摘要：在量測精度不高時,重要性重采樣粒子濾波效果較好,但在觀測模型具有較高精度時,由于較多的無效樣本可能導致粒子濾波失效.同時傳統粒子濾波重采樣算法雖可以用來解決粒子退化問題,但也會出現如粒子的多樣性喪失、高權值的粒子被多次計算等,同時也存在傳統的BP神經網絡與粒子濾波結合會導致實時性較差等問題.針對這些問題,本文提出基于動量BP算法的似然分布自適應粒子濾波(MO-NNWA-APF):一方面通過反映量測噪聲統計性能的精度因子α對似然分布狀態自適應調整,增加先驗和似然的重疊區,提高濾波精度;另一方面將動量BP算法與似然分布自適應調整結合,增大位于低概率密度區域的粒子的權值,同時部分高權值粒子被分裂為小權值粒子,一定程度上增加粒子的多樣性和改善算法的實時性.選用一維系統和多維單目標系統仿真綜合比較算法得出:使用基于動量BP算法的似然分布自適應粒子濾波算法優于現有的基本粒子濾波算法、基于BP神經網絡的粒子濾波算法,在系統狀態、均方根誤差、估計與真值的關系、有效粒子數等方面體現出較好的預測能力,預測結果表現精度較高,算法穩定,實時性較好.