粒子濾波算法改進(jìn)及其應(yīng)用研究

王永翔　陳國(guó)初

摘 要： 粒子濾波算法是一種基于貝葉斯估計(jì)和非參數(shù)化蒙特卡羅模擬的新型算法。詳細(xì)介紹了粒子濾波算法的基本原理，闡述了遞推貝葉斯估計(jì)方法、序貫重要性采樣以及序貫重要性重采樣算法；分析了粒子濾波主要存在的問(wèn)題及關(guān)鍵改進(jìn)之處，然后介紹粒子濾波算法的應(yīng)用，并對(duì)算法未來(lái)發(fā)展進(jìn)行了展望。

關(guān)鍵詞： 貝葉斯估計(jì)； 序貫重要性采樣； 重采樣； 粒子濾波

中圖分類號(hào)：TP301.6 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1006-8228（2015）08-01-04

Research on development of particle filtering algorithm

Wang Yongxiang， Chen Guochu

（College of Electrical Engineering， Shanghai Dianji University， Shanghai 200240， China）

Abstract： Particle filtering is a new algorithm based on Bayesian estimation and non-parametric Monte Carlo simulation. This paper introduces in detail the basic principle of particle filtering algorithm， describes the recursive Bayesian estimation method， sequential importance sampling and sequential importance resample algorithm， analyzes the main problems and the key improvements on the particle filter. Then， the application and the future development of particle filtering algorithm is discussed.

Key words： Bayesian estimation； sequential importance sampling； resample； particle filter

0 引言

許多復(fù)雜的系統(tǒng)都存在著濾波處理、參數(shù)估計(jì)等問(wèn)題，尤其在通信、自動(dòng)控制、金融、彈道武器等領(lǐng)域?yàn)V波處理顯得更加重要。1960年，卡爾曼濾波器（KF）[1]被提出，其作為一種線性、無(wú)偏的最小方差狀態(tài)估計(jì)器得到很廣泛應(yīng)用。然而，由于卡爾曼濾波對(duì)系統(tǒng)要求比較苛刻，其只能處理一些線性并且噪聲服從高斯分布的線性系統(tǒng)，對(duì)于非線性、非高斯噪聲的復(fù)雜系統(tǒng)，其往往達(dá)不到濾波要求。盡管后來(lái)有些學(xué)者提出了擴(kuò)展Kalman濾波器（EKF）[2]、無(wú)跡Kalman濾波器（UKF）[3]等，處理的系統(tǒng)也往往是高斯噪聲分布的弱非線性的，對(duì)于強(qiáng)非線性的系統(tǒng)，其濾波精度及穩(wěn)定性等仍然達(dá)不到要求。

20世紀(jì)50年代，Hammersley等人提出了一種序貫重要性采樣（SIS）蒙特卡羅方法[4]，通過(guò)離散的隨機(jī)樣本來(lái)逼近概率分布。該算法主要是從一個(gè)重要性分布中抽取一個(gè)帶有權(quán)值的樣本集合來(lái)代表所研究的系統(tǒng)狀態(tài)的后驗(yàn)概率密度函數(shù)，并利用這些樣本及其權(quán)值對(duì)系統(tǒng)狀態(tài)進(jìn)行估計(jì)。然而，由于算法本身存在樣本退化和計(jì)算復(fù)雜度高等問(wèn)題，該算法很長(zhǎng)一段時(shí)間沒(méi)有得到較大發(fā)展。直到1993年，Gordon等人提出了重采樣概念[5]，將其引入到SIS中產(chǎn)生了基本粒子濾波算法—序貫重要性重采樣算法（SIR）。新算法克服了原算法中的樣本退化問(wèn)題，同時(shí)計(jì)算機(jī)技術(shù)的快速發(fā)展也為SIR算法的計(jì)算提供了有力保證。

本文首先通過(guò)狀態(tài)空間模型詳細(xì)介紹遞推貝葉斯估計(jì)，粒子濾波算法的基本原理，闡述序貫重要性采樣以及重要性重采樣算法，然后介紹粒子濾波常見(jiàn)問(wèn)題及關(guān)鍵改進(jìn)之處，最后介紹粒子濾波算法的應(yīng)用并對(duì)算法未來(lái)發(fā)展進(jìn)行了展望。

