论文部分内容阅读
机动目标跟踪在军事、民用上日益显著的应用使得该课题在近年来得到了深入的研究和飞跃的发展。跟踪除去其他因素就是单纯的滤波预测问题。本论文从粒子滤波算法出发,在研究该算法的机理上改进了常规粒子滤波的重要性密度函数选择方法和重采样方法并以此来解决机动目标跟踪问题,解决目标发生机动时的跟踪滤波问题。本文首先详细介绍了粒子滤波基本原理,通过与卡尔曼滤波和其他滤波估值技术的对比验证指出了粒子滤波在机动目标跟踪中的优越性。其次分析了粒子滤波重要性密度采样技术。考虑到粒子的先验信息很难确定而导致粒子滤波初始阶段滤波效果不理想的问题,提出了基于卡尔曼估计修正的新型粒子滤波算法。算法在滤波初始阶段采用卡尔曼滤波的状态估计与误差估计重构重要性密度函数,利用重新采样的粒子估计目标状态。对各算法做了大量仿真工作,结果表明基于重要性密度采样技术改进的新算法很好的解决了初值不稳的问题。再者分析了在跟踪强机动目标时,连续的机动会影响重采样过程中对有效粒子权值的选择,导致能正确表征目标状态的粒子权值变小,甚至被抛弃,而没有贡献的粒子权值无限增大。为了解决该问题本文从重采样技术出发,提出了基于遗传算法优化的新型粒子滤波算法。算法在重采样之前对粒子作保留与复活处理,在机动发生时增加粒子多样性。通过建立的机动目标运动场景,对提出算法做了仿真工作,结果表明在滤波精度上相对扩展卡尔曼粒子滤波算法提高了13.4%。最后鉴于交互式多模型在机动目标跟踪中的优越性—它能够及时准确的辨识机动参数,且多个模型可以更客观准确的描述运动模型,结合本文提出的改进粒子滤波算法在滤波精度上的优势共同对机动运动目标进行跟踪,以期得到更好的跟踪滤波效果。通过仿真实验表明,改进算法的实时性虽不高,但在滤波精度上还是相较于基本交互式多模型算法提高了17.5%。