智能优化粒子滤波算法综述研究

来源:用户上传      作者:

　　摘要：本文針对粒子滤波算法的退化及重采样使得样本枯竭问题，从进化类优化算法、群智能算法和人工神经网络三种智能优化算法入手，研究了各智能优化算法融入基本的粒子滤波算法的文献，旨在改善基本的粒子滤波算法的精度，为研究其它的智能优化粒子滤波算法打下理论基础。
　　关键词：智能优化算法；粒子滤波；退化；重采样
　　中图分类号：TN713 文献标识码：A 文章编号：1007-9416（2019）01-0138-02
　　0 引言
　　滤波的先决条件是给系统建立数学模型，包括状态方程和观测方程。通常系统模型具有复杂的非线性和非高斯分布的特性。通常，适用于非线性系统的滤波方法中只有粒子滤波适用于非高斯系统的的滤波问题[1]。
　　但是基本粒子滤波随着滤波时间的增加避免不了会出现大量计算浪费在对估计不起任何作用的微小粒子上，为了解决这种问题，引入重采样来去除那些权值小的粒子，保留并复制那些权值较大的粒子[2]。重采样带来的负面作用是具有较大权值的粒子被多次选取，从而损失了粒子的多样性。
　　针对粒子滤波算法的退化及重采样使得样本枯竭问题，利用智能优化算法代替重采样过程，旨在改善非线性滤波的滤波精度，本文基于此，梳理了相关文献，研究了智能优化粒子滤波算法综述。
　　1 进化类算法优化粒子滤波算法
　　进化类优化算法主要包含遗传算法和免疫算法，而进化类算法优化粒子滤波算法也是主要围绕这两种优化算法的。
　　文献[3]应用遗传算法的进化思想来优化重采样算法，将粒子权值作为适应度值，合理设定阈值，利用最佳个体保存法保存高适应度粒子，利用自适应交叉、变异操作对低适应度粒子进行进化，将高适应度粒子与进化粒子组合成新的粒子集进行状态估计。
　　文献[4]针对经典PF算法存在的权值退化问题，PF算法中融入人工免疫算法，依据粒子权值的大小对采样的粒子进行变异处理，然后搜索最优粒子，迫使粒子集合向真实后验分布概率较高的区域移动，从而间接地使取样粒子的建议分布函数和真实后验分布相似。
　　2 群智能算法优化粒子滤波算法
　　群智能优化算法是受社会昆虫（蚂蚁、蜜蜂等）和群居脊椎动物（鸟群、鱼群和兽群等）的启发而出现的优化算法。
　　文献[5]针对粒子滤波算法权值退化和多样性匮乏造成的滤波精度下降问题，提出了权值抖动萤火虫算法和不完全重采样结合的方法来改进粒子滤波。
　　文献[6]提出一种基于果蝇优化思想的粒子滤波算法。该方法将粒子权值作为个体适应度值，并将果蝇不断从低浓度的地方飞向高浓度的地方的觅食寻优过程引入到粒子滤波当中，驱使粒子不断向高似然区域移动，提高了粒子群的整体质量。
　　文献[7]针对标准粒子滤波采用次优的重要性函数而导致的粒子退化问题，提出一种基于蝴蝶优化的改进粒子滤波算法。通过蝴蝶算法优化粒子滤波的重要性采样过程，使得远离真实状态的粒子向真实状态可能性较大的区域移动。
　　文献[8]针对现有无线传感器网络目标跟踪算法中粒子滤波存在的粒子退化和样本贫化缺陷，在重采样阶段引入人工鱼群算法优化粒子分布状况，使粒子更贴近真实值，增加了有效粒子数目，使粒子多样性得到增强，改善了粒子贫化问题。
　　文献[9]提出基于鸽群优化思想改进的粒子滤波算法。将鸽群不断从较远位置飞向适应度值高的地方的归巢过程引入到粒子滤波中，驱使粒子不断向高似然区域移动。
　　文献[10]针对标准粒子滤波重采样过程中对粒子的直接删除会导致粒子贫化，并且综合性价比不高的问题，提出了用蝙蝠算法优化粒子滤波的机动目标跟踪方法。该方法使粒子向高似然区域移动。
　　文献[11]提出基于布谷鸟算法优化的粒子滤波。为保证粒子多样性，当均匀分布的随机数大于阈值时，利用改进的鸟窝寻优方法更新粒子位置，部分粒子向高似然区移动，部分在低似然区。
　　3 人工神经网络优化粒子滤波算法
　　在人工神经网络的各种算法中，BP算法是一种最常用的算法。文献[12]提出一种基于BP神经网络的粒子滤波算法，调整较小权值的粒子，分裂较大权值的粒子，从而提高跟踪精度。
　　4 结语
　　本算法综述旨在改善非线性滤波的滤波精度，解决粒子滤波算法的退化及重采样使得样本多样性消失问题，为研究其它的智能优化算法优化粒子滤波算法打下理论基础。
　　参考文献
　　[1] 周凤岐，卢晓东.最优估计理论[M].北京：高等教育出版社，2009.
　　[2] 朱志宇.粒子滤波算法及其应用[M].北京：科学出版社，2010.
　　[3] 杜正聪，邓寻.基于自适应遗传算法的粒子滤波器[J].成都理工大学学报（自然科学版），2017，44（5）：636-640.
　　[4] 齐永磊，陈西宏，谢泽东.基于人工免疫粒子滤波算法的MIMO-SCFDE系统信道估计方法[J].探测与控制学报，2018，40（5）：82-87.
　　[5] 曹洁，荆银银，王进花.基于改进的萤火虫算法优化粒子滤波方法[J].兰州理工大学学报，2018，44（4）：84-89.
　　[6] 韩锟，张赫.基于果蝇优化算法改进的粒子滤波及其在目标跟踪中的应用[J].湖南大学学报（自然科学版），2018，45（10）：130-138.
　　[7] 刘云涛.基于蝴蝶优化的粒子滤波算法[J].信息技术与网络安全，2018，37（7）：37-41.
　　[8] 邬春明，宫皓泉，王艳娇等.基于改进粒子滤波的无线传感器网络目标跟踪算法[J].南京邮电大学学报（自然科学版），2017，37（5）：82-87.
　　[9] 韩锟，张赫.基于鸽群优化改进的粒子滤波算法[J].传感器与微系统，2018，37（11）：139-142.
　　[10] 陈志敏，吴盘龙，薄煜明等.基于自控蝙蝠算法智能优化粒子滤波的机动目标跟踪方法[J].电子学报，2018，46（4）：886-894.
　　[11] 白晓波，邵景峰，和征.基于布谷鸟算法优化的粒子滤波[J].计算机工程与设计，2018，39（11）：3401-3407.
　　[12] 谢世龙，周玉国，刘真.一种基于神经网络的粒子滤波算法设计[J].自动化技术与应用，2017，36（11）：1-4.
　　Abstract：Aiming at the problem of the degradation and sample exhaustion caused by and resampling of particle filtering algorithm， this paper studies the literature on the integration of the intelligent optimization algorithms into the basic particle filtering algorithm from evolutionary optimization algorithm， swarm intelligence algorithm and artificial neural network， aiming at improving the accuracy of the basic particle filtering algorithm and laying a theoretical foundation for other intelligent optimization particle filtering algorithms.
　　Key words：intelligent optimization algorithm； particle filtering； degradation； resampling
转载注明来源:https://www.xzbu.com/8/view-14760555.htm