粒子滤波器，也称为序贯蒙特卡洛方法，是一类用于求解非线性状态空间系统滤波问题的近似算法。这些技术应用于信号处理和贝叶斯统计推断等领域。滤波问题涉及在仅有部分观测可用且传感器和系统本身均受随机扰动影响时，估计动态系统的内部状态。其核心目标是计算马尔可夫过程状态的后验分布，给定含噪的部分观测。
“粒子滤波器”一词由Pierre Del Moral于1996年首次提出，指的是自20世纪60年代初以来用于流体力学中的平均场相互作用粒子方法。“序贯蒙特卡洛”一词则由Jun S. Liu和Rong Chen于1998年分别提出。粒子滤波采用一组粒子（即样本）来表示随机过程的后验分布。状态空间模型可以是非线性的，初始状态和噪声分布可以采用任意形式。该方法提供了一种成熟的途径，用于从目标分布中生成样本，而无需对模型或状态分布施加限制性假设。
核心方法论
粒子滤波器以近似方式更新其预测，每个粒子携带一个似然权重，表示其从底层概率密度函数中被抽取的概率。一个常见挑战是权重坍缩，即少数粒子主导了分布。这一问题通过重采样步骤得以缓解，该步骤用权重较高的粒子附近的粒子替换权重可忽略的粒子，并常由自适应准则（如权重方差或相对熵）触发。
粒子滤波器的数学基础在于将滤波问题解释为Feynman-Kac路径积分模型。这些技术发展自分子化学和计算物理学，早期贡献来自Theodore E. Harris、Marshall N. Rosenbluth和Arianna W. Rosenbluth。在计算物理学中，这些方法也用于量子蒙特卡洛，特别是扩散蒙特卡洛方法。Feynman-Kac相互作用粒子方法与进化计算中使用的遗传算法密切相关。
背景与动机
滤波问题涉及在观测部分且受噪声污染时估计动态系统的内部状态，噪声同时影响传感器和系统动力学。其目标是根据观测计算状态的后验分布，这需要递归贝叶斯估计。对于线性和高斯模型，卡尔曼滤波器提供了精确解。然而，对于许多现实系统，动力学和观测模型是非线性或非高斯的。
1984年，Mireille Chaleyat-Maurel和Dominique Michel证明，除线性高斯模型或某些更广泛的类别外，后验分布的序列不承认有限维递归。这一结果意味着精确解通常不可行，必须采用近似数值方法。传统方法，包括网格近似、马尔可夫链蒙特卡洛、扩展卡尔曼滤波器或线性化模型，在处理大规模系统、不稳定过程或强非线性动力学时往往面临困难。
算法与重采样
粒子滤波器维护一组粒子，每个粒子表示一个可能的状态，并带有与该状态在给定观测下的似然成比例的权重。算法迭代进行：预测阶段，粒子根据系统动力学演化；更新阶段，根据新观测调整权重；重采样阶段，用高权重粒子的副本替换低权重粒子，以防止权重坍缩。
当少数粒子累积了大部分概率质量时，就会发生权重坍缩，导致表示退化。为缓解此问题，当权重方差或权重分布的相对熵超过阈值时，执行重采样。在重采样过程中，权重可忽略的粒子被丢弃，并在高权重粒子附近生成新粒子。此步骤引入了一些近似，但对于保持多样性和随时间推移的准确性至关重要。
理论基础
从统计角度看，粒子滤波器可解释为Feynman-Kac概率测度的平均场粒子解释。这些技术起源于分子化学和物理学。早期贡献包括Theodore E. Harris和Herman Kahn于1951年的工作，以及Rosenbluth夫妇于1955年的工作，他们在量子蒙特卡洛模拟中使用了这些方法。1948年，Enrico Fermi和Robert Richtmyer开发了与这些方法相关的平均场粒子解释。相关遗传类算法由Alan Turing于1950年和1954年探索，Nils Aall Barricelli于20世纪50年代初在普林斯顿高等研究院也进行了研究。1954年John Hammersley提出的“穷人蒙特卡洛”方法也包含了现代粒子滤波思想的先驱。
应用与方法
粒子滤波器广泛应用于人工智能、信号处理和贝叶斯统计推断等领域。它们特别适用于估计隐马尔可夫模型中的状态，其中底层动力学和噪声分布是非高斯的。常见应用包括目标跟踪、机器人定位和金融风险分析。在机器学习中，粒子方法出现在序贯数据分析和稀有事件采样中。
在计算物理学和分子化学中，这些技术应用于量子蒙特卡洛及相关问题。在生物学中，它们用于模拟种群动态和遗传进化。这些方法还用于系统发育学、药代动力学和定量风险评估。
与其他方法的关系
粒子滤波器不同于传统技术，如扩展卡尔曼滤波器（其线性化非线性动力学）或无迹卡尔曼滤波器（其通过sigma点近似分布）。虽然那些方法依赖高斯假设，粒子滤波器则无此类限制。然而，在高维系统中，粒子滤波器表现不佳，因为所需粒子数随维度呈指数增长，这一现象有时被称为维度灾难。为应对特定应用中的效率问题，已开发出辅助粒子滤波器和无迹粒子滤波器等变体。
应用
粒子滤波器的多功能性使其被广泛应用于众多领域。在信号和图像处理中，粒子滤波器用于视频序列中的目标跟踪。在工程和机器人学中，它们支持同时定位与地图构建（SLAM），用于自动驾驶车辆等系统。在生物信息学中，它们应用于系统发育推断和基因表达分析。经济学和金融学使用它们进行随机波动率模型中的状态估计。定量风险评估和稀有事件采样也受益于这些技术。尽管高维问题仍具挑战性，粒子滤波器继续作为非线性、非高斯状态估计的灵活且广泛使用的工具。
参见
参考文献
主要来源包括Pierre Del Moral关于平均场粒子方法的著作，以及Chaleyat-Maurel和Michel于1984年建立的数学基础。统计计算文献中提供了实用综述。