專利名稱：：適用于非線性隨機系統(tǒng)狀態(tài)的粒子濾波重采樣方法
技術領域：
：本發(fā)明涉及一種濾波方法，具體涉及非線性隨機系統(tǒng)狀態(tài)估計的粒子濾波重采樣方法。
背景技術：
：非線性隨機系統(tǒng)狀態(tài)估計問題廣泛存在于信號處理及其相關領域中。盡管經過了近半個世紀的發(fā)展，但非線性隨機系統(tǒng)狀態(tài)濾波方法還較不成熟。一方面，這是由于非線性隨機系統(tǒng)的復雜性、多樣性所造成的；另一方面，由于非線性隨機系統(tǒng)中各種不同隨機噪聲的存在，導致狀態(tài)濾波更加困難，影響了狀態(tài)濾波的準確率，為非線性隨機系統(tǒng)狀態(tài)濾波帶來了較大的困難。20世紀80年代以來，非線性隨機系統(tǒng)狀態(tài)濾波方法受到越來越多的關注，其中最常用的是擴展卡爾曼濾波器。由于擴展卡爾曼濾波器的核心思想是對隨機系統(tǒng)的非線性模型作線性近似，而且其噪聲是基于高斯假設的，因此其對強非線性非高斯隨機系統(tǒng)狀態(tài)的濾波性能不佳。實際應用中擴展卡爾曼濾波僅對某些特定的非線性隨機系統(tǒng)有效，對于一般的非線性非高斯隨機系統(tǒng)狀態(tài)擴展卡爾曼濾波不能保證其收斂且濾波誤差較大。而在實際情況中非線性非高斯隨機系統(tǒng)狀態(tài)濾波問題更具普遍意義?；诖艘环N在非線性非高斯隨機系統(tǒng)狀態(tài)濾波方面具有獨到優(yōu)勢的新濾波方法一粒子濾波(Particlefiltering)在近年來得到了迅速的發(fā)展，該方法以非參數化的Monte-Carlo模擬為特色，有效克服了擴展卡爾曼濾波的缺點。由于粒子濾波在處理非線性非高斯隨機系統(tǒng)狀態(tài)濾波問題方面有獨到的優(yōu)勢，已成為當前非線性非高斯隨機系統(tǒng)狀態(tài)濾波問題的一個研究熱點，并在國外已經開始被應用于視頻與圖像處理、導航與定位、目標跟蹤、無線通信、狀態(tài)監(jiān)測和故障診斷等領域。粒子濾波是遞歸貝葉斯狀態(tài)估計的一種模擬實現方法，其核心是使用一個具有相應權值的隨機樣本集合來表示所求系統(tǒng)狀態(tài)的后驗概率密度。該方法的基本思路是選取一個重要性概率密度并從中進行隨機抽樣，得到一些帶有相關權值的狀態(tài)樣本(粒子)后，在狀態(tài)觀測的基礎上調節(jié)權值的大小和粒子的位置，使用這些樣本來近似表示系統(tǒng)狀態(tài)的后驗概率密度，最后利用這個近似后驗概率密度得到系統(tǒng)狀態(tài)的估值。當粒子數趨于無窮時這種概率近似將等同于系統(tǒng)狀態(tài)的真實概率密度。粒子濾波采用樣本形式而不是函數形式對狀態(tài)概率分布進行描述，使其不需要對狀態(tài)變量的概率分布作過多的約束，是目前最適合于非線性非高斯隨機系統(tǒng)狀態(tài)的濾波方法。粒子濾波是近年來出現的新方法，其理論和實現方法本身仍有大量的問題需要解決。從粒子濾波提出開始，粒字退化問題就是人們一直致力于解決的粒子濾波固有的一個重要問題，而粒子重采樣正是解決粒子退化問題的主要手段之一。粒字退化是指在粒子濾波器隨時間不斷向前進行的過程中，大部分粒子逐漸遠離系統(tǒng)真實狀態(tài)，這使大部分粒子的權值極低。這些權值極低的粒子對狀態(tài)濾波幾乎不起作用，降低了狀態(tài)濾波中的有效粒子數目，進而降低了狀態(tài)濾波的精度。粒子重采樣依據粒子權值從現有粒子群中產生一個新粒子群，使該新粒子群的粒子聚集在系統(tǒng)真實狀態(tài)附近。標準粒子濾波方法(SIR)采用多項式重采樣方法，在一定程度上緩解了粒字退化問題。輔助粒子濾波方法(APF)利用當前時刻系統(tǒng)狀態(tài)觀測值對上一時刻的粒子進行重采樣，從中選出在當前時刻更接近系統(tǒng)真實狀態(tài)的粒子。實際應用中該方法的濾波精度在系統(tǒng)噪聲較小時好于標準粒子濾波方法，但當系統(tǒng)噪聲較大時精度不如標準粒子濾波方法。SIR和APF都是在一個離散概率分布上進行重采樣，從而都存在粒子多樣性匱乏問題。與SIR和APF的重采樣方法不同，正則化粒子濾波方法(RPF)利用正則化方法獲得一個連續(xù)概率分布并在其上進行重采樣，從而改善了粒子多樣性匱乏問題，但它有一個理論上的缺陷，即重采樣后所得的離散概率分布不再能保證是漸進地收斂到系統(tǒng)狀態(tài)真實概率分布。