數(shù)字濾波技術(shù)的現(xiàn)狀與發(fā)展

張一楊+秦會斌

摘 要：數(shù)字濾波技術(shù)是數(shù)字信號處理過程中對噪聲的分析與處理。為了更好地理解數(shù)字濾波技術(shù)，快速選擇不同場景下最合適的濾波算法，文中介紹了數(shù)字濾波技術(shù)中使用最廣泛、技術(shù)最成熟的卡爾曼濾波技術(shù)、自適應(yīng)濾波技術(shù)與粒子濾波及其缺陷，并介紹了為解決這些缺陷提出的新技術(shù)與每項技術(shù)的應(yīng)用場景。

關(guān)鍵詞：數(shù)字濾波技術(shù)；卡爾曼濾波；自適應(yīng)濾波；粒子濾波

中圖分類號：TH122；TP39 文獻標識碼：A 文章編號：2095-1302（2017）05-00-04

0 引 言

在各類數(shù)字系統(tǒng)中，噪聲與干擾會降低系統(tǒng)性能，甚至影響系統(tǒng)正常工作。濾波技術(shù)的目的就是抑制各類噪聲與干擾，提高信噪比，維護系統(tǒng)穩(wěn)定。

數(shù)字濾波技術(shù)相比傳統(tǒng)模擬濾波技術(shù)，以其靈活度大、穩(wěn)定性高等優(yōu)點[1]被廣泛應(yīng)用于航天、圖像處理、語音處理、電視、雷達、生物醫(yī)藥、音樂等行業(yè)中[2]。

數(shù)字濾波技術(shù)可以分為經(jīng)典濾波技術(shù)與現(xiàn)代濾波技術(shù)。經(jīng)典濾波技術(shù)使用傅立葉變化將信號和噪聲頻率分離，濾波時直接去除噪聲所在信道?，F(xiàn)代濾波技術(shù)則是建立在信號隨機性本質(zhì)的基礎(chǔ)上，將信號和噪聲當作隨機信號，通過統(tǒng)計特性估計出信號本身。

經(jīng)典濾波技術(shù)漸漸被現(xiàn)代濾波技術(shù)所取代，因此本文主要介紹幾種常用的現(xiàn)代濾波技術(shù)發(fā)展現(xiàn)狀及其發(fā)展趨勢。

1 卡爾曼濾波發(fā)展現(xiàn)狀及發(fā)展趨勢

1.1 基本卡爾曼濾波算法的引入

最佳線性濾波理論即維納濾波理論，于20世紀40年代由美國與前蘇聯(lián)科學家一同提出。該理論需要使用所有以往信號以及當前信號，難以用于實時濾波[3]。為突破維納濾波技術(shù)的局限性，1960年Kalman引入了空間狀態(tài)模型，提出了卡爾曼濾波技術(shù)，用于解決線性高斯問題，而該技術(shù)也是當前解決線性高斯實際應(yīng)用問題的標準方式。通過建立信號與噪聲的空間狀態(tài)模型，使用過去的估計值與當下測量值更新空間狀態(tài)模型的參數(shù)，求出當前的估計值[4]。

1.2 擴展卡爾曼濾波

基本卡爾曼濾波技術(shù)用于解決高斯線性問題，但對于非線性問題卻有很大局限性。然而，在現(xiàn)實世界中，各類實際問題都存在非線性特性，因此，非線性濾波技術(shù)得以廣泛應(yīng)用。所謂線性濾波，指原始數(shù)據(jù)與濾波結(jié)果是一種算數(shù)運算。而非線性濾波指原始數(shù)據(jù)與濾波結(jié)果之間是邏輯關(guān)系。在各類解決非線性問題的方法中，擴展卡爾曼濾波技術(shù)的（Extended Kalman Filter，EKF）使用最為廣泛[5]。

