基于改进麻雀搜索算法的粒子滤波研究

石 硬,韩玉兰,薛 丽

(宁夏大学物理与电子电气工程学院,宁夏银川 750021)

0 引言

粒子滤波[1](particle filter,PF)技术在非线性、非高斯系统问题上表现出来的卓越性与优异性使其被广泛应用于各个领域,如雷达跟踪[2]、工业领域的机器寿命预测[3]与电池寿命预测[4]、交通管制领域的人车追踪[5-6]、室内机器人定位[7-8]等。但是粒子滤波存在退化现象[9],引入重采样过程在减轻退化的同时又带来了粒子贫化现象[10]。使用大量样本虽可得到较好的预测结果但需较大的计算量,影响算法运行效率从而降低了算法性能。相关研究学者针对粒子贫化现象进行了大量的研究与改进[11-13],虽然相关改进算法都针对原有粒子滤波有所改进,但是改进后的算法仍无法完全避免重采样过程。

群智能优化算法的提出为改进粒子滤波的状态估计过程提供了新的思路,目前已经有多种群智能优化算法成功应用于粒子滤波[14-18],但群智能优化算法本身也存在相应的缺点,如易局部收敛、全局搜索能力弱等,如何针对粒子滤波的状态估计过程改进相关寻优策略,快速准确地得到全局最优解成为当前急需解决的问题。麻雀搜索算法[19](sparrow search algorithm,SSA)是一种提出于2020年的新型群智能优化算法,仿真结果证明[19]麻雀搜索算法在精度、收敛速度、稳定性和鲁棒性方面均优于灰狼优化算法( GWO)、引力搜索算法( GSA)和粒子群优化算法( PSO)等。目前还没有麻雀搜索算法与粒子滤波结合的相关研究,将麻雀搜索算法应用于粒子滤波的状态估计过程有助于群智能优化理论算法与粒子滤波的进一步应用。……