實際應用中當粒子多樣性匱乏問題較嚴重時該方法好于SIR和APF。高斯粒子濾波方法(GPF)在SIR的基礎上采用一個高斯分布來近似系統(tǒng)狀態(tài)真實概率分布，并且在該高斯分布上進行重采樣。當高斯假設成立時該算法是漸進最優(yōu)算法。綜上所述，以上四種方法各有特點，在其所適合的應用范圍內都是比較有效的。然而在實際非線性系統(tǒng)狀態(tài)濾波中，系統(tǒng)狀態(tài)觀測似然函數常常具有雙峰特性，這會導致上述重采樣方法得到的粒子群并不完全聚集在系統(tǒng)真實狀態(tài)附近，.進而使狀態(tài)濾波精度較差。當系統(tǒng)狀態(tài)變量的觀測似然函數具有雙峰特性時，該觀測似然函數除了在系統(tǒng)真實狀態(tài)附近形成一個峰值區(qū)域(稱為區(qū)域l)外，在遠離系統(tǒng)真實狀態(tài)的某區(qū)域(稱為區(qū)域2)還會形成另一個峰值區(qū)域。如果僅利用該觀測似然函數給粒子賦權值，除了在系統(tǒng)真實狀態(tài)附近的粒子具有較高的權值外，在遠離系統(tǒng)真實狀態(tài)的某區(qū)域里的粒子也會具有較高的權值。這時，依據上述權值進行重采樣得到的新粒子群中的粒子并不完全聚集在系統(tǒng)真實狀態(tài)附近。
發(fā)明內容本發(fā)明為了解決現有粒子濾波方法在對非線性系統(tǒng)狀態(tài)進行濾波時，因系統(tǒng)狀態(tài)變量的觀測似然函數具有雙峰特性而導致重采樣得到的粒子群并不完全聚集在真實系統(tǒng)狀態(tài)附近，使狀態(tài)濾波精度較差的問題，提供一種適用于非線性隨機系統(tǒng)狀態(tài)的粒子濾波重采樣方法。所述非線性隨機系統(tǒng)的狀態(tài)空間模型如下<formula>formulaseeoriginaldocumentpage6</formula>(1)<formula>formulaseeoriginaldocumentpage6</formula>(2)其中，/g和/g是已知非線性函數，w和^分別是概率密度函數已知的系統(tǒng)噪聲和觀測噪聲，Xk是/c時刻的系統(tǒng)狀態(tài)，y/c是/c時刻;0c的觀測值；令y/c代表/c時刻系統(tǒng)真實狀態(tài)的觀測值<formula>formulaseeoriginaldocumentpage6</formula>代表/c時刻的狀態(tài)樣本集合<formula>formulaseeoriginaldocumentpage6</formula>代表從<formula>formulaseeoriginaldocumentpage6</formula>中重采樣得到的狀態(tài)樣本集合，<formula>formulaseeoriginaldocumentpage6</formula>代表一個狀態(tài)樣本集合，這里<formula>formulaseeoriginaldocumentpage6</formula>(3)上述各狀態(tài)樣本的觀測值可利用下式計算<formula>formulaseeoriginaldocumentpage6</formula>本發(fā)明粒子濾波重采樣方法的步驟為步驟一、得到當前時刻/c時的系統(tǒng)狀態(tài)觀測值w后，將最近三個時刻的系統(tǒng)狀態(tài)觀測值組成系統(tǒng)狀態(tài)觀測向量V^(y;c-2，yw，w};分別計算各狀態(tài)樣本觀測值并組成狀態(tài)樣本觀測向量<formula>formulaseeoriginaldocumentpage6</formula>步驟二、計算上述兩種觀測向量的相似程度S(/)如下5(/)=5化，};(/))，/=1，2，...，見(5)其中，S(.)代表某種能度量兩個向量相似性的函數；利用指數函數處理S(/)得到S'(/)如下/(/)=e""(')，/=l，2，...，iV(6)其中，a是一個需預先指定的比例因子，cr>0,s'(/)>0;利用自然對數函數處理S(/)得到SV)如下/(/)—ln(X0/;r+p)l，l，2，…，W(7)其中，/3是一個需預先指定的參數，/3>0，s'(/)^);這里，)S的作用只是為了避免當sW-0時l/n(sW/n)卜~;步驟三、計算狀態(tài)樣本X^(/)的權值o/w(/)如下0')"力)xp(力—，|x』)，/=l，2，..