1 基本粒子濾波算法

1.1 遞推貝葉斯估計(jì)方法

粒子濾波（Particle Filter，PF）的思想是基于貝葉斯估計(jì)原理利用粒子集來(lái)表示概率的蒙特卡洛（Monte Carlo）模擬方法，它可以用在任何形式的狀態(tài)空間模型上。假設(shè)狀態(tài)空間模型如下：

狀態(tài)模型：

xk=f（xk-1，uk-1） ⑴

觀測(cè)模型：

yk=h（xk，vk） ⑵

其中，f和h為已知的狀態(tài)函數(shù)和觀測(cè)函數(shù)，xk是系統(tǒng)在k時(shí)刻的狀態(tài)量，uk和vk分別為零均值的系統(tǒng)噪聲和觀測(cè)噪聲，yk是k時(shí)刻狀態(tài)的觀測(cè)值，uk和vk相互獨(dú)立并獨(dú)立于過(guò)去和當(dāng)前狀態(tài)。

用統(tǒng)計(jì)描述法描述上式方程，系統(tǒng)模型對(duì)應(yīng)為狀態(tài)轉(zhuǎn)移概率密度p（xk|xk-1），觀測(cè)模型對(duì)應(yīng)為觀測(cè)似然概率密度p（yk|xk），并假定狀態(tài)的初始概率密度函數(shù)p（x0|y0）=p（x0）已知。設(shè)已知k-1時(shí)刻的概率密度p（xk-1|y1：k-1），且狀態(tài)xk服從一階馬爾可夫過(guò)程，則由第一步預(yù)測(cè)可得k時(shí)刻的先驗(yàn)概率密度函數(shù)：

⑶

其中，系統(tǒng)的轉(zhuǎn)移概率密度：

⑷

假定p（uk-1|xk-1）=p（uk-1），則：

⑸

其中，δ（·）是狄拉克函數(shù)，若δ（·）函數(shù)存在，xk-1和uk-1已知，那么狀態(tài)值xk可以通過(guò)⑴式得到。然后，若yk測(cè)量可知，則可由貝葉斯準(zhǔn)則實(shí)現(xiàn)第二步的更新，得后驗(yàn)濾波概率密度：

⑹

其中，似然概率密度：

⑺

⑻

通常是一個(gè)歸一化常數(shù)。

由式⑶～⑹構(gòu)成了貝葉斯遞推估計(jì)過(guò)程，整個(gè)過(guò)程實(shí)現(xiàn)了由k-1時(shí)刻的p（xk-1|y1：k-1）到k時(shí)刻的p（xk|y1：k）預(yù)測(cè)更新，理論上解決了求解后驗(yàn)概率密度的問(wèn)題。但是由于式⑶的積分在實(shí)際中很難求解，并且整個(gè)過(guò)程中運(yùn)用了許多假設(shè)，在實(shí)際應(yīng)用中受到了很大的限制，所以對(duì)于非線性非高斯分布的系統(tǒng)貝葉斯估計(jì)法還不能給出很好的解決方法。

1.2 序貫重要性采樣（SIS）

針對(duì)貝葉斯估計(jì)無(wú)法解決的積分問(wèn)題，1954年Hammersley等人提出了SIS算法。根據(jù)Monte Carlo方法從后驗(yàn)概率密度中抽取N個(gè)獨(dú)立同分布樣本，用經(jīng)驗(yàn)分布逼近狀態(tài)的概率密度函數(shù)，使

⑼

然而，在實(shí)際中p（x0：k|y1：k）往往是非標(biāo)準(zhǔn)的多變量形式，并且它很難寫成組合形式的解析分布函數(shù)，從樣本p（x0：k|y1：k）中抽樣通常是非常困難的甚至沒(méi)法實(shí)現(xiàn)。所以，常常從被引入的一個(gè)容易實(shí)現(xiàn)采樣的重要分布函數(shù)q（x0：k|y1：k）中抽樣。為了便于采樣，首先對(duì)q（x0：k|y1：k）進(jìn)行分解：

