论文部分内容阅读
针对粒子滤波算法中存在的粒子退化、粒子多样性匮乏和计算量大等问题，本文提出一种基于递归Bayes模型的粒子滤波方法，该方法通过利用系统的状态方程和随机变量概率密度之间的转换关系，将状态的预测概率密度变换为后验概率密度相应的递归形式，并且用于下一次迭代过程的粒子根据当前状态估计重新采样，使新粒子尽可能地分布在真实状态的邻域内，增大粒子有效利用率，提高滤波精度。理论分析和仿真结果表明，与经典的粒子滤波算法和其他重采样算法相比，本文所提算法不仅滤波精度得到了改善，而且计算复杂度也得到了有效的降低。