，W(8)歸一化o/w(/)如下/Wa-K』)/!>:-=!，u(9)步驟四、以樣本權值為選中概率，從粒子群((Xw(/'),o^(/)):/'-1，2,…，N沖選取并復制狀態(tài)樣本到新狀態(tài)樣本集合{/^1(/):/'=1，...,/\(}。本發(fā)明的方法基于下述原理實現如果一個粒子的觀測路徑靠近系統(tǒng)狀態(tài)的觀測路徑，則該粒子的路徑應靠近系統(tǒng)狀態(tài)的路徑。利用這兩種觀測路徑的相似性來調整上述粒子權值，使區(qū)域1中粒子具有較大權值而區(qū)域2中粒子具有較小權值，再依據調整后的粒子權值進行重采樣。從而克服了系統(tǒng)狀態(tài)觀測似然函數具有雙峰特性所帶來的濾波精度較差的問題。本發(fā)明方法中利用了粒子觀測向量和系統(tǒng)狀態(tài)觀測向量的相似程度來調整參與重采樣的粒子的權值。該方法不同于現有粒子濾波的重采樣方法，是現有粒子濾波重采樣方法所不具備的。本發(fā)明適用于一般非線性隨機系統(tǒng)狀態(tài)濾波問題的求解，在系統(tǒng)狀態(tài)觀測似然函數具有雙峰特性時該重采樣方法優(yōu)于現有粒子濾波重采樣方法，能有效地提高非線性隨機系統(tǒng)狀態(tài)的濾波精度。圖1是采用誤差均方根值(RMSE)評價各算法性能的仿真結果示意圖。圖中PAP代表使用皮爾遜相關系數函數時本方法結果，PM代表使用夾角函數時本方法結果，SIR代表使用標準粒子濾波方法的仿真結果，APF代表輔助粒子濾波方法的仿真結果，RPF代表正則化粒子濾波方法的仿真結果，GPF代表高斯粒子濾波方法的仿真結果。具體實施例方式具體實施方式一下面具體說明本實施方式的適用于非線性隨機系統(tǒng)狀態(tài)的粒子濾波重采樣方法。所述非線性隨機系統(tǒng)的狀態(tài)空間模型如下""w)(系統(tǒng)模型)(1)凡=//^，1^)(觀測方程)(2)其中，".J和/7(^)是已知非線性函數，W和^分別是概率密度函數已知的系統(tǒng)噪聲和觀測噪聲，A是/C時刻的系統(tǒng)狀態(tài)，y/c是/C時刻A的觀測值；令^代表/c時刻系統(tǒng)真實狀態(tài)的觀測值，{^(/):/=1，...，A/)代表/c時刻的狀態(tài)樣本集合，{/"/):/'=1,...,//}代表從{;("/):/'=1，...，/\(}中重采樣得到的狀態(tài)樣本集合，""/'):/'=1，...,//}代表一個狀態(tài)樣本集合，這里4W:K/)麵l，2,."iV(3)上述各狀態(tài)樣本的觀測值可利用下式計算y:(o"":(o,o)(4)本發(fā)明粒子濾波重采樣方法的步驟為步驟一、得到當前時刻/c時的系統(tǒng)狀態(tài)觀測值y/c后，將最近三個時刻的系統(tǒng)狀態(tài)觀測值組成系統(tǒng)狀態(tài)觀測向量V^(yk-2，y^，分別計算各狀態(tài)樣本觀測值并組成狀態(tài)樣本觀測向量>^/)={/^2(/)，yw(/)，j/"/》；步驟二、計算上述兩種觀測向量的相似程度S(/)如下s(/)=Sfc，l^,))，/=l,2,...，(5)其中，S(.)代表某種能度量兩個向量相似性的函數；利用指數函數處理S(/)得到S、/)如下<formula>formulaseeoriginaldocumentpage9</formula>(6)其中，a是一個需預先指定的比例因子，or>0，s'(/')>0,.利用自然對數函數處理s(/)得到s'(/)如下<formula>formulaseeoriginaldocumentpage9</formula>(7)其中，j8是一個需預先指定的參數，]8>0，s'(/^0;這里，]8的作用只是為了避免當SW-0時I/A7(SW/JT)|—oo,—般jS的取值應較??；步驟三、計算狀態(tài)樣本;OM(/)的權值o/w(/')如下<formula>formulaseeoriginaldocumentpage9</formula>(8)歸一化oA.l(/)如下<formula>formulaseeoriginaldocumentpage9</formula>(9)步驟四、以樣本權值為選中概率，從粒子群{(^1(/),0;/(-1(/)):/=1,2，...