传统的粒子滤波算法在重采样期间丢弃小重量粒子,因此重要性权重落在极少数粒子上。这会导致采样粒子贫化、粒子多样性缺失以及需要大量粒子才能进行比较准确的状态估计等问题,针对这些问题,提出了一种改进的蝶式算法优化粒子滤波算法。首先,将最新时刻观测信息引入蝴蝶香味公式中,以提高滤波精度;其次,引入吸引半径参数来控制蝴蝶种群寻优的搜索范围,降低算法的复杂度,进而提高算法的实时性;最后,将改进的蝴蝶种群位置更新公式用于优化迭代更新。实验结果表明,与经典粒子滤波器和现有蝶形优化算法相比,改进算法具有更低的均方误差和运行时间。并且在粒子数较少的情况下,可以实现更准确的状态估计,并改善传统滤波器的粒子耗尽现象,保证了粒子多样性。

在目标跟踪领域，粒子滤波技术有处理非线性非高斯问题的优势，但是标准粒子滤波在利用重采样方法解决退化现象时，会产生粒子贫化问题，导致滤波精度不稳定.针对这种问题，本文算法采用了差分进化蝙蝠算法对粒子滤波进行改进.本文算法将粒子表征为蝙蝠个体，蝙蝠种群通过调节频率、响度、脉冲发射率，伴随当前最优蝙蝠个体在目标图像区域进行搜索，并且可以动态决策是采用全局搜索还是进行局部搜索，从而提高粒子整体的质量和合理的分布；引进的差分进化策略可以增强蝙蝠个体跳出局部最优的能力.为了验证本文算法的优化性能，将本文算法和标准粒子滤波算法进行性能分析对比.实验结果表明本文算法滤波性能优于标准粒子滤波算法.