒng)狀態(tài)x 的估計(jì)處,展開成一階泰勒展式。EKF 的具體算法參見文獻(xiàn)1,2。 以EKF 作為建議分布就得到了擴(kuò)展卡爾曼粒子濾波器(EKPF 。由于EKF 用泰勒展式將系統(tǒng)的非線性方程進(jìn)行線性化,使得系統(tǒng)的非線性性質(zhì)不能得到很好的描述,該算法只能達(dá)到一階的精度。EKPF 的具體算法參見文獻(xiàn)13。 3.2 Unscented 卡爾曼濾波器(UKFUnscented 變換是計(jì)算進(jìn)行非線性傳遞的隨機(jī)向量概率的一種方法15,它是基于這樣一種考慮:近似一種概率分布比近似一種任意的非線性方程或者非線性變換要容易的多14,15。設(shè)x 是x n 維的隨機(jī)向量,z xn n g :是

14、一非線性函數(shù)z =g (x ,考慮將x 通過非線性函數(shù)g 傳遞,假定x 的均值和協(xié)方差分別為x 和x P 。為了計(jì)算關(guān)于z 的統(tǒng)計(jì)量,我們首先選擇2x n +1個帶有權(quán)值的樣本點(diǎn)(也稱SIGMA 點(diǎn),i i i W S =,使其能夠完全獲取隨機(jī)變量x 的真實(shí)的均值和協(xié)方差。SIGMA 點(diǎn)的選擇以及權(quán)值的確定是根據(jù)以下方程,x =0x i x x i n i P n x ,.,1(=+= x x ni x x i n n i P n x x2,.,1(+=+-=-(11+=x m n W (01(2(0+-+=x c n W x x c i m i n i n W W 2, (1(21(=+=(

15、12其中x x n n -+=(2是一個尺度調(diào)節(jié)因子,決定了我們選擇的SIGMA 點(diǎn)在其均值x 附近的分布情況,通常將設(shè)置為一個很小的正值(如0.001。是次級尺度調(diào)節(jié)因子,通常設(shè)置為0,是用來結(jié)合關(guān)于x 的分布的先驗(yàn)知識(對于高斯分布,的最佳取值為2。i x x P n (+是矩陣x x P n (+平方根的第i 行,i W 表示第i 個SIGMA 點(diǎn)的權(quán)值,且滿足W i =1。(m i W 是用來計(jì)算均值(mean的權(quán)值,(c i W 是用來計(jì)算協(xié)方差(covariance的權(quán)值,二者除在初始情況下不同外,在x n i 2,.,1=時(shí)都是一樣的。將每個SIGMA 點(diǎn)通過非線性函數(shù)向前傳遞,

16、x i i n i g Z 2,.,0(=(13通過計(jì)算可以得到z 的均值和協(xié)方差的估計(jì),=xn i i m i Z W z 20(14=-=xn i T i i c i z z Z z Z W P 20(15UKF 是UT 的直接擴(kuò)展,系統(tǒng)的狀態(tài)分布仍然用一個高斯隨機(jī)變量來表示,用一個經(jīng)過選擇的SIGMA 點(diǎn)的集合來具體表示,但是狀態(tài)隨機(jī)變量被重新定義為原始狀態(tài)和噪聲變量的擴(kuò)張向量(a ugmentedTT kT k T ka k u v x x =,上標(biāo)T 表示轉(zhuǎn)秩。方程(11用來獲得相應(yīng)的SIGMA 矩陣(T T u kT v kT x ka k=。通常,EKF 和UKF 都使用高斯近似

