粒子滤波（Particle Filter）概念浅谈

粒子滤波

       也就是知名的连续蒙特卡洛方法（SMC）,是一种基于仿真的成熟模型估计技术。粒子滤波通常用于估计与马尔科夫链联系的潜在变量的贝叶斯模型---类似于隐式马尔科夫模型，但是在潜在变量的状态空间是连续而不是离散表现典型，但也不完全受限于做出准确的跟踪推断（例如，在一个线性动态系统，潜在变量的动态空间受限于高斯分布，因此使用卡尔曼滤波能做出有效地准确估计）。

       在隐式马尔科夫模型和相关模型的语境下，"filtering"指的是决定潜在变量在特定时间下的分布。之所以命名为“粒子滤波”，是因为允许使用粒子集（分布的不同权重的样本）来近似滤波。

       缺点之一是，当模拟样本不够大时，可能遭遇样本匮乏问题。这种方法也可以结合卡尔曼滤波的一种版本来使用。

       优点：和马尔科夫-蒙特卡洛方法相比，粒子滤波一次只估计一个潜在变量的分布，而不是一次全部完成。而且，产生一定权重的样本集，而不是无权重的样本。

（以上翻译自维基百科http://en.wikipedia.org/wiki/Particle_filter可能不够准确，仅作参考）

 

（以下摘自百度百科http://baike.baidu.com/view/2238505.htm）

粒子滤波器的应用领域

在现代目标跟踪领域，由于实际问题的复杂性，所面对的更多的是非线性非高斯问题，Hue等把PF推广到多目标跟踪和数据关联 ，Gordon等对杂波中的目标跟踪问题提出混合粒子滤波器弼 ，Mcginnity等提出机动目标跟踪的多模型粒子滤波器 ，Doucet等对跳跃Markov系统状态估计提出了更有效的PF算法 j，Guo把PF用于传感器网络下的协同跟踪 J，Freitas等用PF训练神经网络 ，Srivastava等把PF用于自动目标识别，Fox等把PF用于移动机器人定位，Ward等提出语音源定位的PF算法’ ，Orton等对来自多个传感器的无序量测提出基于PF的多目标跟踪和信息融合方法 ，Penny等使用PF实现多传感器资源最优管理和部署 ，Hernandez等结合PF、数据融合和优化算法实现多传感器资源管理 ．

       研究表明PF是解决此类非线性问题的有力工具之一．PF在计算机视觉、可视化跟踪领域被称为凝聚算法(CONDENsATION)，该领域是PF的一个非常活跃的应用领域，Bruno提出图像序列中目标跟踪的PF算法 ，Maskell等提出基于图像传感器多目标跟踪的PF算法_4 ．在听觉视觉联合目标定位和跟踪方面，Vermaak等利用PF提出声音和视觉融合的集成跟踪 ，Zotkin等使用PF将来自多个摄像机和麦克风组的视觉听觉信息融合跟踪移动目标 ．

       在粒子滤波算法下一些传统的难点问题如目标检测、遮挡、交叉、失跟等得到更好的结果．在无线通讯中PF被广泛用于信道盲均衡、盲检测、多用户检测等方面．其它的应用领域还有机器人视觉跟踪 、导航 、图象处理 、生物信息 引、故障诊断和过程控制 、金融数据处理等．

       研究表明在有关非高斯非线性系统的数据处理和分析领域PF都具有潜在的应用价值．值得一提的是国内学者在PF的研究上也取得许多成果，莫等利用PF算法提出一种混合系统状态监测与诊断的新方法 ，Chen等利用PF预测非线性系统状态分布，获得故障预测概率 ，Li等提出基于PF的可视化轮廓跟踪方法 J，Shan等提出基于PF的手形跟踪识别方法 ，Hu等提出闪烁噪声下的PF跟踪算法 等，这些工作推动PF在国内的研究．