粒子濾波算法研究及其在機動目標跟蹤中的應用.pdf

1、機動目標跟蹤在軍事、民用上日益顯著的應用使得該課題在近年來得到了深入的研究和飛躍的發(fā)展。跟蹤除去其他因素就是單純的濾波預測問題。本論文從粒子濾波算法出發(fā)，在研究該算法的機理上改進了常規(guī)粒子濾波的重要性密度函數選擇方法和重采樣方法并以此來解決機動目標跟蹤問題，解決目標發(fā)生機動時的跟蹤濾波問題。
　　本文首先詳細介紹了粒子濾波基本原理，通過與卡爾曼濾波和其他濾波估值技術的對比驗證指出了粒子濾波在機動目標跟蹤中的優(yōu)越性。
　　其次

2、分析了粒子濾波重要性密度采樣技術。考慮到粒子的先驗信息很難確定而導致粒子濾波初始階段濾波效果不理想的問題，提出了基于卡爾曼估計修正的新型粒子濾波算法。算法在濾波初始階段采用卡爾曼濾波的狀態(tài)估計與誤差估計重構重要性密度函數，利用重新采樣的粒子估計目標狀態(tài)。對各算法做了大量仿真工作，結果表明基于重要性密度采樣技術改進的新算法很好的解決了初值不穩(wěn)的問題。
　　再者分析了在跟蹤強機動目標時，連續(xù)的機動會影響重采樣過程中對有效粒子權值的選擇

3、，導致能正確表征目標狀態(tài)的粒子權值變小，甚至被拋棄，而沒有貢獻的粒子權值無限增大。為了解決該問題本文從重采樣技術出發(fā)，提出了基于遺傳算法優(yōu)化的新型粒子濾波算法。算法在重采樣之前對粒子作保留與復活處理，在機動發(fā)生時增加粒子多樣性。通過建立的機動目標運動場景，對提出算法做了仿真工作，結果表明在濾波精度上相對擴展卡爾曼粒子濾波算法提高了13.4％。
　　最后鑒于交互式多模型在機動目標跟蹤中的優(yōu)越性—它能夠及時準確的辨識機動參數，且多個模