17、來表示先驗(yàn)以及后驗(yàn)密度。但是,UKF 同樣能夠準(zhǔn)確的獲得在先驗(yàn)和后驗(yàn)密度上的離散度。關(guān)于UKF 算法的實(shí)現(xiàn),請參考文獻(xiàn)13-15。在粒子濾波器的框架內(nèi),以UKF 作為建議分布,就得到了Unscented 粒子濾波器,詳細(xì)的UPF 算法請參考文獻(xiàn)13。 最近,李良群21等人提出了一種迭代擴(kuò)展卡爾曼粒子濾波器(IEKPF ,該算法在仿真實(shí)驗(yàn)中得到的效果要比標(biāo)準(zhǔn)例子濾波器以及EKPF 和UPF 的效果要好。在該算法中,將測量更新過程進(jìn)行迭代,以獲取更加“真實(shí)”的估計(jì)量。本文提出的MKPF 的效果比IEKPF 更好,下面進(jìn)行詳細(xì)介紹。4 混合卡爾曼粒子濾波器MKPF 采用混合的卡爾曼粒子濾波器作為建議

18、分布,仿真實(shí)驗(yàn)中得到的估計(jì)結(jié)果優(yōu)于其它幾種濾波算法,包括UPF 和IEKPF 。在時(shí)刻k ,首先用UKF 更新粒子,以獲得相應(yīng)的狀態(tài)估計(jì)值ukf ik x ,然后,分別計(jì)算系統(tǒng)模型與測量模型的雅可比矩陣,用EKF 更新粒子,此時(shí)使用UKF 已經(jīng)得到的狀態(tài)估計(jì)值ukf i k x 作為k -1時(shí)刻的狀態(tài)估計(jì),即,令i k x 1-=ukf i k x 。經(jīng)過計(jì)算得到k 時(shí)刻最終的狀態(tài)及其相應(yīng)的協(xié)方差的估計(jì)值i k x 和i k P 。從而可以從建議分布,(i ki k P x N 中抽取粒子。假設(shè)k -1時(shí)刻的狀態(tài)及相應(yīng)協(xié)方差的估計(jì)分別為i k x 1-和i k P 1-,在下一時(shí)刻k ,先使用

19、UKF 更新粒子。該過程中用到的SIGMA 點(diǎn)的選擇根據(jù)方程:ai k ,1-=a i k a a i k a i k P n x x ,1,1,1(-+ (16此后將SIGMA 點(diǎn)分別通過系統(tǒng)模型與測量模型向前傳遞,得到狀態(tài)及協(xié)方差的預(yù)測值:,(,1,1,1|v i k x i k x i k k f -=, ,(,1,1|1|ui k x i k k i k k h Z -=(17=-=an j x i k k j m j ukfik k W x20,1|,(1|(18=-=an j Tukf i k k x i k k j ukf i k k x i k k j c j ukfik k

20、x x W P201|,1|,1|,1|,(1| (19其中(m jW 和(c j W 是第j 個SIGMA 點(diǎn)的權(quán)值,u v x a n n n n +=。所以,預(yù)測的測量值的均值可以按以下方程計(jì)算得到:=-=an j i k k j m j ukfik k Z W z201|,(1|(20得到新的測量值k z 之后,更新預(yù)測狀態(tài)估計(jì)量ukf ik k x 1|-如下:(1|1|ukf i k k k k ukf i k k ukf i k z z K x x -+=(21其中1-=k k k k z z z x k P P K 為卡爾曼增益,按下面公式計(jì)算得到,=-=ak k n j Ti

21、 k k i k k j i k k i k k j c j z z z Z z Z W P 201|1|,1|1|,(22=-=ak k n j T i k k i k k j i k k i k k j c j z x z Z x W P 201|1|,1|1|,(23這樣就獲得了狀態(tài)估計(jì)值ukf ik x 。然后用EKF 執(zhí)行粒子更新過程。首先預(yù)測狀態(tài)及協(xié)方差:=-(11|i k ekf i k k x f x f (ukf i k x (24i T kk i k i T k i k i k ekf i k k G Q G F P F P ,11|+=- (25據(jù)此求取卡爾曼增益:11|

22、1|(-+=T i k ekf i k k i k T i k k i k T i k ekf i k k k H P H U R U H P K(26修正預(yù)測量得到最終所需的估計(jì)量,如下:ekf i k k i k k ekf i k k ekf i k P H K P P 1|1|-=(27ekf i k x (1|11|ekf ik k k k T i k ekf i k ekf i k k x h z R H P x -+=(28其中Q 為系統(tǒng)噪聲的協(xié)方差,R 為測量噪聲的協(xié)方差,i k F 和i k G 以及i k H 和ik U 分別為系統(tǒng)模型和測量模型的雅可比矩陣,最終求得的ek

