粒子濾波理論一看就懂要點

實用標(biāo)準(zhǔn)粒子濾波理論粒子濾波通過 非參數(shù)化的蒙特卡洛 (MonteCarlo) 模擬方法來實現(xiàn)遞推貝葉斯濾波 ，適用于任何能用狀態(tài)空間模型描述的非線性系統(tǒng)， 精度可以逼近最優(yōu)估計。 粒子濾波器具有簡單、易于實現(xiàn)等特點， 它為分析非線性動態(tài)系統(tǒng)提供了一種有效的解決方法， 從而引起目標(biāo)跟蹤、信號處理以及自動控制等領(lǐng)域的廣泛關(guān)注。 本章首先概述用于求解目標(biāo)狀態(tài)后驗概率的貝葉斯濾波理論， 隨后介紹具有普遍適用性的粒子濾波器， 最后針對當(dāng)前粒子濾波器存在的粒子多樣性喪失問題，提出了一種量子進化粒子濾波算法。2.1貝葉斯濾波動態(tài)系統(tǒng)的目標(biāo)跟蹤問題可以通過圖 2.1所示的狀態(tài)空間模型來描述。本節(jié)在貝葉斯濾波框架下討論目標(biāo)跟蹤問題。圖2.1 狀態(tài)空間模型Fig.2.1 Statespacemodel在目標(biāo)跟蹤問題中，動態(tài)系統(tǒng)的狀態(tài)空間模型可描述為xk f(xk1) uk1(2.1)yk h(xk) vk其中f(),h()分別為狀態(tài)轉(zhuǎn)移方程與觀測方程， xk為系統(tǒng)狀態(tài)， yk為觀測值， uk為過程文檔實用標(biāo)準(zhǔn)噪聲，vk為觀測噪聲。為了描述方便，用Xk x0:k {x0,x1,L,xk}與Yk y1:k {y1,L,yk}分別表示0到k時刻所有的狀態(tài)與觀測值。 在處理目標(biāo)跟蹤問題時， 通常假設(shè)目標(biāo)的狀態(tài)轉(zhuǎn)移過程服從一階馬爾可夫模型，即當(dāng)前時刻的狀態(tài) xk只與上一時刻的狀態(tài) xk-1有關(guān)。另外一個假設(shè)為觀測值相互獨立，即觀測值 yk只與k時刻的狀態(tài) xk有關(guān)。貝葉斯濾波為非線性系統(tǒng)的狀態(tài)估計問題提供了一種基于概率分布形式的解決方案。 貝葉斯濾波將狀態(tài)估計視為一個概率推理過程， 即將目標(biāo)狀態(tài)的估計問題轉(zhuǎn)換為利用貝葉斯公式求解后驗概率密度 p(Xk|Yk)或濾波概率密度 p(xk|Yk)，進而獲得目標(biāo)狀態(tài)的最優(yōu)估計。貝葉斯濾波包含預(yù)測和更新兩個階段， 預(yù)測過程利用系統(tǒng)模型預(yù)測狀態(tài)的先驗概率密度， 更新過程則利用最新的測量值對先驗概率密度進行修正，得到后驗概率密度。假設(shè)已知k 1時刻的概率密度函數(shù)為 p(xk1|Yk1)，貝葉斯濾波的具體過程如下：(1)預(yù)測過程，由p(xk1|Yk1)得到p(xk|Yk1)：p(xk,xk1|Yk1)p(xk|xk1,Yk1)p(xk1|Yk1)(2.2)當(dāng)給定xk1時，狀態(tài)xk與Yk1相互獨立，因此p(xk,xk1|Yk1)p(xk|xk1)p(xk1|Yk1)(2.3)上式兩端對xk1積分，可得Chapman-Komolgorov方程p(xk|Yk1) p(xk|xk1)p(xk1|Yk1)dxk1（？？？？？）(2.4)(2)更新過程，由 p(xk|Yk1)得到p(xk|Yk)：獲取k時刻的測量 yk后，利用貝葉斯公式對先驗概率密度進行更新，得到后驗概率p(yk|xk,Yk1)p(xk|Yk1)p(xk|Yk)(2.5)p(yk|Yk1)文檔實用標(biāo)準(zhǔn)假設(shè)yk只由xk決定，即p(yk|xk,Yk1)p(yk|xk)(2.6)因此p(yk|xk)p(xk|Yk1)p(xk|Yk)p(yk|Yk1)其中，p(yk|Yk1)為歸一化常數(shù)p(yk|Yk1) p(yk|xk)p(xk|Yk1)dxk

