單站無源定位的一種改進的粒子濾波算法

高憲軍，李洪斌，司博文

（1.空軍航空大學 科研部，吉林 長春　130022；2.空軍航空大學 研究生隊，吉林 長春 130022；3.95921部隊 湖北 武漢 430000）

單站無源定位的一種改進的粒子濾波算法

高憲軍1，李洪斌2，司博文3

（1.空軍航空大學 科研部，吉林 長春130022；2.空軍航空大學 研究生隊，吉林 長春 130022；3.95921部隊 湖北 武漢 430000）

為了加快無源定位的速度，提高定位精度，針對標準粒子濾波中的重要性函數和重采樣所導致的樣本枯竭問題，本文結合遺傳算法和粒子濾波算法，提出一種改進的的粒子濾波算法，該算法優化了粒子在狀態空間的分布特性，增加了樣本的多樣性，克服了重采樣過程中的粒子退化問題，并針對二維平面機動模型進行仿真。仿真實驗表明，本文算法能夠適用于機載無源定位系統，能夠有效的提高濾波精度，跟蹤性能優于經典的粒子濾波算法。

粒子濾波；重采樣；遺傳算法；無源定位

在現代高科技戰爭中，隨著電子對抗技術和導彈技術的不斷發展，無源定位系統憑借其設備簡單，傳輸距離遠，隱蔽性能好，適用范圍廣泛和生存能力強等優勢，備受國內外軍事強國的關注，無源定位對于提高導彈武器系統在電子戰環境下得生存能力和作戰能力具有重要作用，對現代信息戰更有著極其重要的軍事意義，機載單站無源定位技術是近些年來無源定位研究的重點項目之一，其設備所占空間小，系統機動性強，作戰范圍靈活，關鍵時刻可以直接對目標進行摧毀打擊，先發制人，故本文對機載模型的目標跟蹤展開深入研究［1］。

無源定位是一個典型的非線性濾波問題，近年來，粒子濾波算法（Particle Filter，PF）已被廣泛用于解決非線性濾波問題，它的核心思想就是采用蒙特卡羅仿真抽樣得到狀態的條件分布的一組隨機樣本及相應的權值來逼近隨機變量的后驗概率密度分布［2-4］。但是機載無源定位系統是一個參數估計問題，直接應用粒子濾波將會引起嚴重的樣貧現象。為了消除粒子退化現在主要是采用了兩種關鍵的技術，即優選重要函數和進行再采樣。目前，許多文獻對于如何優選重要性函數進行了深入研究，如無極粒子濾波算法（UPF）［5］，高斯厄米特粒子濾波算法（GHPF）［6］等優選重要性函數的方法。GHPF 比UPF精度要高，但是在非高斯的情況下，性能大幅下降；關于重采樣所造成的采樣枯竭問題，也取得了一些成果，如正則化粒子濾波算法［7］，通過對在采樣后的粒子進行正則化處理，可以克服采樣枯竭，它可以看作一種基于核密度估計的濾波方法，通過后驗密度的連續近似得到新的采樣粒子，避免了粒子多樣性的喪失，但它是基于等權值的條件下的平滑操作，沒有考慮粒子的空間分布性，而且每步都需要估計核密度。常見的還有在重采樣后加入馬爾可夫鏈蒙特卡羅（MCMC）移動算法、將優化算法引入到重采樣環節等［8-9］，雖然一定程度上克服了采樣枯竭現象，但這些算法往往計算過程很復雜。

針對以上的問題，文中提出基于遺傳算法的改進的粒子濾波算法，在保留高重要度粒子的基礎上，通過進化機制確保粒子群中的粒子狀態的多樣性并克服粒子濾波算法中的粒子退化缺陷。

1　粒子濾波原理

粒子濾波算法的核心思路是通過所采用粒子的加權和來代表所需的后驗概率密度。表示的是后驗概率的粒子隨機值，表示的是k時刻N個粒子的權值。后驗概率可近似為:

δ（·）表示的是狄克拉函數。要想從概率密度p（x）中得到采樣，是很難做到的，故選定一個重要性函數q（x），這個函數與p（x）近似，并且容易獲得采樣值，這樣使得xi～q（x）。

確定權重時要符合重要性采樣

如果從重要性密度q（x0:k|z1:k）中獲取采樣，權重則定義成以下形式:

將選擇的重要性密度函數因式分解為以下形式，就可以得到權值的遞歸表示方法，

根據貝葉斯規則，可以將后驗概率分解如下:

如果采樣粒子數N接近于無窮時，后驗概率的真實值就能夠由（1）式很好的近似。

在應用的過程中，粒子濾波算法在經過若干次迭代后會出現退化現象，即只有少部分粒子具有較大的權值，這使得很多運算時間消耗在對系統估計作用不大的粒子上［10］。

2　基于遺傳算法的重采樣算法

粒子重采樣是解決粒子退化問題的一種重要的方法，重采樣完成后，重要度高粒子通過重采樣被多次選取，在一定程度上喪失了粒子的多樣性，造成了粒子匱乏，最終造成目標跟蹤精度不夠。

遺傳算法是一種全局搜索最優解的方法，它簡單，魯棒性好，有自組織、自適應、自學習和并行的突出特點［11］。在這里利用遺傳算法對粒子進行重采樣，保證其多樣性。

2.1粒子集合的編碼

為保證計算速度，采用十進制對粒子群進行編碼。進行雜交和突變都是在十進制的基礎上進行的。

2.2改進遺傳重采樣算法

在重采樣中，可以發現，導致粒子匱乏的原因：直接用比較好的粒子代替了比較差得粒子。在這里利用遺傳算法進行重采樣，首先進行選擇操作，粒子的權值也就越大，其被選中的概率也就越高；然后對被選擇保留下來的個體點進行兩兩配對，按照一定概率進行雜交操作。雜交過程如下：

對于粒子的變異采用非均勻變異，按照一定的概率對權值小得個體進行變異操作。變異的步驟如下：

Δx（t）是一個零均值的隨機變量。K是一個調節系數（本文取0.3），N是粒子的數量，n是狀態空間的維數，M是突變操作之前各粒子之間的最大差距值。

其中，k是時間序列，i、j是粒子序號。

雜交和變異的目的是增加種群中個體的多樣性，避免有可能陷入局部解。經過這樣一系列的遺傳操作，得到了新一代種群，然后可以進行下一次的遺傳迭代過程，迭代次數視具體情況而確定。

2.3遺傳重采樣粒子濾波

融合了遺傳算法得重采樣粒子濾波，能夠保持粒子的多樣性并能夠抑制粒子退化現象。該算法整個過程分以下5步：

第二步，按照狀態轉移方程計算k時刻的粒子更新xki，k=1，2，···，n；

第三步，基于量測計算k時刻新粒子集中的各粒子的權值；

第四步，對粒子集中的每一個粒子，通過其權值系數決定粒子經過遺傳算法雜交和突變操作的概率，兼顧高權值粒子的選擇和粒子的多樣性，迭代出經過優化的粒子群，完成粒子重采樣；

3　實驗仿真

本仿真實驗結合二維機載定位模型，利用波達角、波達角變化率和頻率變化率定位方法，形成對于離散勻加速（CA）模型的定位方案，在Matlab環境下進行仿真實驗，通過對實驗結果的分析對比，驗證該算法的性能。

3.1仿真條件

觀測間隔為T=1 s，波達角、波達角變化率和頻率變化率的測量精度分別取：5×10-3rad、0.2×10-3rad/s、1 Hz/s。目標和觀測器相對的初始真實狀態：x=100 000，y=100 000，vx=20，vy=20；目標和觀測器相對的初始估計狀態：x=101 000，y= 101 000，vx=20，vy=20；觀測器的加速度：ax=2，ay=2；雜交率：0.7，突變率：0.01；粒子個數為30個，p（x0）分布為均勻分布。過程噪聲和觀測噪聲均為高斯白噪聲。在上述條件下，對此過程做100次的Monte Carlo仿真。

