论文部分内容阅读
针对粒子滤波算法(PF)建议性函数的选择问题和粒子匮乏现象，提出了一种改进粒子滤波算法。该算法利用无迹卡尔曼滤波(UKF)产生建议性分布，较准确地抓住粒子概率分布的特征，提高算法的估计精度；采用马尔科夫蒙特卡罗法(MCMC)的算法思想，通过计算接受概率筛选粒子，既保持了粒子的多样性，又抑制了粒子匮乏现象。将多种算法应用于目标状态估计中，仿真结果表明该算法的估计精度明显优于PF、UPF、PFMC(PF和MCMC的融合)和EPFMC(PF和EKF以及MCMC的融合)算法。