，1\1沖選取并復制狀態(tài)樣本到新狀態(tài)樣本集合{/^1(/):/=1,...，//}。采用本重采樣方法的粒子濾波的步驟為步驟A、得到當前系統(tǒng)狀態(tài)的觀測值w后，計算上述(0Jw(/):/'-1，2，...，1^，從粒子群《;^(/)，ovi(/)):^，2，…，N沖重采樣得到樣本集合《x'w(/):/t1,…，A/);步驟B、禾1擁系統(tǒng)模型傳遞{//(.1(/):/-1，...，/\(}得到樣本集合{;^/):/=1，...，/\(};步驟C、計算每個樣本x"/)的似然函數值p(yklA(/))和歸一化權值g"/)如下(10)步驟D、估計系統(tǒng)狀態(tài)A如下<formula>formulaseeoriginaldocumentpage9</formula>(ii)步驟E、返回步驟A。具體實施方式二本實施方式與實施方式一的不同點在于，在步驟二中使用兩向量間的皮爾遜相關系數函數或兩向量間的夾角函數作為度量兩個向量相似性的函數。在使用皮爾遜相關系數函數時s(/)的取值范圍是-1^s(/)"，在使用夾角函數時S(/)的取值范圍是0SS(/>:x。本方法在被應用于如下具有代表性的觀測似然函數有雙峰特性的非線性系統(tǒng)中時，系統(tǒng)狀態(tài)濾波精度優(yōu)于SIR,APF，RPF和GPF算法。25jca—i2l+x十8cos(L2A:)+w我們使用粒子總數A/=500、^-廣/V(0，10)、v廣A/(0，1)，^=0.1。當使用皮爾遜相關系數函數時取0F1;當使用夾角函數時取)8=0.0000001。一次仿真運行時間為5000個時間點。首先進行10次仿真運行，采用誤差均方根值(RMSE)評價各算法性能，仿真結果顯示在圖1中。圖中PAP代表使用皮爾遜相關系數函數時本方法結果，PAA代表使用夾角函數時本方法結果。在同樣條件下再進行100次仿真運行，采用100次仿真運行的RMSE的平均值和方差來評價上述各方法性能，仿真結果顯示在下表l中。表l<table>tableseeoriginaldocumentpage10</column></row><table>權利要求1、適用于非線性隨機系統(tǒng)狀態(tài)的粒子濾波重采樣方法，所述非線性隨機系統(tǒng)的狀態(tài)空間模型如下xk＝f(xk-1，uk-1)(1)yk＝h(xk，vk)(2)其中，f(.)和h(.)是已知非線性函數，uk和vk分別是概率密度函數已知的系統(tǒng)噪聲和觀測噪聲，xk是k時刻的系統(tǒng)狀態(tài)，yk是k時刻xk的觀測值；令yk代表k時刻系統(tǒng)真實狀態(tài)的觀測值，{xk(i)i＝1，...，N}代表k時刻的狀態(tài)樣本集合，<mathsid="math0001"num="0001"><math><![CDATA[<mrow><mo>{</mo><msub><msup><mi>x</mi><mo>*</mo></msup><mi>k</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>:</mo><mi>i</mi><mo>=</mo><mn>1</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mi>N</mi><mo>}</mo></mrow>]]></math>id="icf0001"file="A2008101369190002C1.tif"wi="32"he="5"top="96"left="35"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>代表從{xk(i)i＝1，...，N}中重采樣得到的狀態(tài)樣本集合，{x′k(i)i＝1，...，N}代表一個狀態(tài)樣本集合，這里x′k(i)＝f(xk-1(i)，0)，i＝1，2，..，N(3)上述各狀態(tài)樣本的觀測值可利用下式計算<mathsid="math0002"num="0002"><math><![CDATA[<mrow><msubsup><mi>y</mi><mi>k</mi><mo>*</mo></msubsup><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>=</mo><mi>h</mi><mrow><mo>(</mo><msubsup><mi>x</mi><mi>k</mi><mo>*</mo></msubsup><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>,</mo><mn>0</mn><mo>)</mo></mrow></mrow>]]></math></maths>yk(i)＝h(xk(i)，0)(4)y′k(i)＝h(x′k(i)，0)，i＝1，2，..