(2.7)(2.8)貝葉斯濾波以遞推的形式給出后驗 (或濾波)概率密度函數(shù)的最優(yōu)解。目標(biāo)狀態(tài)的最優(yōu)估計值可由后驗(或濾波)概率密度函數(shù)進行計算。通常根據(jù)極大后驗 (MAP)準(zhǔn)則或最小均方誤差(MMSE)準(zhǔn)則，將具有極大后驗概率密度的狀態(tài)或條件均值作為系統(tǒng)狀態(tài)的估計值，即?MAP=argminp(xk|Yk)(2.9)xkxk?MMSE=E[f(xk)|Yk]f(xk)p(xk|Yk)dxk(2.10)xk貝葉斯濾波需要進行積分運算，除了一些特殊的系統(tǒng)模型 （如線性高斯系統(tǒng)，有限狀態(tài)的離散系統(tǒng)）之外， 對于一般的非線性、非高斯系統(tǒng)，貝葉斯濾波很難得到后驗概率的封閉解析式。因此，現(xiàn)有的非線性濾波器多采用近似的計算方法解決積分問題， 以此來獲取估計的次優(yōu)解。在系統(tǒng)的非線性模型可由在當(dāng)前狀態(tài)展開的線性模型有限近似的前提下， 基于一階或二階 Taylor 級數(shù)展開的擴展 Kalman 濾波得到廣泛應(yīng)用 [119]。在一般情況下，逼近概率密度函數(shù)比逼近非線性函數(shù)容易實現(xiàn)。據(jù)此， Julier 與Uhlmann 提出一種 UnscentedKalman 濾波器，通過選定的 sigma 點來精確估計隨機變量經(jīng)非線性變換后的均值和方差，從而更好的近似狀態(tài)的概率密度函數(shù)，其理論估計精度優(yōu)于擴展 Kalman 濾波[120]。獲取次優(yōu)解的另外一中方案便是基于蒙特卡洛模擬的粒子濾波器。文檔實用標(biāo)準(zhǔn)2.2粒子濾波早在 20 世紀(jì) 50 年代， Hammersley 便采用基于序貫重要性采樣 (Sequentialimportance sampling,SIS) 的蒙特卡洛方法解決統(tǒng)計學(xué)問題 [121]。20世紀(jì)60年代后期，Handschin 與Mayne 使用序貫蒙特卡洛方法解決自動控制領(lǐng)域的相關(guān)問題 [122]。20世紀(jì)70年代，Handschin 、Akashi 以及Zaritskii 等學(xué)者的一系列研究工作使得序貫蒙特卡洛方法得到進一步發(fā)展 [123] [124, 125] [126]。限于當(dāng)時的計算能力以及算法本身存在的權(quán)值退化問題，序貫重要性采樣算法沒有受到足夠重視，在隨后較長一段時間內(nèi)進展較為緩慢。直到20世紀(jì) 80 年代末，計算機處理能力的巨大進展使得序貫蒙特卡洛方法重新受到關(guān)注。Tanizaki、Geweke 等采用基于重要性采樣的蒙特卡洛方法成功解決了一系列高維積分問題[127-130]。Smith與Gelfand提出的采樣-重采樣思想為Bayesian推理提供了一種易于實現(xiàn)的計算策略[131]。隨后，Smith與Gordon等人合作，于20世紀(jì)90年代初將重采樣(Resampling) 步驟引入到粒子濾波中，在一定程度上解決了序貫重要性采樣的權(quán)值退化問題，并由此產(chǎn)生了第一個可實現(xiàn)的 SIR(Sampling importance resampling) 粒子濾波算法(Bootstrap 濾波)[132]，從而掀起粒子濾波的研究熱潮。