论文部分内容阅读
近年，粒子滤波（Particle Filter，简称PF）备受关注，与传统滤波方法相比，它具有简单易行、适用于非线性及非高斯噪声环境的优点，因此被广泛应用于诸多工业领域，如计算机视觉、航空导航及过程监控等。除计算负担较大外，样本贫化现象是PF的最大缺点，尤其对较长时间内维持不变的量（如受故障影响的模型参数）进行估计时影响尤为突出，更易导致PF算法退化，极端情形会导致算法发散。这对将PF应用于故障诊断影响很大。减轻样本贫化影响的最简单方法是加大样本集，但一般难以做到。本文把扩展卡尔曼滤波（EKF）及正则采样