基于廣義ＵＴ變換的交互式多模型粒子濾波算法

《基于廣義ＵＴ變換的交互式多模型粒子濾波算法》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。

1、第６期電子學(xué)報(bào)Ｖｏｌ．３８Ｎｏ．６２０１０年６月ＡＣＴＡＥＬＥＣＴＲＯＮＩＣＡＳＩＮＩＣＡＪｕｎ．２０１０基于廣義ＵＴ變換的交互式多模型粒子濾波算法胡振濤，潘泉，楊峰（西北工業(yè)大學(xué)自動(dòng)化學(xué)院，陜西西安７１００７２）摘要：針對(duì)粒子濾波中重采樣過(guò)程與優(yōu)化提議分布的處理方式導(dǎo)致的粒子潰退和算法實(shí)時(shí)性下降問(wèn)題，通過(guò)廣義ＵＴ變換原理和卡爾曼濾波預(yù)測(cè)更新機(jī)制的引入，實(shí)現(xiàn)當(dāng)前量測(cè)信息對(duì)于狀態(tài)估計(jì)結(jié)果的直接優(yōu)化，給出了一種基于廣義ＵＴ變換的粒子濾波算法．另外，將改進(jìn)后算法與交互式多模型相結(jié)合，進(jìn)而提出了一種基于廣義ＵＴ

2、變換的交互式多模型粒子濾波算法．理論分析和仿真結(jié)果表明：新算法在計(jì)算復(fù)雜度方面與標(biāo)準(zhǔn)粒子濾波相近，在濾波精度方面優(yōu)于標(biāo)準(zhǔn)粒子濾波及其改進(jìn)算法．關(guān)鍵詞：混合系統(tǒng)；粒子濾波；交互式多模式；廣義ＵＴ變換中圖分類號(hào)：ＴＰ３９１文獻(xiàn)標(biāo)識(shí)碼：Ａ文章編號(hào)：０３７２２１１２（２０１０）０６１４４３０６ＩｎｔｅｒａｃｔｉｎｇＭｕｌｔｉｐｌｅＭｏｄｅｌＰａｒｔｉｃｌｅＦｉｌｔｅｒｉｎｇＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎＧｅｎｅｒａｌｉｚｅｄＵｎｓｃｅｎｔｅｄＴｒａｎｓｆｏｒｍａｔｉｏｎＨＵＺｈｅｎｔａｏ，ＰＡＮＱｕａ

3、ｎ，ＹＡＮＧＦｅｎｇ（ＣｏｌｌｅｇｅｏｆＡｕｔｏｍａｔｉｏｎ，ＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ，Ｓｈａａｎｘｉ７１００７２，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｏｓｏｌｖｅｔｈｅｐａｒｔｉｃｌｅｓｉｍｐｏｖｅｒｉｓｈｍｅｎｔａｎｄｔｈｅｒｅａｌｔｉｍｅｄｅｃｌｉｎｅｃａｕｓｅｄｂｙｒｅｓａｍｐｌｉｎｇａｎｄｔｈｅｐｒｏｐｏｓａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｐｔｉｍｉｚａｔｉｏｎ，ａｎｏｖｅｌｐａｒｔｉｃｌｅｆｉｌｔｅｒｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏ

4、ｎｇｅｎｅｒａｌｉｚｅｄｕｎｓｃｅｎｔｅｄｔｒａｎｓｆｏｒｍａｔｉｏｎｉｓｐｒｏｐｏｓｅｄ．ＴｈｅｇｅｎｅｒａｌｉｚｅｄｕｎｓｃｅｎｔｅｄｔｒａｎｓｆｏｒｍａｎｄｔｈｅｏｎｅｓｔｅｐｓｔａｔｅｐｒｅｄｉｃｔｉｏｎａｎｄｏｂｓｅｒｖａｔｉｏｎｕｐｄａｔｅｏｆＫａｌｍａｎｆｉｌｔｅｒａｒｅｉｎｔｒｏｄｕｃｅｄｔｏｒｅａｌｉｚｅｔｈｅｏｐｔｉｍｉｚａｔｉｏｎｏｆｓｔａｔｅｅｓｔｉｍａｔｉｏｎｂｙｔｈｅｌａｔｅｓｔｏｂｓｅｒｖａｔｉｏｎｉｎｆｏｒｍａｔｉｏｎ．Ｔｈｅｎ，ｂｙｍｅａｎｓｏｆｃｏｍｂｉｎｉｎｇｔ

