科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了进一步改善无损粒子滤波（Unscented particle filter，UPF）在重要性采样过程和重采样过程中的不足并尽量满足在对强非线性系统可获得较高滤波精度的前提下提出了一种神经网络优化的非线性滤波算法，该算法减缓了粒子退化贫化以尽量提高粒子使用效率并降低粒子数目要求及粒子舍弃率以相对减少计算量。在重要性采样过程中通过Stirling插值公式设置中心差分Sigma点以改进无损变化（Unscented transfer）中传统的比例对称修正框架，并在该改进的基础上与粒子滤波(Particle filter， PF)相结合从而优化了重要性采样过程，提高了近似目标后验分布的准确性。在重采样过程中采用BP神经网络通过对权值进行分裂获得输入，经过对权值的训练后明显改善了权值退化的过程并改善了整体滤波性能。仿真结果表明该算法对于非线性非高斯系统在较少的粒子数目和较大的观测噪声下表现均较好。
- 单位
