摘要：傳統(tǒng)粒子濾波算法樣本數(shù)保持不變,而固定的樣本數(shù)將會(huì)直接影響粒子濾波算法的計(jì)算復(fù)雜度,進(jìn)而影響粒子濾波算法的實(shí)時(shí)性和精度.針對(duì)這一問題,引入樣本數(shù)可自適應(yīng)調(diào)整的粒子濾波,既可以在每一步狀態(tài)方差估計(jì)中設(shè)定樣本數(shù)的下限,也考慮了狀態(tài)方差過大或者過小的情形;同時(shí)將動(dòng)量BP算法與樣本數(shù)自適應(yīng)粒子濾波結(jié)合,增大位于低概率密度區(qū)域粒子的權(quán)值,使位于這部分區(qū)域的小權(quán)值粒子重新進(jìn)入高權(quán)值區(qū)域,降低粒子退化,同時(shí)部分高權(quán)值的粒子分裂為小權(quán)值粒子.仿真模型選取為單變量非靜態(tài)增長(zhǎng)模型和多維單目標(biāo)跟蹤模型,仿真結(jié)果得出:使用融合動(dòng)量BP算法的樣本數(shù)自適應(yīng)粒子濾波優(yōu)于標(biāo)準(zhǔn)粒子濾波算法、基于BP神經(jīng)網(wǎng)絡(luò)的粒子濾波算法,在系統(tǒng)狀態(tài)、均方根誤差、估計(jì)與真值的關(guān)系、有效粒子數(shù)等方面體現(xiàn)出較好的預(yù)測(cè)能力,預(yù)測(cè)結(jié)果表現(xiàn)為精度較高,穩(wěn)定性較好,且降低了計(jì)算的復(fù)雜度.