EKF的本質(zhì)就是將非線性模型分為若干線性區(qū)域，對每個線性區(qū)域使用卡爾曼濾波技術(shù)。EKF對于弱非線性系統(tǒng)能得到不錯的濾波結(jié)果，但對于強非線性濾波系統(tǒng)的濾波結(jié)果卻不理想[6]。

EKF會產(chǎn)生較大誤差，且計算復雜度高。一些改進的EKF雖然提高了精度，但會增加計算量[7]。

1.3 不敏卡爾曼濾波技術(shù)

不敏卡爾曼濾波技術(shù)（Unscented Kalman Filter，UKF）的主要思路是“近似非線性函數(shù)的概率密度分布比近似非線性函數(shù)本身更容易”[8]，即在不敏變換的基礎(chǔ)上，利用一系列測試點來預估狀態(tài)后驗概率密度函數(shù)[9]。

與EKF不同，UKF通過U變換令非線性系統(tǒng)方程能夠適用于線性假設(shè)，變換后，使得在不增加計算量的前提下，有效克服EKF估計精度低、穩(wěn)定性差的缺點[5]。

1.4 其他卡爾曼濾波技術(shù)的發(fā)展

文獻[10]提出了容積卡爾曼濾波技術(shù)（Cubature Kalman Filters， CKF）。CKF為解決貝葉斯濾波積分問題，使用一系列位置、個數(shù)、權(quán)系數(shù)均確定的容積點集，采用球形積分規(guī)則、徑向積分規(guī)則來計算積分，得到容積點及其權(quán)重，再用類似UKF的方法計算積分。

文獻[11]在CKF的基礎(chǔ)上，提出了容積求積卡爾曼濾波（Cubature Quadrature Kalman Filter， CQKF）。為達到提高精度的目的，CQKF構(gòu)造高階采樣點，但增加了計算量、降低了濾波實時性。

文獻[12]則在EKF的基礎(chǔ)上提出單形不敏求積卡爾曼濾波（Simplex Unscented Quadrature Kalman Filter， SUQKF）。該方法結(jié)合高斯—拉蓋爾積分公式（Gauss-Laguerre Quadra），使用一組新型高階采樣點達到提升收斂速度與濾波精度的目的。

1.5 卡爾曼濾波技術(shù)的應(yīng)用

卡爾曼濾波目前主要用于不能精確觀測的系統(tǒng)狀態(tài)，如氣象、能源、雷達等[13-16]。

2 自適應(yīng)濾波發(fā)展現(xiàn)狀及發(fā)展趨勢

2.1 自適應(yīng)濾波技術(shù)的基本概念

自適應(yīng)濾波技術(shù)的概念源自固定系數(shù)濾波技術(shù)。在固定系數(shù)濾波技術(shù)中，已算出信號和噪聲各自占有的頻帶，濾波時清除噪聲所在頻率，留下信號所在頻率。而自適應(yīng)濾波技術(shù)可以隨著環(huán)境參數(shù)的改變，根據(jù)算法自動調(diào)整濾波參數(shù)，得到濾波結(jié)果，實現(xiàn)噪聲抵消[17]。

自適應(yīng)濾波的主要特點是不需要輸入先前的信號，因此計算量小，多用于實時處理系統(tǒng)[18]。

2.2 LMS自適應(yīng)算法及其發(fā)展

在所有濾波技術(shù)中，最小均方誤差（LMS）算法使用最為廣泛，其具有平穩(wěn)環(huán)境中收斂性好、計算復雜度低、穩(wěn)定性高等優(yōu)點。LMS算法基于最小均方誤差準則，使輸出值與估計值之間的均方誤差最小[17]。

階長作為自適應(yīng)算法中的一個重要參數(shù)及不確定因素，對算法的性能有很大影響。階長與收斂速度正相關(guān)，與穩(wěn)定性負相關(guān)。因此，尋找階長的最佳值是LMS算法研究中的一個難點[19]。

