基于自控蝙蝠算法智能优化粒子滤波的机动目标跟踪方法

bekindasd

摘要:标准粒子滤波重采样过程中对粒子的直接删除会导致粒子贫化,并且综合性价比不高,难以满足高频段精密跟踪雷达的需求.针对上述问题,本文提出了基于自控蝙蝠算法优化粒子滤波的机动目标跟踪方法.该方法首先在粒子滤波中引人蝙蝠算法,用粒子表征蝙蝠个体,模拟蝙蝠群体搜索猎物的过程,使粒子向高似然区域移动.同时,改进算法将粒子接受新状态的比例作为反馈量,设计了自适应闭环控制策略对算法的全局搜索能力和局部搜索能力进行全程动态控制,使得粒子分布更加合理,从而进一步提高了粒子滤波的精度.最后在分别在基础非线性滤波模型和强机动强干扰目标跟踪模型中对改进算法的性能进行了测试.实验结果表明,改进算法提高了目标跟踪的精度.

  V, y; U  q. p+ @0 q关键词:粒子滤波;蝙蝠算法;粒子多样性;闭环控制;目标跟踪
' t: N$ K8 U: f7 U, _* B- F
       机动目标跟踪对精度要求高,且具有非线性、非高斯特征,随着计算机硬件性能的迅速发展,粒子滤波(Particle Flter , PF)已逐渐在雷达目标跟踪中得到了广泛应用.粒子滤波通过非参数化的蒙特卡洛模拟实现递推贝叶斯滤波,精度逼近最优估计,适用于处理雷达目标跟踪等非线性、非高斯时变系统的状态估计问题.但是传统粒子滤波方法存在权值退化的问题,对此可通过复制大权重粒子替换小权重粒子的方式来解决,但这种重采样方法仅复制大权值样本,小权值粒子被直接舍弃,会导致粒子的贫化现象。

游客，如果您要查看本帖隐藏内容请回复

% i) d6 k0 J! M7 S4 A3 Z4 N
  x/ ^' ?6 J( F* h; e/ I. O* S
+ z, k' L0 x9 I

qq666888qqw

机动目标跟踪对精度要求高,且具有非线性、非高斯特征