美國海軍集成水下監(jiān)控系統(tǒng)中的Nodestar 便是粒子濾波應(yīng)用的一個實例。進入 21世紀(jì)，粒子濾波器成為一個非常活躍的研究領(lǐng)域，Doucet、Liu、Arulampalam 等對粒子濾波的研究作了精彩的總結(jié) [133-135] ，IEEE出版的論文集“SequentialMonteCarloMethodsinPractice ”對粒子濾波器進行了詳細(xì)介紹[136]。貝葉斯重要性采樣蒙特卡洛模擬是一 種利用隨機數(shù)求解物理和數(shù)學(xué)問題的計算方法， 又稱為計算機隨機模擬方法。該方法源于第一次世界大戰(zhàn)期間美國研制原子彈的曼哈頓計劃，著名數(shù)學(xué)家馮 g諾伊曼作為該計劃的主持人之一， 用馳名世界的賭城， 摩納哥的蒙特卡洛來命名這種方法 。蒙文檔實用標(biāo)準(zhǔn)特卡洛模擬方法利用所求狀態(tài)空間中大量的樣本點來近似逼近待估計變量的后驗概率分布 ，如圖2.2所示，從而將積分問題轉(zhuǎn)換為有限樣本點的求和問題 。粒子濾波算法的核心思想便是利用一系列隨機樣本的加權(quán)和表示后驗概率密度， 通過求和來近似積分操作。 假設(shè)可以從后驗概率密度 p(xk|Yk)中抽取N個獨立同分布的隨機樣本 xk(i)，i 1,L,N，則有1p(xk|Yk)N

N(xkxk(i))(2.11)i 1這里xk為連續(xù)變量，(x-xk)為單位沖激函數(shù)(狄拉克函數(shù))，即(x-xk)0,xxk，且(x)dx1。當(dāng)xk為離散變量時，后驗概率分布P(xk|Yk)可近似逼近為1N(i))(2.12)P(xk|Yk)(xkxkNi1其中， (xk xk(i)) 1,xk xk(i); (xk x(ki)) 0,xk xk(i)。P(x)1圖2.2 經(jīng)驗概率分布函數(shù)Fig.2.2 Empiricalprobabilitydistributionfunction設(shè)xk(i)為從后驗概率密度函數(shù) p(xk|Yk)中獲取的采樣粒子，則任意函數(shù) f(xk)的期望估計可以用求和方式逼近，即E[f(xk)|Yk]1N(i))(2.13)f(xk)p(xk|Yk)dxkf(xkNi1文檔實用標(biāo)準(zhǔn)蒙特卡洛方法一般可以歸納為以下三個步驟：構(gòu)造概率模型。對于本身具有隨機性質(zhì)的問題，主要工作是正確地描述和模擬這個概率過程。對于確定性問題，比如計算定積分、求解線性方程組、偏微分方程等問題，采用蒙特卡洛方法求解需要事先構(gòu)造一個人為的概率過程，將它的某些參量視為問題的解。從指定概率分布中采樣。產(chǎn)生服從己知概率分布的隨機變量是實現(xiàn)蒙特卡洛方法模擬試驗的關(guān)鍵步驟。建立各種估計量的估計。一般說來，構(gòu)造出概率模型并能從中抽樣后，便可進行現(xiàn)模擬試驗。隨后，就要確定一個隨機變量，將其作為待求解問題的解進行估計。在實際計算中，通常無法直接從后驗概率分布中采樣，如何得到服從后驗概率分布的隨機樣本是蒙特卡洛方法中基本的問題之一。重要性采樣法引入一個已知的、容易采樣的重要性概率密度函數(shù) q(xk|Yk)，從中生成采樣粒子，利用這些隨機樣本的加權(quán)和來逼近后驗濾波概率密度p(xk|Yk)，如圖2.3所示。