⑽

當(dāng)觀測(cè)值到來(lái)時(shí)，將新的數(shù)據(jù)值加入到舊樣本中得到新的樣本。這樣，從q（x0：k|y1：k）抽取N個(gè)獨(dú)立同分布樣本并加權(quán)求和來(lái)近似表示p（x0：k|y1：k），得：

⑾

其中，為歸一化后的權(quán)值。

⑿

假設(shè)：

得：

⒀

結(jié)合式⑽可得權(quán)值的遞推公式為：

⒁

為算法簡(jiǎn)便，設(shè)q（xk|x0：k-1，y1：k）=q（xk|xk-1，y1：k），這樣重要性密度函數(shù)就只由xk-1和yk決定，每一步只需估計(jì)出p（xk|y1：k），權(quán)值遞推式變?yōu)椋?/p>

⒂

相應(yīng)的近似后驗(yàn)概率密度函數(shù)：

⒃

1.3 序貫重要性重采樣算法

SIS算法解決了Bayesian估計(jì)無(wú)法解決的積分問(wèn)題，以樣本均值代替了積分運(yùn)算實(shí)現(xiàn)了遞推貝葉斯估計(jì)。但是，SIS算法卻存在著嚴(yán)重的樣本退化問(wèn)題。當(dāng)空間維數(shù)或時(shí)間增加時(shí)，經(jīng)過(guò)很多次迭代之后，較少量的粒子權(quán)重會(huì)變得很大，而絕大多數(shù)的粒子權(quán)重會(huì)變得很小，權(quán)值的更新大部分時(shí)間都浪費(fèi)在這些權(quán)重小甚至不起作用的粒子上。

1993年，Gordon等人提出的重采樣算法有效的解決了樣本退化問(wèn)題。重采樣的根本目的是去除那些權(quán)值小的粒子，保留并復(fù)制那些權(quán)值較大的粒子[6]，從式⒃中抽取相互獨(dú)立的權(quán)值相等的粒子，可以設(shè)。如圖1，形象地說(shuō)明了重要性采樣與重采樣過(guò)程。

圖1 重要性采樣與重采樣過(guò)程

粒子退化程度一般采用有效粒子數(shù)Neff來(lái)衡量

⒄

有效的粒子個(gè)數(shù)Neff越小，意味著粒子退化越厲害，當(dāng)Neff小于一定的閾值NT時(shí)，然后才進(jìn)行重采樣。

基本粒子濾波算法就是在序貫重要性采樣（SIS）基礎(chǔ)上加入了重采樣步驟，具體步驟如下。

第一步：初始化（k=0）

從初始分布p（x0）中采樣N個(gè)樣本：{，i=1，2，…，N}，權(quán)值：=1/N，令k=1。

第二步：重要性采樣

⑴ 采樣得N個(gè)k時(shí)刻樣本：{，i=1，2，…，N}

⑵ 觀測(cè)值到來(lái)時(shí)，計(jì)算每個(gè)粒子權(quán)值，并由下式更新權(quán)值

⑶ 權(quán)值的歸一化

第三步：判斷是否重采樣

計(jì)算有效粒子數(shù)Neff=1/，若Neff?NT則執(zhí)行第四步；否則執(zhí)行第五步。

第四步：重采樣

依據(jù)權(quán)值大小采樣新粒子，使其滿足pr（=）=，設(shè)定=，=1/N。

第五步：估計(jì)輸出

后驗(yàn)概率密度估計(jì)輸出：

狀態(tài)估計(jì)輸出：

第六步：令k=k+1，返回第二步。

2 關(guān)鍵問(wèn)題及改進(jìn)之處

2.1 粒子濾波存在的關(guān)鍵問(wèn)題

⑴ 重要性密度函數(shù)選擇問(wèn)題

重要性密度函數(shù)實(shí)現(xiàn)了粒子濾波算法中的抽樣問(wèn)題，其選擇往往是以最小化重要性權(quán)值為標(biāo)準(zhǔn)。實(shí)驗(yàn)證明，為了有效地限制粒子退化，一般情況下是選擇重要性密度函數(shù)作為先驗(yàn)概率密度函數(shù)，即q（xk|，y1：k）=p（xk|，y1：k）。然而由于這種方法沒(méi)有考慮當(dāng)前時(shí)刻的觀測(cè)值，使現(xiàn)有的模型處理當(dāng)前狀態(tài)時(shí)會(huì)產(chǎn)生很大的誤差，不能將概率密度函數(shù)真實(shí)分布準(zhǔn)確的表示出來(lái)。

