[发明专利]基于小生境遗传算法的改进粒子滤波方法

说明书

技术领域

本发明涉及非线性滤波算法领域，具体涉及一种小生境遗传算法的改进粒子滤波方法。

背景技术

非线性滤波技术在卫星导航、目标跟踪、图像识别、经济分析等在内的诸多领域都得到了广泛的应用，最早提出的解决非线性系统估计问题的方法是扩展卡尔曼滤波(EKF)，这也是当前应用最广泛成熟的技术。随着研究领域的拓展及工程应用标准的不断提高，对复杂系统环境下的状态、参数估计精度、性能也提出了更高的要求，而由于EKF的基本思想通过对非线性系统进行一阶线性化来近似模型，且其是基于高斯噪声的假设，因此其精度性能在很多情况下已不能满足需要。近些年来，通过对已有滤波估计方法理论的不断研究改进与创新提出了无轨迹卡尔曼滤波(UKF)以及连续蒙特卡罗法，而后者即是通常所说的粒子滤波(PF)。

粒子滤波与传统的滤波估计方法相比具有适用于非线性、非高斯系统的特点，因而被逐渐应用于信号跟踪、语音音频信号增强、机器人控制、故障诊断和导航定位等诸多领域。但其也有自身的问题，如计算量大，实时性较差，另外存在退化现象以及因重采样而引起的匮乏问题。因此相关学者一直关注PF算法的改进，出现了扩展卡尔曼粒子滤波器(EKPF)、无轨迹粒子滤波器(UPF)，这些改进的PF利用EKF或UKF来帮助确定粒子滤波器的重要性分布，实现二者的结合，可以有效改善滤波的退化现象。此外，随着模拟退火算法、粒子群优化算法(PSO)、遗传算法(GA)等智能进化算法技术的发展，为了解决重采样引起的粒子匮乏问题，一些学者尝试采用进化算法对粒子滤波的重采样进行改进，进而改善滤波过程中粒子群体的多样性，并获取全局最优估计，通过这些改进也确实达到了一定的效果。

遗传算法(GA)是一种应用相当广泛的寻优进行算法，与PF结合应用，可以有效改善粒子匮乏问题。但在利用GA进行重采样的方法中，由于其杂交完全是随机的，虽然这种随机化的杂交形式在寻优的初级阶段保证了解的多样性，经过数代的进化后，大量个体集中于某一个极值点上，它们的后代造成了近亲繁殖，最终可能导致寻优结果收敛于局部最优，而引入小生境技术则有助于解决这一问题。小生境(Niche)技术就是将每一代个体划分为若干类，每个类中选出若干适应度较大的个体作为一个优秀代表组成一个种群，再在种群中以及不同种群之间经过杂交、变异产生新一代个体群，同时采用预选择机制(Preselection)、排挤机制(Crowding)、共享机制(Sharing)或限制竞争选择机制完成选择操作。基于这种小生境技术的遗传算法(NGA)，可以更好的保持种群的多样性，同时具有很高的全局寻优能力和收敛速度，并能提高GA进行多峰函数优化时获得最优解的概率。

因此使用EKF、UKF辅助选取PF重要性分布来改善滤波退化现象，同时利用NGA技术与PF相结合，改善因PF重采样而引起的粒子匮乏问题，将对解决PF的退化现象及粒子匮乏问题能够起到较好的作用，从而提高了滤波算法的整体性能。

发明内容

本发明的技术解决问题：克服现有技术的不足，提供一种基于小生境遗传算法的改进粒子滤波方法，以改进粒子滤波，抑制其退化现象及因简单随机重采样引起的粒子匮乏问题，提高粒子多样性及自适应性，进而改善粒子滤波的性能精度。

本发明的目的是通过以下技术方案来实现：基于小生境遗传算法的改进粒子滤波方法，实现步骤如下：

(1)围绕初始概率分布采样得到M个初始粒子，并设定初始权重；

(2)通过k-1时刻的M个粒子滤波估计，对每个采样粒子进行EKF或UKF得到k时刻对应的均值与协方差阵，采用Gaussian密度作为建议概率密度，以每个粒子的均值、协方差阵作为该分布的均值、协方差阵，并分别从每个建议分布中采n个粒子，共获得nM个粒子组成的集合；n和M均为自然数；

(3)对所述nM个粒子分别进行权重更新，得到每个粒子的权重；

(4)通过权重计算粒子群的有效样本容量，如果得到的有效样本容量小于有效样本容量下限，下限可选择为样本数的一半，进行小生境遗传算法重采样，所述小生境遗传算法重采样方法实现步骤为：

(4.1)由步骤(3)产生nM个个体组成的种群为初始种群，计算得到的粒子权重为初始适应度；

(4.2)计算子代群体个体的适应度，根据各个个体的适应度对其进行降序排列，记忆前M个个体，对父代种群进行遗传选择、交叉、变异操作得到子代种群；

(4.3)采用小生境限制竞争选择操作，将通过遗传操作的子代种群与记忆的父代种群合并，在合并后的种群里，对相邻较近粒子中适应度低的处以罚函数加快其淘汰，使粒子更快的向高适应度方向移动；