小波粒子滤波算法在机动目标跟踪中的应用

论文摘要

单机动目标跟踪算法的关键是跟踪模型和滤波算法,机动目标模型主要有: CV、CA模型、Singer模型、“当前”统计模型、转弯模型(Coordinate Turn model)等。滤波算法主要有标准卡尔曼滤波、扩展卡尔曼滤波器、Unscented卡尔曼滤波(UKF),以及近来提出了基于Bayes理论的粒子滤波器(Particle filter)等。滤波算法通常又可分为线性滤波算法和非线性滤波算法。在线性滤波算法中,机动目标运动模型是关键因素。特别是对于卡尔曼滤波算法之类的方法。只有模型比较好的匹配了,才能使算法的尽快收敛,才能尽可能的提高跟踪的精度。在本文的第三章重点研究了粒子滤波算法的理论,粒子滤波是从贝叶斯估计的方法中进化而来,在应用中主要的问题是粒子的退化问题,在实际的应用中采用重采样的方法进行优化,有学者提出了各种改进的粒子滤波算法,文中主要介绍了辅助粒子滤波(APF)、正则粒子滤波、扩展卡尔曼粒子滤波。结合粒子滤基本理论与单机动目标跟踪的过程,阐述了粒子滤波在单机动目标跟踪中的应用原理。最后将粒子滤波算法与扩展卡尔曼滤波算法进行了仿真分析和对比。结合弹道导弹再入段过程机动运动模型,对于粒子滤波的一些改进算法与标准粒子滤波进行了仿真验证。在本文的第四章重点研究了小波分析的基础理论,分析了其本身的特性以及其在信号去噪方面的优越性能,结合粒子滤波在目标跟踪实际应用中,在采样粒子时往往存在所采样粒子与待估计状态的后验概率偏差较大的情况,因此将小波算法应用于机动目标跟踪的每一步去消除这种误差,最后本文提出基于小波滤波的方法对粒子滤波算法进行优化,通过将小波应用于粒子权值的去噪,降低了所采样粒子与真实后验概率的方差。通过仿真实验证明,小波粒子滤波算法较标准的粒子滤波算法有更小的RMSE。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 机动目标跟踪的研究背景
• 1.2 粒子滤波研究现状
• 1.3 本文的主要内容
• 1.4 论文的章节安排
• 第二章 机动目标跟踪模型
• 2.1 引言
• 2.2 CV 与CA 模型
• 2.3 SINGER 模型
• 2.4 当前统计模型
• 2.5 机动目标转弯模型
• 2.6 经典滤波算法
• 2.6.1 离散卡尔曼滤波算法
• 2.6.2 扩展卡尔曼滤波算法
• 2.7 MONTE CARLO 仿真
• 2.8 跟踪误差统计分析
• 2.9 本章小结
• 第三章 粒子滤波算法
• 3.1 引言
• 3.2 粒子滤波算法
• 3.2.1 贝叶斯估计
• 3.2.2 贝叶斯重要性采样（BIS）
• 3.2.3 序贯重要性采样（SIS）
• 3.2.4 退化现象及重采样算法
• 3.2.5 标准粒子滤波算法
• 3.2.6 改进的粒子滤波算法
• 3.3 粒子滤波应用于单机动目标跟踪中的原理
• 3.4 仿真实验及分析
• 第四章 小波粒子滤波算法在机动目标跟踪中的应用
• 4.1 引言
• 4.2 小波理论
• 4.2.1 小波分析的发展
• 4.2.2 小波变换的定义
• 4.2.3 多分辨率分析Mallat 算法
• 4.2.4 小波阈值去噪原理
• 4.3 小波粒子滤波算法
• 4.4 系统仿真和分析
• 4.5 本章小结
• 第五章 总结与展望
• 参考文献
• 发表论文和参加科研情况
• 致谢