5、ｈｅｉｍｐｒｏｖｅｄａｌｇｏｒｉｔｈｍｗｉｔｈｉｎｔｅｒａｃｔｉｎｇｍｕｌｔｉｐｌｅｍｏｄｅｌ，ｔｈｅｉｎｔｅｒａｃｔｉｎｇｍｕｌｔｉｐｌｅｍｏｄｅｌｐａｒｔｉｃｌｅｆｉｌｔｅｒｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｇｅｎｅｒａｌｉｚｅｄｕｎｓｃｅｎｔｅｄｔｒａｎｓｆｏｒｍａｔｉｏｎｉｓｐｒｏｐｏｓｅｄ．Ｔｈｅｔｈｅｏｒｅｔｉｃａｌａｎａｌｙｓｉｓａｎｄｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｎｅｗａｌｇｏｒｉｔｈｍｉｓｃｌｏｓｅｔｏｔｈｅｓｔａｎｄａｒｄｐａｒｔｉｃｌｅｆｉｌｔｅ

6、ｒｉｎｃｏｍｐｕｔａｔｉｏｎａｌｃｏｍｐｌｅｘｉｔｙａｎｄｓｕｐｅｒｉｏｒｔｏｔｈｅｓｔａｎｄａｒｄｐａｒｔｉｃｌｅｆｉｌｔｅｒａｎｄｉｔｓｉｍｐｒｏｖｅｄａｌｇｏｒｉｔｈｍｓｉｎｐｒｅｃｉｓｉｏｎ．Ｋｅｙｗｏｒｄｓ：ｈｙｂｒｉｄｓｙｓｔｅｍ；ｐａｒｔｉｃｌｅｆｉｌｔｅｒｉｎｇ；ｉｎｔｅｒａｃｔｉｎｇｍｕｌｔｉｐｌｅｍｏｄｅｌ；ｇｅｎｅｒａｌｉｚｅｄｕｎｓｃｅｎｔｅｄｔｒａｎｓｆｏｒｍａｔｉｏｎＰＦ替換ＩＭＭ中的次優(yōu)濾波器，以提升濾波估計(jì)精度，并１引言［４，５］取得較好的估計(jì)結(jié)果．在復(fù)雜混合系統(tǒng)的建模

7、中，考慮到狀態(tài)演化形式的在粒子濾波中一個(gè)普遍存在的問(wèn)題就是粒子退化多樣性和環(huán)境的復(fù)雜性，建立其能夠包含各種情況的全現(xiàn)象，其實(shí)質(zhì)是隨著迭代次數(shù)增加，濾波器中用以逼近局統(tǒng)計(jì)模型是不現(xiàn)實(shí)的，一般采用多模型算法．在此類后驗(yàn)概率分布采樣粒子有效性減弱的表現(xiàn)［６，７］．針對(duì)粒方法中，以交互式多模型算法（ＩＭＭ）較為優(yōu)越，它采用子退化現(xiàn)象的解決，目前主要有兩種思路：重采樣和提一種模型“軟切換”機(jī)制，實(shí)現(xiàn)模型可靠辨識(shí)和狀態(tài)有效議分布優(yōu)選．重采樣過(guò)程的引入一定程度上抑制了粒子［１，２］估計(jì)之間的平衡．對(duì)于線性系統(tǒng)，ＩＭＭ

8、中子濾波器退化現(xiàn)象，但同時(shí)也造成了粒子枯竭問(wèn)題．一般在重采通常采用卡爾曼濾波（ＫＦ），在一定程度上補(bǔ)償了折中樣過(guò)程后引入ＭＣＭＣ（ＭａｒｋｏｖＣｈａｉｎＭｏｎｔｅＣａｒｌｏ）移動(dòng)處平衡過(guò)程所帶來(lái)濾波精度的損失．然而，對(duì)于非線性系理，使得粒子集趨于平穩(wěn)分布，實(shí)現(xiàn)粒子間相關(guān)性的減統(tǒng)，子濾波器中次優(yōu)濾波器的采用將進(jìn)一步加大折中策弱和粒子多樣性的增強(qiáng)，然而算法實(shí)現(xiàn)過(guò)程需要完成三［３］略對(duì)于濾波估計(jì)的不利影響，導(dǎo)致濾波精度的下降．次粒子采樣和粒子權(quán)重