[发明专利]基于并行遗传重采样的粒子滤波技术

说明书

技术领域

本发明涉及非线性滤波算法领域，具体涉及一种采用并行遗传算法进行重采样的粒子滤 波方法。

背景技术

粒子滤波算法是基于贝叶斯采样估计的序贯重要采样(SIS：Sequential Importance  Sampling)滤波思想，Hammersley等在20世纪50年代末就提出了基本的SIS方法，并在60 年代得到了进一步发展。但由于上述研究始终未能解决粒子匮乏现象以及计算量约束等问 题，因此未引起人们的重视。直到八十年代末，计算机计算能力的进一步提升以及1993年 一种新的基于SIS的自举(Bootstrap)非线性滤波器方法被Gordon等人提出，才真正为粒 子滤波算法的广泛研究与实际应用奠定了基础。

粒子滤波具有适用于非线性系统及非高斯噪声环境的优点，因而被逐渐应用于视觉影像 跟踪、信号跟踪、语音音频信号增强、机器人控制、故障诊断和导航定位等诸多领域。 不过，由于粒子滤波自身存在退化现象及因简单随机重采样引起的匮乏现象，仍然制约 着其在实际问题中广泛应用。因此，面对这些问题也提出了诸多其它的解决方法。

国内外学者一直关注粒子滤波算法的改进，为了解决粒子的退化以及匮乏现象，一些学 者试图利用进化算法来改善粒子滤波算法的性能。Clapp等将模拟退火思想引入粒子滤波中， 提出了模拟退火粒子滤波，该算法引入退火重要性采样和中间分布的概念，改善了出现先验 尾部观测值时的算法性能。Torma将局部搜索的思想引入粒子滤波的采用过程中，可以解决 观测比较准确情况下粒子滤波的耗尽问题。由于遗传算法和序列蒙特卡罗重要性采样有些类 似，Ronghua等提出将遗传算法(GA：Genetic Algorithm)和粒子滤波相结合的方法，使得 采用后的粒子的多样性更好。

从近些年的研究状况来看，将包括遗传算法在内的进化算法与粒子滤波相结合是提高滤 波性能的发展趋势，在故障检测、目标跟踪、运动状态估计、机器人控制方面都有很高的研 究价值与应用前景。

在遗传算法的应用过程中，一个比较突出的问题是它容易产生早熟现象，这将严重影响 遗传算法的应用效果。另一方面，遗传算法与粒子滤波结合使用时，由于需要对较大规模的 粒子群体进行遗传操作，从而使得算法的进化过程缓慢，为提高遗传算法进行速度通常引入 并行遗传算法，不仅提高了运算速度，也有维持群体多样性的能力，从而可以一定程度上抑 制早熟现象的发生。不过，并行遗传算法需运行于并行机或局域网上，这对于很多无实时性 要求的问题并无必要，因此当遇到这样的问题时，可以利用并行遗传算法的思想，对简单遗 传算法进行改进，设计伪并行遗传算法并与粒子滤波相结合，不但可有效克服早熟现象，而 且进一步扩展了算法的应用范围。

发明内容

本发明的目的在于利用并行遗传算法改进粒子滤波，抑制其退化现象及因简单随机重采 样引起的粒子匮乏问题，提高粒子多样性及自适应性，进而改善粒子滤波的性能精度。同时 由于采用了并行遗传算法，也有效的提高了粒子滤波器的计算效率，改善了滤波实时性。

本发明的目的是通过以下技术方案来实现：

为解决上述技术问题，本发明提出了一种基于并行遗传重采样的粒子滤波方法，根据本 时刻得到的重要性采样粒子，生成新的粒子集，所述方法包括如下步骤：

1、设定初始种群并围绕重要性分布函数即系统状态转移概率分布函数进行采样，从而 产生由粒子个体组成的集合作为初始群体；

2、按信息交换模型划分初始群体，分组计算个体的适应度并对划分的各子群体进行独 立的遗传选择、交叉、变异操作；

3、经过遗传操作后，再计算各群体中个体的适应度并根据信息交换模型产生新一代的 群体，设定一定的进化终止条件，当满足时则输出优化结束，否则进入下一代的遗传操作。

本发明的有益效果主要体现在：本发明提供了一种改进的粒子滤波器，利用并行遗传算 法对粒子群体进行优化，引导其向状态高似然区移动，同时能够抑制粒子滤波的退化现象， 保证粒子的多样性及适应性，改善粒子匮乏问题，进在一定程度上提高了算法的效率，从而 改善了粒子滤波的综合应用性能。

附图说明

图1是根据本发明的实施例所述的基于并行遗传重采样的粒子滤波器的流程示意图；

图2是根据本发明的实施例所述的基于并行遗传重采样的粒子群体优化实现方法流程 图。

具体实施方式