令{xk(i),wk(i),i1,L.N}表示一支撐點集，其中xk(i)為是k時刻第i個粒子的狀態(tài)，其相應(yīng)的權(quán)值為wk(i)，則后驗濾波概率密度可以表示為Np(xk|Yk)wk(i)(xkxk(i))(2.14)i1其中，wk(i)p(xk(i)|Yk)(2.15)q(x(i)|Y)kk文檔實用標(biāo)準(zhǔn)圖2.3 重要性采樣Fig.2.3 Importancesampling當(dāng)采樣粒子的數(shù)目很大時，式 (2.14)便可近似逼近真實的后驗概率密度函數(shù)。任意函數(shù)(xk)的期望估計為1N(i))p(xk(i)|Yk)1N(i)(i)(2.16)E[f(xk)|Yk]=f(xkq(xk(i)|Yk)Ni1f(xk)wkNi1序貫重要性采樣算法在基于重要性采樣的蒙特卡洛模擬方法中， 估計后驗濾波概率需要利用所有的觀測數(shù)據(jù)，每次新的觀測數(shù)據(jù)來到都需要重新計算整個狀態(tài)序列的重要性權(quán)值 。序貫重要性采樣作為粒子濾波的基礎(chǔ)， 它將統(tǒng)計學(xué)中的序貫分析方法應(yīng)用到的蒙特卡洛方法中， 從而實現(xiàn)后驗濾波概率密度的遞推估計。 假設(shè)重要性概率密度函數(shù) q(x0:k|y1:k)可以分解為q(x0:k|y1:k)q(x0:k1|y1:k1)q(xk|x0:k1,y1:k)(2.17)設(shè)系統(tǒng)狀態(tài)是一個馬爾可夫過程，且給定系統(tǒng)狀態(tài)下各次觀測獨立，則有kp(x0:k)p(x0)ip(xi|xi1)(2.18)1p(y1:k|x1:k)kp(yi|xi)(2.19)i1后驗概率密度函數(shù)的遞歸形式可以表示為文檔實用標(biāo)準(zhǔn)p(yk|x0:k,Yk1)p(x0:k|Yk1)p(x0:k|Yk)p(yk|Yk1)p(ykp(yk粒子權(quán)值wk(i)的遞歸形式可以表示為wk(i)

|x0:k,Yk1)p(xk|x0:k1,Yk1)p(x0:k1|Yk1)p(yk|Yk1)|xk)p(xk|xk1)p(x0:k1|Yk1)p(yk|Yk1)p(x0:(ik)|Yk)q(x0:(ik)|Yk)(i) (i) (i) (i)p(yk|xk)p(xk |xk1)p(x0:k1|Yk1)

(2.20)w(i)p(yk|xk(i))p(xk(i)|xk(i)1)k1q(xk(i)|x0:(ik)1,Yk)通常，需要對粒子權(quán)值進行歸一化處理，即(i) wk(i)w%k Nwk(i)i 1

(2.21)(2.22)序貫重要性采樣算法從重要性概率密度函數(shù)中生成采樣粒子， 并隨著測量值的依次到來遞推求得相應(yīng)的權(quán)值， 最終以粒子加權(quán)和的形式來描述后驗濾波概率密度， 進而得到狀態(tài)估計。序貫重要性采樣算法的流程可以用如下偽代碼描述：[{xk(i),wk(i)}iN1]SIS({xk(i)1,wk(i)1}iN1,Yk)Fori=1:N(1)時間更新，根據(jù)重要性參考函數(shù)q(xk(i)|x0:(ik)1,Yk)生成采樣粒子xk(i)；量測更新，根據(jù)最新觀測值計算粒子權(quán)值wk(i)；EndFor文檔實用標(biāo)準(zhǔn)粒子權(quán)值歸一化，并計算目標(biāo)狀態(tài)。為了得到正確的狀態(tài)估計， 通常希望粒子權(quán)值的方差盡可能趨近于零。 然而，序貫蒙特卡洛模擬方法一般都存在權(quán)值退化問題。 在實際計算中，經(jīng)過數(shù)次迭代，只有少數(shù)粒子的權(quán)值較大，其余粒子的權(quán)值可忽略不計。 