23、fi k x 和ekf ik P 就是我們要求的k 時(shí)刻的估計(jì)量。 綜上所述,MKPF 算法可以表示如下: 算法 1: MKPF 算法(1 初始化: k =0For i =1N , 從初始先驗(yàn)密度(0x p 中抽取粒子ix 0,并設(shè): (0,0,(0,0,0,0,0,00,0,00000000R Q P diag x x x x E P x x E xx x x x E P x E x iT a i ai a i a i a i TT i a i a i T i i i i i ii =-=-= (29(2 FOR k =1,2, 1. FOR i =1,N :- 根據(jù)UKF 更新粒子: 根據(jù)

24、方程(16計(jì)算所需的SIGMA 點(diǎn). 傳遞SIGMA 點(diǎn)并計(jì)算處一步預(yù)測估計(jì)值:方程 (17 (20 獲取新的測量值k z ,根據(jù)方程(21修正一步預(yù)測估計(jì)值,獲得修正的狀態(tài)估計(jì)ukf ik x 。 - 根據(jù)EKF 更新粒子: 令i k x 1-=ukf i k x ,據(jù)方程(24(25計(jì)算狀態(tài)及相應(yīng)協(xié)方差的一步預(yù)測值。 分別求取系統(tǒng)模型及觀測模型的雅可比矩陣iki k G F & 和iki k U H &。 計(jì)算修正的狀態(tài)及協(xié)方差估計(jì)值:方程(27 (28 令ekfi k i k ekf i k i k P P x x ,=,最終求得k 時(shí)刻所需的估計(jì)量。 - 得到近似服從高斯分布的建議分布

25、,抽取樣本(粒子,(,|(:11:0ik i k k i k i k i k P x N z x x q x =- - 根據(jù)方程(10為每個樣本賦以權(quán)值i k w 。ENDFOR2. FOR i =1,N歸一化權(quán)值:=Nj j k ik i k w w w :1/。 ENDFOR3.再采樣過程:a 消除權(quán)值較小的粒子,復(fù)制權(quán)值較大的粒子,獲得N 個隨機(jī)樣本ik x :0,近似服從分布|(:1:0k k z x p .b 為每個再采樣之后的樣本粒子賦以相同的權(quán)值FOR i =1,N , ik w =1/N . ENDFOR5 實(shí)驗(yàn)結(jié)果這一部分給出本文提出的MKPF 算法的實(shí)驗(yàn)結(jié)果,并與其他幾種非

26、線性濾波算法進(jìn)行比較。共進(jìn)行兩次實(shí)驗(yàn),分別采用不同的系統(tǒng)狀態(tài)空間模型。實(shí)驗(yàn)一 假設(shè)非線性系統(tǒng)的狀態(tài)空間模型為:115.01(04.0sin1-+-+=k k k v x k x (3030+-+=k k u x u x z kk kk k (31其中k v 服從伽馬分布2,3(a ,表示系統(tǒng)噪聲,測量噪聲k u 服從高斯分布0001.0,0(N 。實(shí)驗(yàn)中使用的粒子數(shù)目為N =200個,觀測時(shí)間為T =60,進(jìn)行100次獨(dú)立實(shí)驗(yàn)。UT 參數(shù)設(shè)置為=1,=0,=2。算法的輸出為粒子集合的均值,計(jì)算公式如下:=N j jk k x N x11 (32一次獨(dú)立實(shí)驗(yàn)的均方誤差為:2/112(1-=T k