⑵ 樣本退化問(wèn)題

樣本退化（或粒子退化）現(xiàn)象是粒子濾波技術(shù)中最嚴(yán)重的一個(gè)問(wèn)題，選擇好的重要性密度函數(shù)和重采樣是解決這個(gè)問(wèn)題的關(guān)鍵。重采樣算法的提出對(duì)樣本退化問(wèn)題有了一定的抑制作用，但同時(shí)也產(chǎn)生了另外一個(gè)問(wèn)題—粒子耗盡問(wèn)題。由于在重采樣過(guò)程中，隨著采樣次數(shù)的增加，較少的權(quán)值大的粒子被復(fù)制保留，大多數(shù)權(quán)值小的粒子被遺棄，這樣導(dǎo)致粒子多樣性被逐漸削減。

⑶ 樣本貧乏問(wèn)題

樣本貧乏問(wèn)題往往是由重采樣過(guò)程導(dǎo)致的，重采樣后的少數(shù)粒子不能真正的反映出后驗(yàn)概率密度的特征。尤其是在模型參數(shù)不變或過(guò)程噪聲較小時(shí)，樣本貧乏問(wèn)題顯得尤為突出，因?yàn)槿糁夭蓸雍蟮牧Ｗ訑?shù)僅剩幾個(gè)或變成一個(gè)點(diǎn)時(shí)，就會(huì)導(dǎo)致樣本枯竭而嚴(yán)重影響濾波性能。

⑷ 濾波實(shí)時(shí)性問(wèn)題

實(shí)時(shí)性也是粒子濾波中的一個(gè)重要問(wèn)題。粒子濾波雖然解決了卡爾曼算法不能解決的非線性、非高斯等問(wèn)題，但由于粒子濾波是源于Monte Carlo的思想隨著粒子數(shù)的不斷增加，算法的計(jì)算復(fù)雜度也逐漸變高，這就會(huì)嚴(yán)重影響算法的實(shí)時(shí)性。

2.2 粒子濾波的改進(jìn)之處

⑴ 基于重要性密度函數(shù)選擇的改進(jìn)

重要性密度函數(shù)的選擇，其根本目的是限制粒子的退化，提高算法的準(zhǔn)確度。SIR粒子濾波器選擇先驗(yàn)概率密度函數(shù)p（xk|）作為重要性密度函數(shù)使得算法簡(jiǎn)潔易求，但由于其選擇沒(méi)有考慮最新來(lái)的觀測(cè)值，使得算法精度不是很高。文獻(xiàn)[7]將EKF方法結(jié)合到PF算法中構(gòu)造重要性密度函數(shù)，提出了擴(kuò)展Kalman粒子濾波器（EKF-PF），不僅考慮了先驗(yàn)概率分布，也結(jié)合了當(dāng)前的觀測(cè)值，使得重要性密度函數(shù)越來(lái)越接近真實(shí)的后驗(yàn)密度函數(shù)分布。Merwe等人[8]將估計(jì)精度優(yōu)于EKF的UKF應(yīng)用于粒子濾波算法中，提出了無(wú)味粒子濾波器（UPF），獲得更好的采樣，使濾波算法性能得到進(jìn)一步的改善。此外，對(duì)重要性密度函數(shù)的改進(jìn)，還提出了高斯-厄米特粒子濾波、高斯和粒子濾波等等。

⑵ 基于重采樣技術(shù)的改進(jìn)

