论文部分内容阅读
由于目标运动的复杂性和不确定性,传统的非线性滤波算法难以得到较好的滤波精度,为了提高目标的跟踪性能,提出了一种改进后的非线性滤波算法。该算法利用BP神经网络,对非线性滤波的滤波误差进行了修正,然后将修正后的滤波误差补偿给滤波估计值,进而得到新的状态更新。实验以扩展卡尔曼滤波算法（EKF）和不敏卡尔曼滤波算法（UKF）为例,对运动的单目标进行了蒙特卡洛仿真,结果表明,该算法具有更快的收敛性和更高的滤波精度,能够有效改善目标的跟踪性能。