智能優(yōu)化粒子濾波算法綜述研究

劉淑波　張園　龔麗

摘要：本文針對粒子濾波算法的退化及重采樣使得樣本枯竭問題，從進化類優(yōu)化算法、群智能算法和人工神經(jīng)網(wǎng)絡三種智能優(yōu)化算法入手，研究了各智能優(yōu)化算法融入基本的粒子濾波算法的文獻，旨在改善基本的粒子濾波算法的精度，為研究其它的智能優(yōu)化粒子濾波算法打下理論基礎。

關鍵詞：智能優(yōu)化算法；粒子濾波；退化；重采樣

中圖分類號：TN713 文獻標識碼：A 文章編號：1007-9416（2019）01-0138-02

0 引言

濾波的先決條件是給系統(tǒng)建立數(shù)學模型，包括狀態(tài)方程和觀測方程。通常系統(tǒng)模型具有復雜的非線性和非高斯分布的特性。通常，適用于非線性系統(tǒng)的濾波方法中只有粒子濾波適用于非高斯系統(tǒng)的的濾波問題[1]。

但是基本粒子濾波隨著濾波時間的增加避免不了會出現(xiàn)大量計算浪費在對估計不起任何作用的微小粒子上，為了解決這種問題，引入重采樣來去除那些權(quán)值小的粒子，保留并復制那些權(quán)值較大的粒子[2]。重采樣帶來的負面作用是具有較大權(quán)值的粒子被多次選取，從而損失了粒子的多樣性。

針對粒子濾波算法的退化及重采樣使得樣本枯竭問題，利用智能優(yōu)化算法代替重采樣過程，旨在改善非線性濾波的濾波精度，本文基于此，梳理了相關文獻，研究了智能優(yōu)化粒子濾波算法綜述。

1 進化類算法優(yōu)化粒子濾波算法

進化類優(yōu)化算法主要包含遺傳算法和免疫算法，而進化類算法優(yōu)化粒子濾波算法也是主要圍繞這兩種優(yōu)化算法的。

文獻[3]應用遺傳算法的進化思想來優(yōu)化重采樣算法，將粒子權(quán)值作為適應度值，合理設定閾值，利用最佳個體保存法保存高適應度粒子，利用自適應交叉、變異操作對低適應度粒子進行進化，將高適應度粒子與進化粒子組合成新的粒子集進行狀態(tài)估計。

文獻[4]針對經(jīng)典PF算法存在的權(quán)值退化問題，PF算法中融入人工免疫算法，依據(jù)粒子權(quán)值的大小對采樣的粒子進行變異處理，然后搜索最優(yōu)粒子，迫使粒子集合向真實后驗分布概率較高的區(qū)域移動，從而間接地使取樣粒子的建議分布函數(shù)和真實后驗分布相似。

2 群智能算法優(yōu)化粒子濾波算法

群智能優(yōu)化算法是受社會昆蟲（螞蟻、蜜蜂等）和群居脊椎動物（鳥群、魚群和獸群等）的啟發(fā)而出現(xiàn)的優(yōu)化算法。

文獻[5]針對粒子濾波算法權(quán)值退化和多樣性匱乏造成的濾波精度下降問題，提出了權(quán)值抖動螢火蟲算法和不完全重采樣結(jié)合的方法來改進粒子濾波。

文獻[6]提出一種基于果蠅優(yōu)化思想的粒子濾波算法。該方法將粒子權(quán)值作為個體適應度值，并將果蠅不斷從低濃度的地方飛向高濃度的地方的覓食尋優(yōu)過程引入到粒子濾波當中，驅(qū)使粒子不斷向高似然區(qū)域移動，提高了粒子群的整體質(zhì)量。

文獻[7]針對標準粒子濾波采用次優(yōu)的重要性函數(shù)而導致的粒子退化問題，提出一種基于蝴蝶優(yōu)化的改進粒子濾波算法。通過蝴蝶算法優(yōu)化粒子濾波的重要性采樣過程，使得遠離真實狀態(tài)的粒子向真實狀態(tài)可能性較大的區(qū)域移動。