基于重采樣改進(jìn)PF算法中最典型的是1999年P(guān)itt等人提出的輔助粒子濾波算法，通過(guò)引入一個(gè)輔助變量來(lái)獲得一個(gè)考慮當(dāng)前狀態(tài)觀測(cè)值的重要性概率密度函數(shù)。正則化粒子濾波器[9]也是在重采樣階段通過(guò)核密度函數(shù)進(jìn)行抽樣的改進(jìn)算法。此外，除了對(duì)重采樣本身改進(jìn)之外，也有在重采樣之前、重采樣之后和免去重采樣等地方改進(jìn)。文獻(xiàn)[10]提出的進(jìn)化粒子濾波器，將進(jìn)化規(guī)則融合到PF算法中，即在重采樣前先對(duì)未更新粒子進(jìn)行變異處理，通過(guò)競(jìng)爭(zhēng)選擇出似然密度函數(shù)大的粒子。文獻(xiàn)[11]通過(guò)在重采樣之后對(duì)粒子進(jìn)行轉(zhuǎn)移，然后提出了改進(jìn)的馬爾可夫蒙特卡羅粒子濾波算法，其通過(guò)Markov轉(zhuǎn)換核函數(shù)使p（x0：k|y1：k）產(chǎn)生新的粒子序列來(lái)逼近目標(biāo)的真實(shí)后驗(yàn)概率分布。文獻(xiàn)[12]直接免去重采樣步驟，將高斯分布近似概率密度p（xk|y1：k）和p（xk|y1：k-1），提出了高斯粒子濾波器消除了重采樣帶來(lái)的樣本匱乏問(wèn)題。

⑶ 其他改進(jìn)方法

基于重要性密度函數(shù)和重采樣的改進(jìn)是粒子濾波算法中最常見(jiàn)的兩種改進(jìn)方法，這兩種方法也是針對(duì)粒子濾波的有效性進(jìn)行改進(jìn)。除此之外，也有對(duì)粒子的實(shí)時(shí)性進(jìn)行改進(jìn)的算法，如改變粒子濾波的樣本數(shù)量或改變系統(tǒng)狀態(tài)的維數(shù)等。文獻(xiàn)[13]提出的邊緣化粒子濾波和文獻(xiàn)[14]通過(guò)KLD采樣樣本分布來(lái)自適應(yīng)改變粒子的數(shù)量方法，都使算法的實(shí)時(shí)性得到了很大提高。

3 粒子濾波的應(yīng)用

隨著科學(xué)技術(shù)的快速發(fā)展以及各領(lǐng)域各系統(tǒng)的復(fù)雜度的提高，濾波處理技術(shù)也不斷得到發(fā)展。粒子濾波以其可以處理非線性非高斯等復(fù)雜系統(tǒng)的優(yōu)勢(shì)廣泛的被應(yīng)用于各個(gè)領(lǐng)域，如目標(biāo)跟蹤、系統(tǒng)識(shí)別與參數(shù)估計(jì)、金融數(shù)據(jù)分析、故障診斷等等。

3.1 目標(biāo)跟蹤

衛(wèi)星導(dǎo)航系統(tǒng)、車輛、雷達(dá)跟蹤等領(lǐng)域都涉及到目標(biāo)定位與跟蹤問(wèn)題，粒子濾波技術(shù)在這些復(fù)雜的非線性系統(tǒng)的處理中得到廣泛的應(yīng)用。傳統(tǒng)的粒子濾波在目標(biāo)跟蹤中，其模型的樣本數(shù)控制往往是比較困難的，文獻(xiàn)[15]將狀態(tài)估計(jì)和系統(tǒng)估計(jì)分解開(kāi)來(lái)計(jì)算濾波的粒子，使結(jié)果精度得到很大提高。文獻(xiàn)[16]將粒子濾波技術(shù)結(jié)合徑向神經(jīng)網(wǎng)絡(luò)最佳逼近特性應(yīng)用于直升機(jī)運(yùn)動(dòng)跟蹤中，在跟蹤精度與實(shí)時(shí)性中都顯示出了較好地效果，很好解決了卡爾曼等傳統(tǒng)濾波器無(wú)法解決的非線性難題。