文獻[20]提出了分割濾波器算法，將濾波器分成多個濾波器的組合，并依次計算誤差，通過比較最后兩個濾波器的誤差來確定是否選擇添加下一個。

文獻[21]提出了梯度下降算法來解決階長選取問題，使用梯度的概念將濾波器的輸出誤差平方定義為濾波器階數(shù)收斂的目標函數(shù)，以此為依據(jù)，目標函數(shù)取值小時獲取最佳階長。

文獻[22]和[23]提出了分數(shù)階數(shù)（FT-LMS）算法。一般認為，F(xiàn)T-LMS算法是目前效率最高的LMS算法。但該算法參數(shù)理論性過強，選擇復雜，目前僅限于理論研究，并沒有太多的實踐意義。

由上述分析可知，LMS算法的一大限制在于無法兼顧收斂速度與穩(wěn)定性。為了解決這個問題，文獻[24]中提出了基于凸組合的并聯(lián)LMS自適應(yīng)濾波算法（CLMS），并聯(lián)指兩個濾波器同時工作，可有效提高收斂速度，但需人為設(shè)定參數(shù)，不具有一般性。

為解決CLMS中存在的問題，文獻[25]提出了一種基于變步長的CLMS算法（VSCLMS），但該方法對于濾波器的要求過于苛刻，在實際使用過程中也有較大問題。

文獻[26]提出了一種采用以最小均方權(quán)值偏差為條件的變步長濾波器，并以此作為凸組合濾波器中的快速濾波器，不僅提高了收斂速度，還保證了在時變環(huán)境下的魯棒性。

2.3 其他自適應(yīng)算法

遞歸最小二乘（RLS）算法的基本準則是，每次獲取數(shù)據(jù)都要對之前的所有數(shù)據(jù)進行計算，令其平方誤差的加權(quán)和最小。顯然，此方法隨著時間推移，計算量隨之增大，實時性較差。但對于有大量計算能力且對實時性要求較低的系統(tǒng)而言，該算法的收斂速度快、精度高、穩(wěn)定性高，適用于非平穩(wěn)信號。因此，有大量降低該算法計算復雜度、保持其收斂速度、精度、穩(wěn)定性的嘗試與研究，如快速遞推最小二乘格型算法等[27]。自適應(yīng)算法中還有變換域自適應(yīng)濾波算法[28]、基于子帶分解的自適應(yīng)算法、基于QR分解的自適應(yīng)算法、共軛梯度算法等[29]。

2.4 自適應(yīng)濾波技術(shù)的應(yīng)用現(xiàn)狀

自適應(yīng)濾波作為一種智能且有針對性的濾波方式，不僅能直接應(yīng)用于航空[30]、光學[31]、生物醫(yī)藥[32]等多個領(lǐng)域，還能與其他技術(shù)配合使用，有著良好的應(yīng)用前景。

3 粒子濾波發(fā)展現(xiàn)狀及趨勢

3.1 基本粒子濾波技術(shù)

20世紀50年代提出的粒子濾波技術(shù)是另一種解決非線性濾波問題的常用技術(shù)。剛提出此項技術(shù)時，由于其計算量大、退化嚴重，導致該技術(shù)長期得不到重視。但隨著時間的推移，對于這兩個問題有了很好的解決方案，因此粒子濾波技術(shù)的應(yīng)用也越來越廣泛[33]。

粒子濾波技術(shù)的中心思路是構(gòu)造一個基于樣本的后驗概率密度函數(shù)，尋找一組在狀態(tài)空間傳播的隨機樣本描述系統(tǒng)狀態(tài)，將樣本形象化為粒子，如果數(shù)量達到一定程度，就可以無限逼近任何系統(tǒng)狀態(tài)。該技術(shù)不需要任何先驗性假設(shè)，理論上適用于所有空間狀態(tài)模型描述的隨機系統(tǒng)[34]。

3.2 粒子濾波標準算法

序貫重要性采樣（Sequential Importance Sampling， SIS）算法以及序貫重要性重采樣方法（Sequential Importance Resampling， SIR）是粒子濾波技術(shù)的標準算法。這兩種算法出現(xiàn)時間較早，雖體現(xiàn)了粒子濾波技術(shù)的基本思想，但也存在嚴重的缺陷[33]。

