论文部分内容阅读
状态跟踪测量的过程噪声降低了目标信噪比，增加了自适应滤波跟踪的难度。当误差较大时，基本粒子滤波算法的预测累积误差效应将导致系统发散。无迹粒子滤波算法利用无迹卡尔曼滤波提高重要性函数估计精度，减少后验概率密度分布误差，但同时也将大幅增加运算时间。提出一种基于径向基函数网络（RBFN）的改进型粒子滤波算法PF-RBF，利用RBFN通过目标状态观测值和全局预测值拟合状态变化趋势，更新各粒子状态，提高先验概率密度分布估计精度，消除过程噪声引起的估计误差。与无迹粒子滤波（UPF）算法相比，该算法无需构造无迹卡尔曼滤