[发明专利]一种基于分布式扩散策略的反馈粒子滤波方法

说明书

本发明属于信号处理领域，涉及信号处理领域的目标跟踪问题，具体为一种基于分布式扩散策略的反馈粒子滤波方法。本发明基于分布式网络框架，网络中的每个节点通过与邻居节点交换信息完成对目标的跟踪，降低了网络运算负担，且具有更强的稳健性；同时，本发明通过引入由目标状态的真实后验分布与粒子后验分布之间的Kullback‑Leibler(K‑L)散度定义代价函数，使每个粒子在基于其自身状态和经验分布特征的反馈控制下演化，从而不需要再构造建议分布和进行重采样过程；另外，本发明与经典分布式粒子滤波方法相比，能够实现更高的跟踪精度，更好的跟踪性能，且对粒子数变化敏感度低，稳定性更好。

技术领域

本发明属于信号处理领域，涉及信号处理领域的目标跟踪问题，特别是涉及到分布式架构下的反馈粒子滤波目标跟踪问题，具体为一种基于分布式扩散策略的反馈粒子滤波方法。

背景技术

粒子滤波是一类基于递推贝叶斯法则，利用样本统计量对系统状态进行估计的方法，在处理非高斯非线性系统的参数/状态滤波问题方面具有独特的优势，已被广泛应用于目标跟踪、通信信号处理以及计算机视觉等领域。

一般针对粒子滤波方法研究主要基于文献“Gordon N J,Salmond D J,Smith A FM.Novel Approach to Nonlinear/Non-Gaussian Bayesian State Estimation[J].Radarand Signal Processing,IEE Proceedings F,1993,140(2):107-113.”中提出的自举滤波(Bootstrap Filter)框架，即序列重要性采样(Sequential Importance Sampling，SIS)或建议分布采样-重要性再采样(Sampling-Importance Resampling，SIR)，如果建议分布产生的样本不能足量覆盖后验分布样本，则容易导致粒子贫化。针对贫化问题已有大量改进算法，主要针对重采样改进或(和)建议分布改进；重采样改进，如马尔科夫蒙特卡洛(MCMC)采样、辅助粒子滤波(APF)、正则化粒子滤波(RPF)等，目的在于从建议样本中更准确的抽取后验样本，并未从根本上克服贫化问题；建议分布改进，如无迹卡尔曼-粒子滤波(UKF-PF)、容积卡尔曼-粒子滤波(CKF-PF)及混合粒子滤波(MPF)等，目的是构造更接近后验概率密度的建议分布，这类改进方法对于不同系统模型的性能差异较大，难以达到贝叶斯意义下的最优估计。

近年来，文献“Yang T,Laugesen R S,Mehta P G,et al.Multivariablefeedback particle filter[C]2016:10-23.”中提出了一种反馈粒子滤波(FeedbackParticle Filter，FPF)方法，反馈粒子滤波是一种基于平均场博弈论(mean-field gametheory)的近似非线性滤波新方法；通过对先验样本构造反馈，采用Kullback-LeiblerDivergence(KLD)来度量反馈后概率分布与真实后验分布之间的差异，将最小化KLD等效为欧拉-拉格朗日边值问题求解反馈增益，使得由先验样本能够直接得出后验样本，每个粒子在基于其自身状态和经验分布特征的反馈控制下演化，从而不需要再构造建议分布和进行重采样过程。

目前，反馈粒子滤波方法都基于集中式架构，即将网络中各接收机接收的信号都传递到融合中心，在该特定的接收机上进行运算，即集中式的处理方式；然而，集中式处理方式扩展性较差，存在多跳通信问题，对网络的通信带宽要求较高，以及因为存在融合中心接收机和参考信号导致鲁棒性较差；同时，因为所有的位置估计运算都在融合中心接收机进行，所以融合中心接收机的运算负担和能量消耗都很大。

基于此，本发明提出一种基于分布式扩散策略的反馈粒子滤波方法。

发明内容

本发明的目的在于针对上述集中式反馈粒子滤波方法所存在的问题，提出一种基于分布式扩散策略的反馈粒子滤波方法。为实现该目的，本发明采用的技术方案如下。

一种基于分布式扩散策略的反馈粒子滤波方法，其特征在于，包括以下步骤：