粒子權(quán)值的方差隨著時間增大， 狀態(tài)空間中的有效粒子數(shù)較少。隨著無效采樣粒子數(shù)目的增加， 使得大量的計算浪費在對估計后驗濾波概率分布幾乎不起作用的粒子更新上，使得估計性能下降。通常采用有 效粒子數(shù)Neff來衡量粒子權(quán)值的退化程度，即NeffN/(1var(wk*(i)))(2.23)wk*(i)p(xk(i)|y1:k)(2.24)q(xk(i)|xk(i)1,y1:k)有效粒子數(shù)越小，表明權(quán)值退化越嚴(yán)重。 在實際計算中，有效粒子數(shù) Neff可以近似為?N1Neff(2.25)i1(wk(i))2在進行序貫重要性采樣時，?若Neff小于事先設(shè)定的某一閾值，則應(yīng)當(dāng)采取一些措施加以控制。克服序貫重要性采樣算法權(quán)值退化現(xiàn)象最直接的方法是增加粒子數(shù)，而這會造成計算量的相應(yīng)增加，影響計算的實時性。因此，一般采用以下兩種途徑：(1)選擇合適的重要性概率密度函數(shù)；(2)在序貫重要性采樣之后，采用重采樣方法。重要密度函數(shù)的選擇重要性概率密度函數(shù)的選擇對粒子濾波的性能有很大影響， 在設(shè)計與實現(xiàn)粒子濾波器的過程中十分重要。在工程應(yīng)用中，通常選取狀態(tài)變量的轉(zhuǎn)移概率密度函數(shù) p(xk|xk1)作為重要性概率密度函數(shù)。此時，粒子的權(quán)值為文檔實用標(biāo)準(zhǔn)wk(i) wk(i)1p(yk|xk(i)) (2.26)轉(zhuǎn)移概率的形式簡單且易于實現(xiàn)， 在觀測精度不高的場合， 將其作為重要性概率密度函數(shù)可以取得較好的濾波效果。 然而，采用轉(zhuǎn)移概率密度函數(shù)作為重要性概率密度函數(shù)沒有考慮最新觀測數(shù)據(jù)所提供的信息，從中抽取的樣本與真實后驗分布產(chǎn)生的樣本存在一定的偏差，特別是當(dāng)觀測模型具有較高的精度或預(yù)測先驗與似然函數(shù)之間重疊部分較少時， 這種偏差尤為明顯。選擇重要性概率密度函數(shù)的一個標(biāo)準(zhǔn)是使得粒子權(quán)值{wk(i)}iN1的方差最小。Doucet等給出的最優(yōu)重要性概率密度函數(shù)為q(xk(i)|xk(i)1,yk) p(x(ki)|xk(i)1,yk)p(yk|xk(i),xk(i)1)p(xk(i)|xk(i)1)p(yk|xk(i)1)p(yk|xk(i))p(xk(i)|xk(i)1)p(yk|xk(i)1) (2.27)此時，粒子的權(quán)值為w(ki) wk(i)1p(yk|x(ki)1) (2.28)以p(xk(i)|xk(i)1,yk)作為重要性概率密度函數(shù)需要對其直接采樣。此外，只有在x為有限離k散狀態(tài)或p(xk(i)|xk(i)1,yk)為高斯函數(shù)時，p(yk|xk(i)1)才存在解析解。在實際情況中，構(gòu)造最優(yōu)重要性概率密度函數(shù)的困難程度與直接從后驗概率分布中抽取樣本的困難程度等同。 從最優(yōu)重要性概率密度函數(shù)的表達形式來看， 產(chǎn)生下一個預(yù)測粒子依賴于已有的粒子和最新的觀測數(shù)據(jù)，這對于設(shè)計重要性概率密度函數(shù)具有重要的指導(dǎo)作用， 即應(yīng)該有效利用最新的觀測信息，在易于采樣實現(xiàn)的基礎(chǔ)上 ，將更多的粒子移動到似然函數(shù)值較高的區(qū)域，如圖 2.4所示。