文獻[8]針對現(xiàn)有無線傳感器網(wǎng)絡目標跟蹤算法中粒子濾波存在的粒子退化和樣本貧化缺陷，在重采樣階段引入人工魚群算法優(yōu)化粒子分布狀況，使粒子更貼近真實值，增加了有效粒子數(shù)目，使粒子多樣性得到增強，改善了粒子貧化問題。

文獻[9]提出基于鴿群優(yōu)化思想改進的粒子濾波算法。將鴿群不斷從較遠位置飛向適應度值高的地方的歸巢過程引入到粒子濾波中，驅(qū)使粒子不斷向高似然區(qū)域移動。

文獻[10]針對標準粒子濾波重采樣過程中對粒子的直接刪除會導致粒子貧化，并且綜合性價比不高的問題，提出了用蝙蝠算法優(yōu)化粒子濾波的機動目標跟蹤方法。該方法使粒子向高似然區(qū)域移動。

文獻[11]提出基于布谷鳥算法優(yōu)化的粒子濾波。為保證粒子多樣性，當均勻分布的隨機數(shù)大于閾值時，利用改進的鳥窩尋優(yōu)方法更新粒子位置，部分粒子向高似然區(qū)移動，部分在低似然區(qū)。

3 人工神經(jīng)網(wǎng)絡優(yōu)化粒子濾波算法

在人工神經(jīng)網(wǎng)絡的各種算法中，BP算法是一種最常用的算法。文獻[12]提出一種基于BP神經(jīng)網(wǎng)絡的粒子濾波算法，調(diào)整較小權(quán)值的粒子，分裂較大權(quán)值的粒子，從而提高跟蹤精度。

4 結(jié)語

本算法綜述旨在改善非線性濾波的濾波精度，解決粒子濾波算法的退化及重采樣使得樣本多樣性消失問題，為研究其它的智能優(yōu)化算法優(yōu)化粒子濾波算法打下理論基礎。

參考文獻

[1] 周鳳岐，盧曉東.最優(yōu)估計理論[M].北京：高等教育出版社，2009.

[2] 朱志宇.粒子濾波算法及其應用[M].北京：科學出版社，2010.

[3] 杜正聰，鄧尋.基于自適應遺傳算法的粒子濾波器[J].成都理工大學學報（自然科學版），2017，44（5）：636-640.

[4] 齊永磊，陳西宏，謝澤東.基于人工免疫粒子濾波算法的MIMO-SCFDE系統(tǒng)信道估計方法[J].探測與控制學報，2018，40（5）：82-87.

[5] 曹潔，荊銀銀，王進花.基于改進的螢火蟲算法優(yōu)化粒子濾波方法[J].蘭州理工大學學報，2018，44（4）：84-89.

[6] 韓錕，張赫.基于果蠅優(yōu)化算法改進的粒子濾波及其在目標跟蹤中的應用[J].湖南大學學報（自然科學版），2018，45（10）：130-138.

[7] 劉云濤.基于蝴蝶優(yōu)化的粒子濾波算法[J].信息技術(shù)與網(wǎng)絡安全，2018，37（7）：37-41.

[8] 鄔春明，宮皓泉，王艷嬌等.基于改進粒子濾波的無線傳感器網(wǎng)絡目標跟蹤算法[J].南京郵電大學學報（自然科學版），2017，37（5）：82-87.

[9] 韓錕，張赫.基于鴿群優(yōu)化改進的粒子濾波算法[J].傳感器與微系統(tǒng)，2018，37（11）：139-142.

[10] 陳志敏，吳盤龍，薄煜明等.基于自控蝙蝠算法智能優(yōu)化粒子濾波的機動目標跟蹤方法[J].電子學報，2018，46（4）：886-894.

[11] 白曉波，邵景峰，和征.基于布谷鳥算法優(yōu)化的粒子濾波[J].計算機工程與設計，2018，39（11）：3401-3407.

[12] 謝世龍，周玉國，劉真.一種基于神經(jīng)網(wǎng)絡的粒子濾波算法設計[J].自動化技術(shù)與應用，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