基于混沌的改进粒子群优化粒子滤波算法

《基于混沌的改进粒子群优化粒子滤波算法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、2016年5月第42卷第5期北京航空航天大学学报JournalofBeijingUniversityofAeronauticsandAstronauticsMav2016V01．42No．5http：／／bhxb．buaa．edu．cnjbuaa@buaa．edu．enDOI：10．13700／j．bh．1001-5965．2015．0670基于混沌的改进粒子群优化粒子滤波算法王尔申4，庞涛，曲萍萍，蓝晓宇(沈阳航空航天大学电子信息工程学院，沈阳110136)摘要：针对基本粒子滤波(PF)算法存在的

2、粒子退化和重采样引起的粒子多样性丧失，导致粒子样本无法精确表示状态概率密度函数真实分布，提出了一种基于混沌的改进粒子群优化(PSO)粒子滤波算法。通过引入混沌序列产生一组混沌变量，将产生的变量映射到优化变量的区间提高粒子质量，并利用混沌扰动克服粒子群优化局部最优问题。利用单变量非静态增长模型(UNGM)在高斯噪声和非高斯噪声环境下将该算法与基本粒子滤波和粒子群优化粒子滤波(PSO．PF)的性能进行仿真比较。结果表明：该算法的性能在有效粒子数和均方根误差(RMSE)等参数都优于基本粒子滤波和粒子群优化

3、粒子滤波，改善了算法的精度和跟踪性能。关键词：混沌理论；粒子群优化(PSO)；粒子滤波(PF)；粒子退化；非线性系统；非高斯噪声中图分类号：V271．4；TP273文献标识码：A文章编号：1001—5965(2016)05—0885-06粒子滤波(ParticleFilter，PF)是由粒子及其权重组成的离散随机测度近似概率分布¨o。由于其在处理非线性非高斯系统的状态滤波问题的优势心引，在目标跟踪、卫星导航和故障检测等方面得到了广泛的应用”。1。PF的主要问题是随着迭代次数增加，存在粒子退化现象。G

4、ordon等旧1提出改进方法，解决了粒子退化部分问题，但也带来粒子多样性丧失和计算复杂等问题。为解决这些问题，目前已有的改进PF算法有：改进重采样的PF算法，将PSO(ParticleSwarmOptimization，PSO)算法与PF算法结合的PSO．PF算法，将自适应PSO与PF结合的改进算法等一’1引。将PSO引入到PF算法中，使得粒子分布向高后验概率区域分布，改善粒子退化问题，提高滤波精度。但PSO存在陷入局部最优、计算量大等问题。本文利用混沌的遍历性、随机性的特点进行搜索，将变量从混沌空

5、间映射到解空间，对当前粒子个体产生混沌扰动，使粒子跳出局部极值区间，提高粒子样本的质量。并给出混沌粒子群优化改进粒子滤波(ChaosParticleSwarmOptimizationParticleFilter，CPSO．PF)算法，在高斯噪声和非高斯噪声环境下对算法的性能进行验证，提高了滤波的精度和稳定性，减少了迭代次数。1PF算法设非线性系统的状态方程和量测方程为戈I=／

6、量测函数；u。和收稿日期：2015—10-16；录用13期：2015—11-20；网络出版时间：2016-01．0410：04网络出版地址：www．cnki．net／kems／detail／11．2625．V．20160104．1004．010．html基金项目：国家自然科学基金(61571309，61101161)}通讯作者：Tel．：024-89723755E—mail：wanges_2016@126．corn弓l用格式：王尔申，庞涛．曲萍萍．等．基于混沌的改进粒子群优化粒子滤波算法【j]．北京

7、航空航天大学学报，2016．42(5)：885—890．WANGES，PANGT，QuPP，eta1．ImprovedparticlefilteralgorithmbasedonchaosparticleSWsITnoptimization口J．Jour-nalofBeOingUniversityofAeronauticsandAstronautics，2016，42p)：885-890(inChinese)．886北京航空航天大学．学报2016年移。为相互独立的噪声‘141。基本PF算法的步骤如下

8、：步骤1初始化，产生粒子集{戈：}羔。，粒子的权值为1／N，N为粒子数目。步骤2重要性采样，在k时刻，更新粒子权值11)》tlJ：一，P(气I戈：)i=1，2，⋯，Ⅳ(3)步骤3状态预测，利用状态方程预测下一时刻状态参数Ⅳ：+。。步骤4权值归一化就7{加净可∑(4)∑埘：菇：步骤5重采样，计算得到新的粒子集为{z：，i=0，1，⋯，Ⅳ}。步骤6计算状态估计值互。。步骤7时刻露=k+1，转到步骤2。2CPSO-PF算法混沌运动具有随机性、遍历性和对初始条件敏感的依赖性等