文檔實用標(biāo)準(zhǔn)圖2.4 移動粒子至高似然區(qū)域Fig.2.4 Movethesamplesinthepriortoregionsofhighlikelihood輔助粒子濾波算法利用k時刻的信息，將k1時刻最有前途(預(yù)測似然度大)的粒子擴展到k時刻[137]，從而生成采樣粒子。與SIR濾波器相比，當(dāng)粒子的似然函數(shù)位于先驗分布的尾部或似然函數(shù)形狀比較狹窄時，輔助粒子濾波能夠得到更精確的估計結(jié)果。輔助粒子濾波引入輔助變量m來表示k1時刻的粒子列表，應(yīng)用貝葉斯定理，聯(lián)合概率密度函數(shù)p(xk,m|y1:k)可以描述為p(xk,m|y1:k)p(yk|xk)p(xk,m|y1:k1)p(yk|xk)p(xt|m,y1:k1)p(m|y1:k1)p(yk|xkm)p(xk|xkm1)wkm1(2.29)生成{xk(i),m(i)}iN1的重要性概率密度函數(shù)q(xk,m|x0:k1,y1:k)為q(xk,m|x0:k1,y1:k)p(yk|km)p(xk|xkm1)wkm1(2.30)其中km為由{xk(i)1}iN1預(yù)測出的與xk相關(guān)的特征，可以是采樣值km:p(xk|xkm1)或預(yù)測均mm值kE{xk|xk1}。定義q(xk|m,y1:k)p(xk|xkm1)，由于q(xk,m|y1:k)q(xk|m,y1:k)q(m|y1:k)(2.31)則有文檔實用標(biāo)準(zhǔn)q(m|y1:k)p(yk|km)wkm1(2.32)此時，粒子權(quán)值wk(i)為(i)m(i)p(yk|xk(i))p(xki|xkm(i))p(yk|xk(i))wkwkq(xk,m|x0:mk1,yk)p(yk|km(i))(2.33)采用局部線性化的方法來逼近p(xk|xk1,yk)是另一種提高粒子采樣效率的有效方法。擴展Kalman粒子濾波與Uncented粒子濾波算法在濾波的每一步迭代過程中，首先利用最新觀測值，采用 UKF或者EKF對各個粒子進行更新，得到隨機變量經(jīng)非線性變換后的均值和方差，并將它作為重要性概率密度函數(shù) [138]。另外，利用似然函數(shù)的梯度信息，采用牛頓迭代[139]或均值漂移[140]等方法移動粒子至高似然區(qū)域，也是一種可行的方案，如圖 2.5所示。以上這些方法的共同特點是將最新的觀測數(shù)據(jù)融入到系統(tǒng)狀態(tài)的轉(zhuǎn)移過程中， 引導(dǎo)粒子到高似然區(qū)域，由此產(chǎn)生的預(yù)測粒子可較好地服從狀態(tài)的后驗概率分布， 從而有效地減少描述后驗概率密度函數(shù)所需的粒子數(shù)。{xk(i)1,N1}{xk(i),N1}{x(ki),w(ki)}{xk(i),wk(i)}{x(ki),N1}圖2.5 結(jié)合均值漂移的粒子濾波算法Fig.2.5 Particlefiltercombinedwithmeanshift文檔實用標(biāo)準(zhǔn)重采樣方法針對序貫重要性采樣算法存在的權(quán)值退化現(xiàn)象， Gordon 等提出了一種名為 Bootstrap的粒子濾波算法。 該算法在每步迭代過程中， 根據(jù)粒子權(quán)值對離散粒子進行重采樣， 在一定程度上克服了這個問題。重采樣方法舍棄權(quán)值較小的粒子，代之以權(quán)值較大的粒子。重采樣(i)(i)(i)(i)(i)N(i)N%xk)%條件下，將粒子集合%%更新為{xk,1/N}1。重采過程在滿足p(xkwk{xk,wk}1樣策略包括固定時間間隔重采樣與根據(jù)粒子權(quán)值進行的動態(tài)重采樣。 