27、 k k x xT MSE (33圖2給出了不同粒子濾波器進(jìn)行一次獨(dú)立實(shí)驗(yàn)所產(chǎn)生的狀態(tài)估計(jì)結(jié)果,可以看出,在某些時(shí)刻標(biāo)準(zhǔn)粒子PF 與EKPF 產(chǎn)生的估計(jì)偏離真實(shí)值較為嚴(yán)重,但是UPF 、IEKPF 以及MKPF 所估計(jì)的狀態(tài)能較好地與真實(shí)狀態(tài)吻合,而MKPF 算法的效果最為理想。表1給出了經(jīng)過100次獨(dú)立實(shí)驗(yàn)、不同非線性濾波算法的均方誤差的均值以及方差,可以非常明顯地看出:MKPF 算法的估計(jì)精度優(yōu)于其他幾種粒子濾波算法。表1. 100次獨(dú)立實(shí)驗(yàn)后不同非線性濾波算法產(chǎn)生的均方誤差的均值與方差(實(shí)驗(yàn)一AlgorithmMSEmeanvar EKF 0.36969 0.0161216 UKF 0.

28、26812 0.0107 PF 0.19089 0.041927 EKPF 0.29028 0.015819 UPF 0.049493 0.0045229 IEKPF 0.043965 0.0010825 MKPF0.0156540.0004159圖3給出了100次獨(dú)立實(shí)驗(yàn)之后每個時(shí)刻產(chǎn)生的均方誤差的曲線,同樣表明了MKPF 算法的精度優(yōu)于其他幾種粒子濾波算法。 圖2. 不同非線性濾波算法產(chǎn)生的狀態(tài)估計(jì)曲線(實(shí)驗(yàn)一 圖3. 不同粒子濾波器產(chǎn)生的均方誤差曲線(實(shí)驗(yàn)一實(shí)驗(yàn)二 假設(shè)非線性系統(tǒng)的狀態(tài)空間模型為:115.04sin(1(04.0sin1-+-+=k k k k v x x k x (34

29、k k k k k u x x x z +-+=25(35可以看出,該系統(tǒng)具有更強(qiáng)的非線性。系統(tǒng)噪聲與測量噪聲的分布與實(shí)驗(yàn)一相同,其他參數(shù)設(shè)置同實(shí)驗(yàn)一。與實(shí)驗(yàn)一對應(yīng),圖4為獨(dú)立運(yùn)行一次產(chǎn)生的狀態(tài)估計(jì)的均值與真實(shí)狀態(tài)的對比?？梢钥吹?在幾種粒子濾波器中,EKPF 對于非線性系統(tǒng)的適應(yīng)性是最差的。以上幾種非線性濾波算法估計(jì)性能比較表如表2所示。經(jīng)過100次獨(dú)立運(yùn)行實(shí)驗(yàn)后,各粒子濾波器產(chǎn)生的均方誤差曲線如圖5,可以看到MKPF 算法的均方誤差曲線除在局部產(chǎn)生波動外,其總體誤差小于其它算法,這同樣反應(yīng)在表2中。同樣可以看出MKPF 算法得出的估計(jì)結(jié)果優(yōu)于其它幾類非線性濾波算法。表2. 100次獨(dú)立實(shí)驗(yàn)

30、后不同非線性濾波算法產(chǎn)生的均方誤差的均值與方差(實(shí)驗(yàn)二AlgorithmMSEmeanvar EKF 0.55151 0.024951 UKF 0.42119 0.021457 PF 0.36445 0.069802 EKPF 0.48043 0.02831 UPF 0.11994 0.015088 IEKPF 0.05651 0.0015319 MKPF0.0356260.0033575圖 4. 不同非線性濾波算法產(chǎn)生的狀態(tài)估計(jì)曲線（實(shí)驗(yàn)二） 圖 5. 不同粒子濾波器產(chǎn)生的均方誤差曲線（實(shí)驗(yàn)二） 結(jié)論 粒子濾波器在解決非線性非高斯濾波問題中取得了非常好的效果。綜合以上論述與實(shí) 驗(yàn)，本文提出的

