基于改进BP神经网络的粒子滤波算法.pdf

哈尔滨工业大学理学硕士学位论文

摘要

对于线性Gauss动态系统来说，Kalman滤波是最优的滤波方法。但Kalman

滤波面对非线性系统的情形时，就需要涉及高维积分的计算等问题，所以系统状

态的解析估计并不好得到。粒子滤波的主要思想是对后验概率密度用带有权值的

离散样本进行逼近来得到当前状态的估计值。理论上粒子滤波算法在粒子数足够

大时可以充分近似后验概率密度。但在重采样阶段，大权值粒子不断被抽到导致

抽样粒子的权值方差越来越大，将不可避免的产生粒子贫化现象。因此为了保证

精度就需要有足够多的粒子数。而且随着系统状态维数的增多会使计算难度增加、

效率降低。对于不同的模型，重要性密度函数的选择也会影响粒子滤波的效果。

本文利用了BP网所具有的非线性映射功能，通过加入权值分裂步骤，将权

值较小的部分粒子作为样本输入，粒子权值作为网络的权值，量测值作为网络的

目标样本。然后通过对粒子的权值进行多次的训练，从而提高粒子滤波算法(PF)

中粒子的多样性，以此来延缓权值退化并改善PF算法的滤波性能。

BP

本文先介绍了粒子滤波的一般性框架、神经网络的基本知识和神经网络训

练过程的理论推导，然后给出了两类模型的具体BPNNPF算法：一类是四维纯方

位雷达跟踪模型，一类是混合线性/非线性Gauss模型。

PFBPNNPF

最后，本文对标准算法与基于的算法在两种类型的模型下进行

仿真，发现基于BPNN的PF算法的估计精度明显高于PF算法。

BayesianMonteCarloBP

关键词：滤波；序贯方法；非线性滤波；神经网络

-I

哈尔滨工业大学理学硕士学位论文

Abstract

ForlinearGaussiandynamicsystems,theKalmanfilteringistheoptimalfiltering

method.However,whentheKalmanfiltertackleswithanonlinearsystem,itinvolves

thecalculationofhigh-dimensionalintegrals,sotheanalyticestimationofthesystem

stateisinfeasible.Themainideaofparticlefilteringistoutilizediscreteweighted

samplestorepresenttheposteriorprobabilitydensityandthentoobtainanestimateof

thecurrentstate.Theoretically,theparticlefilteralgorithmcansufficientlyapproximate

theposteriorprobabilitydensitywhenthenumberofparticlesislargeenough.

Nevertheless,intheresamplingstep,particleswithlargeweightsaremorelikelytobe

drawn,causingthevarianceofweightstoincreasewithtime,whichwillinevitablylead

totheparticleimpoverishment.Itthusneedsasuf