3.2仿真結果

目標跟蹤的相對誤差如圖1所示。

圖1　目標跟蹤的相對誤差Fig.1　A target tracking relative error

仿真條件不變，現將粒子數改成5，再次進行目標跟蹤的仿真。

圖2　目標跟蹤誤差對比Fig.2　Target tracking error comparison

通過圖1，我們可以看出改進的粒子濾波算法在所給的仿真條件的定位誤差能達到4.2%左右，速度相對誤差能夠達到1%左右，符合實際應用的要求。通過圖2，在粒子數減少的條件的下，GPFA算法在穩定性和精度上都要好于傳統的粒子濾波算法。

4　結　論

通過仿真實驗，改進的粒子濾波算法能夠滿足機載單站無源定位的精度要求；通過算法對比圖可以看出，由于粒子枯竭現象，標準粒子濾波算法在粒子減少或時間的增長，會出現明顯誤差。改進的粒子濾波算法能夠增加粒子的多樣性，能夠有效避免粒子枯竭現象，提高了濾波的穩定性；但是，改進的粒子濾波算法增加了新的內容，在起初一段時間里，沒有標準粒子濾波收斂速度快，但隨著計算機硬件和技術的飛速發展，該算法有很好的應用前景。

［1］邱匯.單站無源定位技術研究 ［J］.電子科技，2014，27（1）: 87-88.

［2］Kim P，Huh L.Kalman Filter for Beginners:with Matlab Examples［R］.Georgia:CreateSpace，2011.

［3］Gustafsson F.Particle filter theory and practice with positioning applications［J］.IEEE Aerospace and Electronic Systems Magazine，2010，25（7）:53-81.

［4］張婷婷．基于粒子濾波的機動目標跟蹤方法研究［D］．西安：西安電子科技大學，2009.

［5］Sarkka S.Bayesian Filtering and Smoothing［M］.Cambridge: Cambridge University Press，2013.

［6］袁澤劍，鄭南寧，賈新春.高斯-厄米特濾波器［J］.電子學報，2003，31（7）:970-973.

［7］Rudolph van der Merwe，Eric Wan.Sigma-Point Kalman Filters for Probabilistic Inference in Dynamic State-Space Models［D］.OGI School of Science Engineering，Oregon Health Science University，Beaverton，Oregon，97006:864-890.

［8］Xu B，Chen Q，Zhu J，et al.Ant estimator with application to target tracking［J］.Signal Processing，2010，90（5）:1496-1509.

［9］Zhong J，Fung Y，Dai M.A biologically inspired improvement strategy for particle filter:Ant colony optimization assisted particle filter［J］.International Journal of Control，Automation，and Systems，2010，8（3）:519-526.

［10］葉龍，王京玲，張勤.遺傳重采樣粒子濾波器［J］.自動化學報，2007，33（8）:885-887.

［11］張文修，梁怡.遺傳算法的數學基礎［M］.西安:西安交通大學出版社，2000.

An improved particle filter algorithm of single observer passive location

GAO Xian-jun1，LI Hong-bin2，SI Bo-wen3
（1.Department of Scientific Research，Aviation University of Air Force，Changchun 130022，China；2.Graduate Student Team，Aviation University of Air Force，Changchun 130022，China；3.95921 Troopso Air Force，Wuhan 430000，China）

In order to accelerate the rate of passive positioning，improve positioning accuracy for classical particle filter in the sample depletion importance sampling function and punch caused，this paper genetic algorithm and particle filter algorithm，an improved particle filtering algorithm the algorithm optimizes the distribution characteristics of the particles in the state space，increasing the diversity of the sample to overcome the re-sampling process of particle degradation，and the simulation model for the two-dimensional plane maneuvering.Simulation results show that the algorithm can be applied to airborne passive positioning system that can effectively improve the filtering accuracy，tracking performance is better than the classical particle filter.

particle filter；re-sampling；genetic algorithms；passive location

TN953

A

1674－6236（2016）05-0107-03

2015-04-22稿件編號：201504240

高憲軍（1965—），男，吉林白城人，博士。研究方向：航空通信技術。