動態(tài)重采樣通常根據(jù)當(dāng)前的有效粒子數(shù)或最大與最小權(quán)值比來判斷是否需要進行重采樣。 常用的重采樣方法包括多項式(Multinomialresampling)重采樣、殘差重采樣(Residualresampling)、分層重采樣(Stratifiedresampling)與系統(tǒng)重采樣(Systematicresampling)等。殘余重采樣法具有效率高、實現(xiàn)方便的特點。設(shè)Ni(i)，其中g(shù)為取整操作。殘余重采樣采用新的權(quán)值Nw%*(i)1(i)iNiNNkNNwkNkNwk選擇余下的個粒子，如圖2.6所示。殘余重采樣%%i1的主要過程為(1)計算剩余粒子的權(quán)值累計量j,j1,L,Nk。生成Nk在個[0，1]區(qū)間均勻分布的隨機數(shù){?(2)l}lNk1；(3)對于每個i，尋找歸一化權(quán)值累計量大于或等于i的最小標(biāo)號m，即m1lm。當(dāng)i落在區(qū)間[m1,m]時，xkm被復(fù)制一次，如圖2.6所示。這樣，每個粒子xk(i)經(jīng)重采樣后的個數(shù)為步驟(3)中被選擇的若干粒子數(shù)目與Ni之和。文檔實用標(biāo)準(zhǔn)圖2.6 殘差重采樣Fig.2.6 ResidualResampling重采樣并沒有從根本上解決權(quán)值退化問題。重采樣后的粒子之間不再是統(tǒng)計獨立關(guān)系，給估計結(jié)果帶來額外的方差。重采樣破壞了序貫重要性采樣算法的并行性，不利于 VLSI硬件實現(xiàn)。另外，頻繁的重采樣會降低對測量數(shù)據(jù)中野值的魯棒性。 由于重采樣后的粒子集中包含了多個重復(fù)的粒子， 重采樣過程可能導(dǎo)致粒子多樣性的喪失， 此類問題在噪聲較小的環(huán)境下更加嚴(yán)重。因此，一個好的重采樣算法應(yīng)該在增加粒子多樣性和減少權(quán)值較小的粒子數(shù)目之間進行有效折衷。圖2.7為粒子濾波算法的示意圖， 該圖描述了粒子濾波算法包含的時間更新、 觀測更新和重采樣三個步驟。 k 1時刻的先驗概率由 N個權(quán)值為1/N的粒子xk(i)1近似表示。在時間(i)更新過程中，通過系統(tǒng)狀態(tài)轉(zhuǎn)移方程預(yù)測每個粒子在%。經(jīng)過觀測值后，更k時刻的狀態(tài)xk(i)新粒子權(quán)值w%k。重采樣過程舍棄權(quán)值較小的粒子， 代之以權(quán)值較大的粒子， 粒子的權(quán)值被重新設(shè)置為1/N。文檔實用標(biāo)準(zhǔn)圖2.7SIR算法示意圖Fig.2.7 SIRalgorithm標(biāo)準(zhǔn)的粒子濾波算法流程為：粒子集初始化，k0：對于i1,2,L,N，由先驗p(x0)生成采樣粒子{x0(i)}iN1(2)對于k1,2,L，循環(huán)執(zhí)行以下步驟：①重要性采樣：對于，從重要性概率密度中生成采樣粒子(i)N，計i1,2,L,N{x%}i1k(i)算粒子權(quán)值 w%k，并進行歸一化；(i)(i)(i)%%}進行重采樣，重采樣后的粒子集為{xk,1/N}；②重采樣：對粒子集{xk,wkN③輸出：計算時刻的狀態(tài)估計值：?(i)(i)。k%%xkxkwki1粒子濾波中的權(quán)值退化問題是不可避免的。 雖然重采樣方法可以在一定程度上緩解權(quán)值退化現(xiàn)象，但重采樣方法也會帶來一些其它的問題。重采樣需要綜合所有的粒子才能實現(xiàn)，限制了粒子濾