基于粒子濾波的目標跟蹤與系統(tǒng)辨識方法的研究.pdf

1、目標跟蹤和系統(tǒng)辨識是現(xiàn)代控制理論中兩個重要的研究領(lǐng)域,它們雖然是各自發(fā)展的兩個學(xué)科,同時也是密切相關(guān)的兩個問題。目標跟蹤技術(shù)關(guān)鍵在于濾波算法。當目標的觀測噪聲表現(xiàn)出有色、非高斯、非線性等特征時,將導(dǎo)致非線性濾波問題。非線性濾波問題一直是目標跟蹤中的難點。
　　 在目標跟蹤問題中,機動目標的某些運動狀態(tài)參數(shù)需要通過系統(tǒng)辨識方法才能得到。對于線性系統(tǒng)的辨識已經(jīng)有了較成熟的方法,并且具有較好的辨識效果,但對于非線性系統(tǒng)往往不能得到滿意

2、的辨識結(jié)果。
　　 由于粒子濾波不受非線性、非高斯問題的限制,其已經(jīng)成為目前最流行的非線性濾波方法之一,并被廣泛應(yīng)用到多個領(lǐng)域。論文詳細研究了粒子濾波算法,在非線性觀測條件下,提出目標跟蹤的多種粒子濾波算法,并將粒子濾波算法應(yīng)用到神經(jīng)網(wǎng)絡(luò)訓(xùn)練中,提出非線性系統(tǒng)辨識的粒子濾波解決方案。
　　 論文主要研究成果和創(chuàng)新有:
　　 1.分析粒子濾波算法的收斂性,以及影響粒子濾波性能的各關(guān)鍵因素,包括提議分布、重抽樣算法、

3、馬爾可夫鏈蒙特卡羅法等相應(yīng)技巧,給出常用的幾種粒子濾波算法。
　　 采用各濾波算法如擴展卡爾曼濾波(EKF)、UKF(unscentedKalman filter)等來更新提議分布中的粒子,形成濾波提議分布?；赨KF,提出自適應(yīng)提議分布的改進粒子濾波算法。該算法通過在濾波提議分布中在線調(diào)節(jié)因子以便自適應(yīng)調(diào)節(jié)濾波增益,其濾波性能的提高在仿真試驗中得到了證實。
　　 2.分析了無源被動跟蹤存在的問題,推導(dǎo)出其可觀測性條件。

4、基于單站無源被動跟蹤,采用濾波提議分布和改善粒子濾波性能的相應(yīng)技巧,提出改進粒子濾波算法。
　　 3.結(jié)合當前統(tǒng)計模型,提出雙站無源被動跟蹤的各濾波提議分布的粒子濾波算法。新方法采用自適應(yīng)當前統(tǒng)計模型和濾波提議分布的粒子濾波,給僅有角測量被動跟蹤問題提供一個粒子濾波算法的新解決方案。
　　 4.重點分析交互式多模型(IMM)的工作原理及流程,提出基于IMM的新多模型粒子濾波算法。新方法采用多模型結(jié)構(gòu),各模型的濾波方法采用

5、粒子濾波算法。各模型中的粒子數(shù)目不僅固定,而且可以相互交互,并進行重抽樣以減輕濾波退化現(xiàn)象。
　　 5.提出融合UKF的多模型粒子濾波算法,即將UKF提議分布的粒子濾波與IMM相結(jié)合。各模型粒子群用UKF進行更新,形成不受非線性、非高斯問題限制的估計精度高的動態(tài)IMM濾波新算法。提出的這些多模型粒子濾波算法通過仿真試驗進行了驗證。
　　 6.分析神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識的性能關(guān)鍵,結(jié)合對角回歸神經(jīng)網(wǎng)絡(luò)(DRNN),考慮系統(tǒng)的延時