31、新型粒子濾波器MKPF，該算法采用 EKF 與 UKF 混合作為建議分布，得 到一種更接近真實(shí)分布的近似表達(dá)方式。 實(shí)驗(yàn)結(jié)果表明， 新算法明顯優(yōu)于其它幾種粒子濾波 算法。 MKPF 算法的提出為非線性濾波領(lǐng)域中的問題提供了一種新的解決方法。 在下一步工 作中，我們將用 MKPF 算法解決目標(biāo)跟綜問題、以及非線性系統(tǒng)的參數(shù)估計(jì)問題。 6 參考文獻(xiàn)： 參考文獻(xiàn)： 1. Anderson B. D.O., Moore J. B. Optimal filtering. Prentice-Hall, 1979. 2. Welch G., Bishop G. An introduction to the

32、kalman filer. University of North Carolina at Chapel Hill: Technical Report, TR 95-041, 2004. 3. Djuric P. M., Kotecha J. H., et al. Particle filtering. IEEE Signal Processing Magazine, Sep. 2003, 20(5:1938. 4. Herman S.C., Moulin P. A particle filtering approach to joint radar tracking and automati

33、c target recognition. In: Proceedings of IEEE Aerospace Conference, Big Sky, Montana, 2002, 4:17891808. 5. Deng Xiaolong, Xie Jianying, Guo Weizhong. Bayesian target tracking based on particle filter. Journal of Systems Engineering and Electronics, 2005, 16(3:545549. 6. Chang Cheng, Ansari Rashid. K

34、ernel particle filter for visual tracking. IEEE Signal Processing Letters, 2005, 12(3: 242245. 7. Gustafsson F., Gunnarsson F., et al. Particle filters for positioning, navigation and tracking. IEEE Transactions on Signal Processing, 2002, 50(2:425437. 8. Kalsson Rickard. Particle filtering for posi

35、tioning and tracking applications D. Department of Electrical Engineering, Linkpings Universitet, 2005. 9. Fox D., Hightower J., Liao L., Schulz D., Borriello G. Bayesian filtering for location estimation. IEEE Pervasive Computing, 2003, 2(3:2433. 10. Rekleitis I. M. A particle filter tutorial for m

36、obile robot localization. Montreal, Quebec, Canada: Centre for Intelligent Machines, McGill University, Technical Report: TM-CIM-04-02, 2004. 11. Thrun S., Fox D., Burgard W., Dellaert F. Robust monte carlo localization for mobile robots. Artificial Intelligence, 2001, 99141. 12. Kwok C., Fox D., Me

37、ila M. Real-Time particle filters. Proceedings of the IEEE, 2004, 92(3:469484. 13. Merwe R., Doucet A., Freitas Nando de, Wan Eric. The unscented particle filter. Cambridge University, engineering department: Technical report, CUED/ F-INFENG/ TR 380, 2000. 14. Julier S. J., Uhlmann J. K. Unscented f

38、iltering and nonlinear estimation. Proceedings of the IEEE, 2004, 92(3:401422. 15. Wan Eric A., Merwe R. The unscented kalman filter for nonlinear estimation. In: Proceedings of International Symposium on Adaptive Systems for Signal Processing, Communications and Control, Alberta, Canada, 2000, 1531

39、58. 16. YUAN Ze-jian, ZHENG Nan-ning, JIA Xin-chun. The Gauss-Hermite Particle Filter, Acta Electronica Sinica, 2003, 31(7:970973. (in Chinese 袁澤劍,鄭南寧,賈新春. 高斯-厄米特粒子濾波器. 電子學(xué)報(bào), 2003, 31(7:970973. 17. Pitt M. K., Shephard N. Filtering via simulation: auxiliary particle filters. Journal of the American

40、Statistical Association, 1999, 94(2:590599. 18. Kotecha Jayesh H., Djuric Petar M. Gaussian particle filtering. IEEE Transactions on signal processing, Oct. 2003, 51(10: 25922601. 19. Jayesh H. Kotecha, Petar M. Djuric. Gaussian sum particle filtering. IEEE Transactions on signal processing, Oct. 2003, 51(10: 26022611. Background Nonlinear filtering problems generally exist in many fields such as robot, artificial intelligence, biomedicine, compute