粒子退化是指當系統(tǒng)達到某個狀態(tài)時，大部分之前粒子幾乎對于結(jié)果沒有影響、所占權(quán)極低，小部分粒子權(quán)重很大，此時，大部分計算都在做無用功，而小部分粒子不能完全反映系統(tǒng)的當前狀態(tài)。SIS算法就存在這樣的缺陷[35]。

SIR算法舍棄權(quán)值小的粒子，將權(quán)值大的粒子進行繁殖，抑制了粒子退化現(xiàn)象，但隨之會出現(xiàn)粒子多樣性喪失的問題，即所有粒子都從少部分粒子復制而來，導致粒子不具有代表性，或難以描述系統(tǒng)的當前狀態(tài)。這種情況被稱為粒子匱乏現(xiàn)象[35]。

3.3 粒子濾波技術(shù)的發(fā)展

目前，大多數(shù)粒子濾波技術(shù)都圍繞著SIS算法與SIR算法及其存在的問題進行相應(yīng)的研究與改進。

3.3.1 對SIS算法的改進

有三大類設(shè)計方法用于對SIS算法的改進，使其獲得最優(yōu)的重要性采集密度函數(shù)[36]。一是利用一些優(yōu)化算法來尋找該函數(shù)特有的模式；二是采用經(jīng)典的非線性濾波算法來構(gòu)造該函數(shù)，如前文提到的EKF、UKF等；三是采用Auxiliary粒子濾波算法（APF）[37]。

3.3.2 對SIR算法的改進

文獻[38]提出了一種將粒子分為兩塊，對其中一塊進行重采樣，用以在粒子退化與粒子喪失之間進行折中。

文獻[39]提出了一種精確重采樣（Exquisite Resampling， ER）算法，該算法以提高計算復雜度為代價，比較樣本權(quán)值，同時保留權(quán)值大的樣本，然后使用擬蒙特卡洛方法（Quasi Monte Carlo）對后代進行復制。該算法雖能有效解決粒子匱乏現(xiàn)象，但大大提高了計算復雜度。

文獻[40]提出了一種蟻群優(yōu)化算法，利用螞蟻覓食機制取代重采樣的步驟，將螞蟻覓食過程與粒子傳遞過程相聯(lián)系，避免粒子匱乏問題的出現(xiàn)。

文獻[41]和[42]也使用了蟻群優(yōu)化算法，在增加計算量的前提下，使用優(yōu)化粒子的方法抑制粒子匱乏現(xiàn)象。

文獻[43]提出了一種改進的濾波算法，可以從根本上解決粒子退化問題，廢除重采樣步驟，降低計算量，避免出現(xiàn)粒子匱乏現(xiàn)象，運算速度得到大幅提升。

3.3.3 與粒子數(shù)量有關(guān)的算法

由粒子濾波的定義可知，隨著算法的進行，粒子的數(shù)量會不斷增加，而性能好壞與計算量成正比。由于系統(tǒng)的計算量有限，因此在實際使用時往往會將粒子數(shù)量限制在一定范圍內(nèi)。但隨著時間的推移，概率密度復雜度越來越大，粒子數(shù)目固定會導致粒子濾波性能下降。同時，最優(yōu)粒子數(shù)目的選擇一般都根據(jù)經(jīng)驗選擇，沒有現(xiàn)成的算法。因此，產(chǎn)生了一系列與粒子數(shù)目相關(guān)的算法。

文獻[44]根據(jù)Kullback-Leibler距離來確定最優(yōu)粒子數(shù)量，并能隨著系統(tǒng)的運行自適應(yīng)調(diào)整最優(yōu)粒子數(shù)量，從而提高算法性能。

文獻[45]在不顯著提高計算量的前提下，結(jié)合真實密度以及后驗概率密度復雜度，使得粒子數(shù)目與傳播函數(shù)自適應(yīng)變化，保證了較高的精度。

