目标跟踪和系统辨识是现代控制理论中两个重要的研究领域,它们虽然是各自发展的两个学科,同时也是密切相关的两个问题。目标跟踪技术关键在于滤波算法。当目标的观测噪声表现出有色、非高斯、非线性等特征时,将导致非线性滤波问题。非线性滤波问题一直是目标跟踪中的难点。　　 在目标跟踪问题中,机动目标的某些运动状态参数需要通过系统辨识方法才能得到。对于线性系统的辨识已经有了较成熟的方法,并且具有较好的辨识效果,但对于非线性系统往往不能得到满意的辨识结果。　　 由于粒子滤波不受非线性、非高斯问题的限制,其已经成为目前最流行的非线性滤波方法之一,并被广泛应用到多个领域。论文详细研究了粒子滤波算法,在非线性观测条件下,提出目标跟踪的多种粒子滤波算法,并将粒子滤波算法应用到神经网络训练中,提出非线性系统辨识的粒子滤波解决方案。　　 论文主要研究成果和创新有:　　 1.分析粒子滤波算法的收敛性,以及影响粒子滤波性能的各关键因素,包括提议分布、重抽样算法、马尔可夫链蒙特卡罗法等相应技巧,给出常用的几种粒子滤波算法。　　 采用各滤波算法如扩展卡尔曼滤波(EKF)、UKF(unscentedKalman filter)等来更新提议分布中的粒子,形成滤波提议分布。基于UKF,提出自适应提议分布的改进粒子滤波算法。该算法通过在滤波提议分布中在线调节因子以便自适应调节滤波增益,其滤波性能的提高在仿真试验中得到了证实。　　 2.分析了无源被动跟踪存在的问题,推导出其可观测性条件。基于单站无源被动跟踪,采用滤波提议分布和改善粒子滤波性能的相应技巧,提出改进粒子滤波算法。　　 3.结合当前统计模型,提出双站无源被动跟踪的各滤波提议分布的粒子滤波算法。新方法采用自适应当前统计模型和滤波提议分布的粒子滤波,给仅有角测量被动跟踪问题提供一个粒子滤波算法的新解决方案。　　 4.重点分析交互式多模型(IMM)的工作原理及流程,提出基于IMM的新多模型粒子滤波算法。新方法采用多模型结构,各模型的滤波方法采用粒子滤波算法。各模型中的粒子数目不仅固定,而且可以相互交互,并进行重抽样以减轻滤波退化现象。　　 5.提出融合UKF的多模型粒子滤波算法,即将UKF提议分布的粒子滤波与IMM相结合。各模型粒子群用UKF进行更新,形成不受非线性、非高斯问题限制的估计精度高的动态IMM滤波新算法。提出的这些多模型粒子滤波算法通过仿真试验进行了验证。　　 6.分析神经网络系统辨识的性能关键,结合对角回归神经网络(DRNN),考虑系统的延时和反馈,提出一种新的动态学习算法。该新算法融合EKF、动态BP算法及粒子滤波算法等特点,克服BP算法的收敛速度慢、学习时间长以及EKF算法的收敛精度不高等缺点。在经典的非线性辨识的例子中,显示该新算法的训练有效性,给回归神经网络的训练提供一种新思路。