3.2 參數(shù)估計(jì)與系統(tǒng)識(shí)別

現(xiàn)代大多數(shù)復(fù)雜的非線性系統(tǒng)都存在著參數(shù)估計(jì)問(wèn)題，由于系統(tǒng)的數(shù)據(jù)是隨機(jī)的或未知的，通過(guò)粒子濾波器對(duì)系統(tǒng)離散變量進(jìn)行模型建立來(lái)估計(jì)系統(tǒng)的參數(shù)是一個(gè)有效地處理方法。由于粒子濾波技術(shù)可以處理線性的和非線性系統(tǒng)，所以可將系統(tǒng)分為線性和非線性兩部分來(lái)處理，不但擴(kuò)展了粒子濾波在單一的非線性系統(tǒng)中的應(yīng)用，而且也省去采用其他濾波器處理線性部分的麻煩。

3.3 金融數(shù)據(jù)分析

模糊隨機(jī)系統(tǒng)的估值問(wèn)題是金融領(lǐng)域數(shù)據(jù)分析中常見(jiàn)的問(wèn)題，金融數(shù)據(jù)是隨機(jī)波動(dòng)不確定的，粒子濾波在處理這些數(shù)據(jù)估計(jì)時(shí)起到了一定的作用。文獻(xiàn)[17]就將粒子濾波技術(shù)應(yīng)用在股票交易數(shù)據(jù)預(yù)測(cè)中，根據(jù)交互式的粒子濾波原理分別從跟蹤和濾波角度對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)，達(dá)到很好的預(yù)測(cè)效果。

3.4 故障診斷

故障診斷是各類復(fù)雜系統(tǒng)中的一個(gè)重要研究分支，對(duì)于線性系統(tǒng)的故障診斷研究目前已經(jīng)取得了較好的成果，而對(duì)于非線性和強(qiáng)非線性系統(tǒng)的故障診斷仍然很不成熟。粒子濾波技術(shù)的較快發(fā)展對(duì)這方面的研究提供了解決方法。如一些模型尚不完備的復(fù)雜動(dòng)態(tài)系統(tǒng)的故障診斷處理等，文獻(xiàn)[18]提出了一種有效的PF算法，通過(guò)把粒子集的規(guī)格化因子和最大后驗(yàn)概率估計(jì)狀態(tài)的信度兩個(gè)值提取出來(lái)，并在此基礎(chǔ)上設(shè)出檢測(cè)未知故障模式閾值邏輯，達(dá)到了很好地預(yù)報(bào)故障效果。

除了以上介紹的領(lǐng)域外，粒子濾波在圖像處理、計(jì)算機(jī)視覺(jué)、生物學(xué)、海洋學(xué)等領(lǐng)域都有相關(guān)性的應(yīng)用。

4 總結(jié)與展望

粒子濾波技術(shù)在處理非線性系統(tǒng)時(shí)具有獨(dú)特的優(yōu)勢(shì)，近些年其被研究的趨勢(shì)也在逐漸上升。在詳細(xì)闡述粒子濾波基本原理后，對(duì)算法中常見(jiàn)的問(wèn)題以及一些改進(jìn)的方法作了分析介紹，并舉例說(shuō)明了其在各種領(lǐng)域中的廣泛應(yīng)用。但作為一種新的濾波處理方法，粒子濾波技術(shù)仍處于不斷的發(fā)展中，理論方法和實(shí)際應(yīng)用還有待進(jìn)一步深入研究。

⑴ 首先，粒子濾波算法本身還有待改進(jìn)，如算法的收斂性、重要性密度函數(shù)選擇、重采樣部分，以及基于系統(tǒng)觀測(cè)模型和狀態(tài)模型準(zhǔn)確建模等。此外，怎樣減少計(jì)算量、削減粒子退化，以及進(jìn)一步提高算法的準(zhǔn)確性和實(shí)時(shí)性也仍然是未來(lái)的研究方向。

⑵ 其次，粒子濾波算法是基于Monte Carlo模擬的實(shí)現(xiàn)遞推貝葉斯估計(jì)的數(shù)學(xué)算法，可以將其與其他智能算法相結(jié)合來(lái)對(duì)研究目標(biāo)進(jìn)行處理。雖然已經(jīng)有不少學(xué)者根據(jù)其他智能算法對(duì)粒子濾波某個(gè)部分進(jìn)行優(yōu)化，但在組合算法的性能上還有待進(jìn)一步提高。怎樣增強(qiáng)粒子濾波等組合算法的穩(wěn)定性和實(shí)用性也是值得更深一步研究。