文獻[46]提出了一種通過比較近似濾波估計和真實濾波估計動態(tài)調(diào)整粒子數(shù)目的算法。

文獻[47]提出了一種基于模糊邏輯，通過濾波估計誤差動態(tài)調(diào)整粒子數(shù)目的算法。

文獻[48]通過模擬退火，獲取當前檢測值，使重要性密度函數(shù)隨時間自適應(yīng)更新，提高了估計精度。

3.3.4 粒子濾波技術(shù)的發(fā)展趨勢

粒子濾波技術(shù)還可以與其他技術(shù)相結(jié)合。

文獻[49]將粒子濾波與神經(jīng)網(wǎng)絡(luò)結(jié)合，采用全局搜索策略，解決了局部搜索算法容易陷入局部極小的問題，實現(xiàn)粒子高利用的目標。

文獻[50]將粒子濾波與自組織模糊神經(jīng)網(wǎng)絡(luò)訓練算法相結(jié)合，在增加神經(jīng)元準則和刪除神經(jīng)元準則的基礎(chǔ)上，利用粒子濾波技術(shù)對神經(jīng)元參數(shù)進行學習。

粒子濾波技術(shù)今后的發(fā)展主要圍繞粒子濾波技術(shù)目前的難點與缺陷展開，如重要性函數(shù)選擇、重采樣算法、算法實時性提升、收斂性證明。

3.4 粒子濾波技術(shù)的應(yīng)用現(xiàn)狀

粒子濾波技術(shù)雖然出現(xiàn)時間早，但實質(zhì)上是進十幾年剛發(fā)展起來的，潛力不俗。粒子濾波技術(shù)雖然也應(yīng)用于機器人[51]等領(lǐng)域，但其主要應(yīng)用于目標追蹤、定位，特別是軍事領(lǐng)域，如空對空、空對地被動式追蹤等[52]。

4 結(jié) 語

本文總結(jié)了卡爾曼濾波技術(shù)、自適應(yīng)濾波技術(shù)、粒子濾波技術(shù)的發(fā)展現(xiàn)狀以及發(fā)展趨勢，簡單介紹了各濾波技術(shù)的應(yīng)用現(xiàn)狀。

各類濾波技術(shù)有著各自的優(yōu)點與缺陷，在實際應(yīng)用中也會出現(xiàn)不同的問題，需要在今后的實踐中不斷改進。

參考文獻

[1]王穎，金志軍.常用數(shù)字濾波算法[J].中國計量，2012（3）：99-100.

[2]余明善.數(shù)字濾波器的應(yīng)用發(fā)展的趨勢和實現(xiàn)分析的方法[J].華人時刊旬刊，2013（1）.

[3]靳凱紅.核脈沖全譜數(shù)據(jù)采集系統(tǒng)數(shù)字濾波的設(shè)計與實現(xiàn)[D].邯鄲：河北工程大學，2014.

[4]陳曉燕，程志江，姜波，等.基于多傳感器信號融合的數(shù)字濾波方法[J].電氣傳動，2015，45（2）：54-57.

[5]許大星.非線性系統(tǒng)的幾種濾波算法研究[D].杭州：杭州電子科技大學，2013.

[6]盛崢.擴展卡爾曼濾波和不敏卡爾曼濾波在實時雷達回波反演大氣波導中的應(yīng)用[J].物理學報，2011，60（11）：812-818.

[7]王小旭，潘泉，黃鶴，等.非線性系統(tǒng)確定采樣型濾波算法綜述[J].控制與決策，2012， 27（6）：801-812.

[8] Julier S， Uhlmann J， Durrant-Whyte H F.A New Method for the Nonlinear Transformation of Means and Covariances in Filters and Estimators[J].IEEE Transactions on Automatic Control，2000， 45（3）：477-482.

