基于粒子滤波的可变结构多模型估计

论文摘要

机动目标跟踪在各个领域一直是人们密切关注的重要问题之一。然而,非线性,非高斯,机动等问题给机动目标跟踪带来了困难。粒子滤波(PF)是近年来兴起的一种最优非线性滤波方法。它摆脱了解决非线性滤波问题时随机量必须满足高斯分布的制约,而多模型算法(MM)适用于目标高度机动的情况。由此本文针对粒子滤波和多模型算法的特点,从以下两个方面进行了研究:(1)、多模型的模型集设计和自适应方法的研究。多模型估计包括模型集和自适应算法的设计。针对传统模型只适用于和目标真实模型一致的特定情况,本文提出用加速度模型集作为跟踪一般运动的模型集。而传统的自适应网格算法只用于跟踪二维坐标旋转系统中的机动目标,本文提出了一种修正的自适应网格算法用于跟踪平面上的一般机动运动。(2)、粒子滤波和变结构多模型结合方法的研究。传统的方法将粒子滤波和交互式多模型相结合。针对变结构多模型在机动目标跟踪的优秀性能,本文提出将粒子滤波和变结构多模型相结合,用于解决非线性非高斯机动目标的跟踪。在结合过程中,详细分析了粒子结合的各种方法,提出直接用各模型的均值和协方差产生粒子,使计算量大大降低。并将修正的自适应网格算法和粒子滤波相结合用于跟踪模型范围未知的目标。仿真表明,将粒子滤波和变结构多模型相结合的算法在计算量和误差上都有很好的性能表现。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 研究背景
• 1.2 国内外研究现状
• 1.2.1 滤波方法
• 1.2.2 多模型跟踪方法
• 1.2.3 多模型粒子滤波
• 1.3 本文的主要工作和内容安排
• 第2章 粒子滤波和多模型的方法
• 2.1 引言
• 2.2 粒子滤波的思想和算法过程
• 2.2.1 贝叶斯推导
• 2.2.2 贝叶斯估计中的栅格方法
• 2.2.3 重要性采样
• 2.2.4 序贯重要性采样滤波算法
• 2.2.5 重采样技术
• 2.2.6 建议分布的选择
• 2.2.7 样本贫化
• 2.2.8 SIR 滤波器
• 2.3 多模型算法
• 2.3.1 单模型的局限
• 2.3.2 多模型的思想
• 2.3.3 多模型的发展
• 2.3.4 多模型的组成
• 2.4 本章小结
• 第3章 可变结构多模型的方法
• 3.1 引言
• 3.2 可变结构多模型算法
• 3.2.1 VSMM 的结构
• 3.2.2 VSMM 的分类
• 3.2.3 VSMM 算法流程
• 3.2.4 模型集的设计
• 3.3 AGMM
• 3.3.1 AGMM 的算法思想，流程，应用范围
• 3.3.2 一种改进的AGMM
• 3.4 仿真
• 3.4.1 仿真环境说明
• 3.4.2 仿真结果
• 3.4.3 仿真结果分析
• 3.5 本章小结
• 第4章 基于粒子滤波的变结构多模型
• 4.1 引言
• 4.2 粒子滤波与交互式多模型结合
• 4.2.1 IMMPF 算法
• 4.2.2 存在问题和解决方法
• 4.3 VSIMMPF
• 4.3.1 VSIMM 与PF 相结合存在的问题
• 4.3.2 粒子交互的方法
• 4.3.3 算法流程
• 4.3.4 AGMMPF
• 4.4 仿真
• 4.4.1 仿真环境说明
• 4.4.2 仿真结果
• 4.4.3 仿真结果讨论
• 4.5 本章小结
• 第5章 总结与展望
• 参考文献
• 致谢
• 在读期间发表的学术论文与取得的研究成果