改进粒子滤波的分类进化重采样策略

本文主要探讨了一种新颖的"基于分类进化的重采样方法"，针对粒子滤波在实际应用中常见的权值退化和样本贫化问题提出了改进策略。该方法由兰州理工大学电气工程与信息工程学院、甘肃省制造业信息化工程研究中心以及计算机与通信学院的李伟、曹洁、李军和王进花等人合作完成，并得到了国家自然科学基金（项目号61263031）的支持。 在传统粒子滤波中，随着过滤过程的推进，粒子的权值可能会逐渐趋向于零，导致部分重要信息被稀释，这被称为权值退化。为了克服这个问题，该研究团队将采样粒子集按照其权值大小划分为三个类别：小权值种群、保留种群和大权值裂变种群。保留种群保持不变，而大权值粒子则通过差分进化算法进行优化处理，通过变异、交叉和选择操作产生新的粒子种群。这种方法旨在保留历史信息，防止对小权值粒子的知识丢失，从而提高状态估计的精度和跟踪稳定性。 在仿真研究中，该方法显示出在粒子数量较少且仿真时间较长的复杂环境中，相较于传统重采样方法，具有显著的优势。实验结果显示，分类进化重采样方法对于解决权值退化问题更为有效，有助于提升系统的整体性能。文章的关键词包括状态估计、粒子滤波、权值退化和差分进化，这些关键词体现了论文的核心内容和研究领域。 这篇研究论文的索引号为1001-506X，发表在《系统工程与电子技术》杂志上，具体期号未给出，但网络出版时间为2016年，表明了研究成果的时效性。这项工作对提高粒子滤波在动态环境下的估计精度和鲁棒性具有重要的理论价值和实际应用潜力。