[9]李中志，趙夢，于雪蓮，等.基于強跟蹤的平方根不敏卡爾曼濾波器[J].現(xiàn)代雷達，2014，36（2）：52-57.

[10] Arasaratnam I， Haykin S.Cubature Kalman Filters[J].Automatic Control IEEE Transactions on， 2009， 54（6）：1254 - 1269.

[11] Bhaumik S， Swati. Cubature quadrature Kalman filter[J].International Journal of Control， Automation and Systems， 2015，7（5）：533 - 541.

[12]韓萍，桑威林，石慶研.一種新型非線性卡爾曼濾波方法[J].儀器儀表學報，2015，36（3）：632-638.

[13]蘭偉仁，朱江，雷霆，等.風暴尺度天氣下利用集合卡爾曼濾波模擬多普勒雷達資料同化試驗I.不考慮模式誤差的情形[J].大氣科學，2010，34（3）：640-652.

[14]王笑天，楊志家，王英男，等.雙卡爾曼濾波算法在鋰電池SOC估算中的應(yīng)用[J].儀器儀表學報，2013，34（8）：1732-1738.

[15]李江，王義偉，魏超，等.卡爾曼濾波理論在電力系統(tǒng)中的應(yīng)用綜述[J].電力系統(tǒng)保護與控制，2014（6）：135-144.

[16]秦勤.雷達目標跟蹤的卡爾曼濾波方法的研究[D].大連：大連海事大學，2006.

[17]曹景升，單毅，樊雪濤.自適應(yīng)濾波器在噪聲處理中的應(yīng)用[J].電子技術(shù)與軟件工程，2015（7）：129.

[18]魯連鋼.基于LMS自適應(yīng)算法的隨機信號去噪仿真與分析[J].網(wǎng)友世界·云教育，2013（11）：22-23.

[19] Prakash M S， Shaik R A. A distributed arithmetic based approach for the implementation of the Sign-LMS adaptive filter[C].Signal Processing And Communication Engineering Systems （SPACES）， 2015 International Conference on. IEEE， 2015：326-330.

[20] Riera-Palou F， Noras J M， Cruickshank D G M. Linear equalisers with dynamic and automatic length selection[J]. Electronics Letters， 2001， 37（25）：1553-1554.

[21] Gu Y， Tang K， Cui H. LMS algorithm with gradient descent filter length[J]. IEEE Signal Processing Letters， 2004， 11（3）：305-307.

[22] Gong Y， Cowan C F N. A novel variable tap-length algorithm for linear adaptive filters[C].Proceedings of IEEE International Conference on Acoustics Speech & Signal Processing， 2004.

[23] Gong Y， Cowan C F N. An LMS style variable tap-length algorithm for structure adaptation[J].IEEE Transactions on Signal Processing， 2005，53（7）：2400-2407.

[24] Arenas-Garcia J， Figueiras-Vidal A R， Sayed A H. Steady state performance of convex combinations of adaptive filters[C].Acoustics， Speech， and Signal Processing， 1988. ICASSP-88， 1988 International Conference on Acoustics， 2005.

[25]于霞，劉建昌，李鴻儒.一種變步長凸組合自適應(yīng)濾波器及其均方性能分析[J].電子學報， 2010，38（2）：480-484..

[26]高鷹，謝勝利.一種變步長凸組合LMS自適應(yīng)濾波算法改進及分析[J].電子學報，2011，29（8）：1094-1097.

[27]馬國棟，閻樹田，賀成柱，等.基于LMS算法與RLS算法自適應(yīng)濾波及仿真分析[J].電子設(shè)計工程，2014，22（6）：43-45.

[28]齊林，周麗曉.變換域自適應(yīng)濾波算法的研究[J].鄭州大學學報 （理學），2007，39（1）：61-66.

[29]郭華.自適應(yīng)濾波算法及應(yīng)用研究[D].蘭州：西北師范大學， 2007.

[30] Ning X， Huang P， Fang J， et al. An adaptive filter method for spacecraft using gravity assist[J].Acta Astronautica， 2015，109：103-111.