⑶ 最后，盡管粒子濾波技術(shù)已應(yīng)用于某些領(lǐng)域，但就其目前的發(fā)展還不是太成熟，僅僅部分的應(yīng)用于某些領(lǐng)域。并且如今大多數(shù)學(xué)者對(duì)粒子濾波的實(shí)際研究往往是基于仿真模擬性的研究，怎樣將粒子濾波技術(shù)擴(kuò)展到更多的應(yīng)用新領(lǐng)域還有待于進(jìn)一步探索。

參考文獻(xiàn)：

[1] Kalman R E. A new approach to linear filtering and prediction

problem. Transactions of the ASME-Journal of Basic Engineering，1960.82：35-45

[2] JAZW INSKIAH. Stochastic Processes and Filter ing Theory[M].

New York： Academic Press，1970.

[3] S. J. Julier， J. K. Uhimann， H. F. Durrant-Whyte. A new method

for nonlinear transformation of means a and estimators， IEEE T ans Automatic Control，2000.45（3）：477-482

[4] Hammersley J M， Morton K W. Poor man's Monte Carlo[J].Journal

of the Royal Statistical Society B，1954.16（1）：23-38

[5] Gordon N J， Salmond D J， Smith A F M. Novel approach to

nonlinear/non-Gaussian Bayesian state estimation[J]. IEE proceedings F： Radar and Signal Processing，1993.140（2）：107-113

[6] 趙梅，張三同等.輔助粒子濾波算法及仿真舉例[J].北京交通大學(xué)學(xué)

報(bào)，2006.30（2）：24-28

[7] Ristic B， Arulampalam S， Gordon N. Beyond the Kalman filter：

Particle filters for tracking applications[M].Boston： Artech House， 2004.Boston： Artech House，2004.

[8] Merwe R V D， Doucet A， Freitas， et al. The unscented particle filter[J].

Advances in Neural Information Processing Systems，2001.96（390）：584-590

[9] Musso C， Oudjane N， Legland F. Improving regularized particle

filter[M].Doucet A， de Freitas J F G，Gordon N J.Sequential Monte Carlo Methods in Practical， New York：Springer-Verlag，2001：247-272

[10] 莫以為， 蕭德云. 進(jìn)化粒子濾波算法及其應(yīng)用[J] .控制理論與應(yīng)用，

2005.22（2）：269-272

[11] SPALL J C. Estimation via Markov Chain Monte Carlo[J].IEEE

Control Systems Magazine，2003.23（2）：34-45

[12] BOLIC M， DJURIC P M， HONG SANGJIN. Resampling

Algorithms and Architectures for Distributed Particle Filters[J]. IEEE Trans Signal Processing，2005.53（7）：2442-2450

[13] Schon T， Gustafsson F， Nordlund P J. Marginalized particle

filters for mixed linear/nonlinear state-space models[J]. IEEE Transactions on： Signal Processing，2005.53（7）：2279-2289

[14] Fox D. Adapting the sample size in particle filters through

KLD-sample[J]. The International Journal of Robotics Research，2003.22（12）：985-1003

[15] 鑒福升，徐躍民等.改進(jìn)的多模型粒子濾波機(jī)動(dòng)目標(biāo)跟蹤算法[J].控

制理論與應(yīng)用，2010.27（8）：1012-1016

[16] 李春鑫，王孝通等.改進(jìn)粒子濾波算法在目標(biāo)跟蹤中的應(yīng)用[J].控制

工程，2009.16（5）：575-577

[17] Papavasiliou A. Adaptive particle filters with applications[R].

Princeton： University of Princeton，2002.

[18] 段琢華，蔡自興，于金霞.不完備多模型混合系統(tǒng)故障診斷的粒子濾

波算法[J].自動(dòng)化學(xué)報(bào)，2008.34（5）：581-587