粒子濾波算法及其在多機動目標跟蹤中的應用.pdf

1、在目標跟蹤領域,最經典的濾波算法是卡爾曼濾波和擴展卡爾曼濾波,其中前者是用于線性系統(tǒng),后者用于非線性系統(tǒng)?？柭鼮V波是最小均方意義下的最優(yōu)濾波算法,而擴展卡爾曼濾波在非線性不是特別嚴重的情況下,有著近似最優(yōu)的濾波效果。但是對于強非線性以及非高斯分布噪聲的環(huán)境,卡爾曼濾波和擴展卡爾曼濾波算法的性能指標下降,甚至出現發(fā)散。
　　 本文主要研究非線性濾波算法,文章對粒子濾波算法進行了歸納介紹。粒子濾波算法是一種能處理非線性模型、非高斯

2、分布噪聲問題的濾波算法。該算法近年來在通信、雷達跟蹤、目標跟蹤、圖像處理、計算機視覺、故障檢測等領域都得到了應用。
　　 本文介紹了順序重要性采樣技術,該技術是粒子濾波算法的基礎。早期的粒子濾波算法存在退化現象,解決的辦法是選擇好的重要性函數和重采樣方法。本文在眾多粒子濾波算法的基礎上,提出一種新型的重要性函數的選取方法,來改進粒子濾波算法的估計性能,該算法被稱為輔助無跡粒子濾波算法。
　　 本文提出的輔助無跡粒子濾波算

3、法思想,是首先通過一般粒子濾波算法步驟得到當前時刻狀態(tài)的初步估計;然后引入一組輔助模型;再在輔助模型的基礎上通過無跡變換得到進一步的采樣樣本,利用無跡卡爾曼濾波算法求得這些樣本的均值和方差,通過這些均值和方差來生成重要性采樣函數。本文在多種環(huán)境下,多種條件中將各種算法進行仿真比較,實驗結果表明輔助無跡粒子濾波算法是一種有效的算法,其估計效果,穩(wěn)定性,以及對環(huán)境的適應性都要優(yōu)于其他的算法。
　　 本文將提出的輔助無跡粒子濾波算法與