[31] Kleefeld A， Breu M， Welk M， et al. Adaptive Filters for Color Images： Median Filtering and Its Extensions[Z].Lecture Notes in Computer Science， 2015：149-158.

[32] Knaup M， Lebedev S， Sawall S， et al. Multi-dimensional tensor-based adaptive filter （TBAF） for low dose x-ray CT[Z]. Medical Imaging Physics of Medical Imaging， 2015.

[33]呂德潮，范江濤，韓剛甕，等.粒子濾波綜述[J].天文研究與技術(shù)：國家天文臺臺刊，2013，10（4）：397-409.

[34]王法勝，魯明羽，趙清杰，等.粒子濾波算法[J].計算機學報，2014，37（8）：1679-1694.

[35]于金霞，湯永利，劉文靜.粒子濾波自適應(yīng)機制研究綜述[J].計算機應(yīng)用研究， 2010， 27（2）：417-422.

[36] J Cornebise， E Moulines， J Olsson.2008： Adaptive methods for sequential importance sampling with application to state space models[J].Statistics & Computing， 2008，18（4）：1-5.

[37] Johansen M， Doucet A， Adam M J A， et al. A note on auxiliary particle filters[J]. Statistics & Probability Letters， 2008， 78（12）：1498-1504.

[38]左軍毅， 張怡哲，梁彥.自適應(yīng)不完全重采樣粒子濾波器[J].自動化學報，2012，38（4）：647-652.

[39] Fu X， Jia Y. An improvement on resampling algorithm of particle filters[J].IEEE Transactions on Signal Processing， 2010， 58（10）：5414-5420.

[40] Xu B， Chen Q， Zhu J， et al. Ant estimator with application to target tracking[J]. Signal Processing， 2010， 90（5）：1496-1509.

[41] Zhong J， Fung Y F， Dai M. A biologically inspired improvement strategy for particle filter： Ant colony optimization assisted particle filter[J]. International Journal of Control Automation & Systems， 2010， 8（3）：519-526.

[42] Zhong J， Fung Y F. Case study and proofs of ant colony optimisation improved particle filter algorithm[J].Iet Control Theory & Applications， 2012，6（5）：689-697.

[43] Daum F， Huang J. Particle degeneracy： root cause and solution[J]. Proc Spie， 2011（4）.

[44] Li T， Sun S， Sattar T P. Adapting sample size in particle filters through KLD-resampling[J].Electronics Letters， 2013，49（12）：740-742.

[45] Soto A.Self Adaptive Particle Filter[C].Proceedings of the 19th international joint conference on Artificial intelligence. Morgan Kaufmann Publishers Inc.，2005：1398-1403.

[46] O Straka， S Miroslav. Particle filter with adaptive sample size[J]. Kybernetika -Praha-， 2011，3（3）：385-400.

[47] Ma J， Zhao Q. Robot Visual Servo with Fuzzy Particle Filter[J].Journal of Computers， 2012，7（4）.

[48] Zuo J Y， Jia Y N， Zhang Y Z， et al. Adaptive iterated particle filter[J]. Electronics Letters， 2013， 49（12）：742-744.

[49]陳養(yǎng)平，王來雄，黃士坦.基于粒子濾波的神經(jīng)網(wǎng)絡(luò)學習算法[J].武漢大學學報（工學版）， 2006，39（6）：86-88.

[50]程洪炳，黃國榮，倪世宏，等.基于粒子濾波的自組織模糊神經(jīng)網(wǎng)絡(luò)算法研究[J].儀器儀表學報，2011，32（3）：634-639.

[51] Du G， Zhang P.A Markerless Human–Robot Interface Using Particle Filter and Kalman Filter for Dual Robots[J]. Industrial Electronics IEEE Transactions on， 2015，62（4）：2257-2264.

[52]馬勇.粒子濾波算法及其在目標跟蹤中的應(yīng)用[D].哈爾濱：哈爾濱工程大學，2008.