，N其特征在于本方法的步驟為步驟一、得到當前時刻k時的系統(tǒng)狀態(tài)觀測值yk后，將最近三個時刻的系統(tǒng)狀態(tài)觀測值組成系統(tǒng)狀態(tài)觀測向量Yk＝{yk-2，yk-1，yk}；分別計算各狀態(tài)樣本觀測值并組成狀態(tài)樣本觀測向量<mathsid="math0003"num="0003"><math><![CDATA[<mrow><msub><mi>Y</mi><mi>k</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>=</mo><mo>{</mo><msub><msup><mi>y</mi><mo>*</mo></msup><mrow><mi>k</mi><mo>-</mo><mn>2</mn></mrow></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>,</mo><msub><mi>y</mi><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>,</mo><msub><msup><mi>y</mi><mo>&prime;</mo></msup><mi>k</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>}</mo><mo>;</mo></mrow>]]></math>id="icf0003"file="A2008101369190002C3.tif"wi="55"he="6"top="186"left="80"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>步驟二、計算上述兩種觀測向量的相似程度s(i)如下s(i)＝S(Yk，Yk(i))，i＝1，2，...，N.(5)其中，S(.)代表某種能度量兩個向量相似性的函數；利用指數函數處理s(i)得到s＊(i)如下s*(i)＝eα×s(i)，i＝1，2，...，N(6)其中，a是一個需預先指定的比例因子，a＞0，s＊(i)＞0；利用自然對數函數處理s(i)得到s＊(i)如下s*(i)＝|ln(s(i)/π+β)|，i＝1，2，...，N(7)其中，β是一個需預先指定的參數，β＞0，s＊(i)≥0；這里，β的作用只是為了避免當s(i)＝0時|In(s(i)/π)|→∞；步驟三、計算狀態(tài)樣本xk-1(i)的權值ω＊k-1(i)如下<mathsid="math0004"num="0004"><math><![CDATA[<mrow><msubsup><mi>&omega;</mi><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow><mo>*</mo></msubsup><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>=</mo><msup><mi>s</mi><mo>*</mo></msup><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>&times;</mo><mi>p</mi><mrow><mo>(</mo><msub><mi>y</mi><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>|</mo><msub><mi>x</mi><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>,</mo><mi>i</mi><mo>=</mo><mn>1,2</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>,</mo><mi>N</mi><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>8</mn><mo>)</mo></mrow></mrow>]]></math></maths>歸一化ω＊k-1(i)如下<mathsid="math0005"num="0005"><math><![CDATA[<mrow><msub><mi>&omega;</mi><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>=</mo><msubsup><mi>&omega;</mi><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow><mo>*</mo></msubsup><mo>/</mo><munderover><mi>&Sigma;</mi><mrow><mi>n</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><msubsup><mi>&omega;</mi><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow><mo>*</mo></msubsup><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><mo>,</mo><mi>i</mi><mo>=</mo><mn>1,2</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>,</mo><mi>N</mi><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>9</mn><mo>)</mo></mrow></mrow>]]></math></maths>步驟四、以樣本權值為選中概率，從粒子群{(xk-1(i)，ωk-1(i))i＝1，2，...，N}中選取并復制狀態(tài)樣本到新狀態(tài)樣本集合<mathsid="math0006"num="0006"><math><![CDATA[<mrow><mo>{</mo><msub><msup><mi>x</mi><mo>*</mo></msup><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>:</mo><mi>i</mi><mo>=</mo><mn>1</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mi>N</mi><mo>}</mo><mo>.</mo></mrow>]]></math>id="icf0006"file="A2008101369190003C3.tif"wi="37"he="5"top="116"left="99"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>2、根據權利要求1所述的適用于非線性隨機系統(tǒng)狀態(tài)的粒子濾波重采樣方法，其特征在于在步驟二中使用兩向量間的皮爾遜相關系數函數或兩向量間的夾角函數作為度量兩個向量相似性的函數；在使用皮爾遜相關系數函數時s(/)的取值范圍是-1"(/>1，在使用夾角函數時s(/)的取值范圍是0&(/>ir。全文摘要適用于非線性隨機系統(tǒng)狀態(tài)的粒子濾波重采樣方法，本發(fā)明涉及一種濾波方法，具體涉及非線性隨機系統(tǒng)狀態(tài)估計的粒子濾波重采樣方法。它是為解決對非線性隨機系統(tǒng)狀態(tài)進行濾波時，因系統(tǒng)狀態(tài)觀測似然函數具有雙峰特性使狀態(tài)濾波精度較差的問題。該重采樣方法中利用粒子觀測向量和系統(tǒng)狀態(tài)觀測向量的相似程度來調整參與重采樣的粒子的權值。本發(fā)明適用于一般非線性隨機系統(tǒng)的狀態(tài)濾波問題，當系統(tǒng)狀態(tài)觀測似然函數具有雙峰特性時，該方法可以提高粒子濾波器對非線性隨機系統(tǒng)狀態(tài)的濾波精度。文檔編號G06K9/00GK101339610SQ200810136919公開日2009年1月7日申請日期2008年8月13日優(yōu)先權日2008年8月13日發(fā)明者喬立巖,宇彭,彭喜元,軍梁申請人:哈爾濱工業(yè)大學