论文部分内容阅读
滤波算法是目标跟踪领域的重要一环，粒子滤波在非线性、非高斯系统条件下的良好适应性，使其成为滤波技术的研究热点。 本文以目标跟踪为主要背景，从重要密度函数选取和重采样环节对粒子滤波算法做了深入研究，主要工作如下: 首先，对目标跟踪的理论基础及滤波理论的发展过程作了介绍。详细分析了经典卡尔曼滤波理论及粒子滤波理论。通过仿真验证了粒子滤波算法的性能优势及存在的一些问题。 其次，从重要性密度函数的选取方面对粒子滤波进行了分析与改进。针对常规重要性密度函数选取存在的问题，利用修正协方差扩展卡尔曼滤波构建重要性密度函数。仿真结果表明改进算法有效缓解了粒子的退化问题，提高了采样精度。 再次，对粒子滤波的重采样环节进行了分析与改进。针对常规重采样算法造成粒子多样性匮乏和增大计算量的问题，提出了基于优化遗传算法的粒子滤波算法。该算法包含选择，竞争、交叉，变异等智能行为，并用其代替重采样环节。仿真结果表明，新算法有效提高了滤波精度，降低了计算量。 最后，结合新算法，对交互式多模型算法进行了研究与仿真。详细分析了交互式多模型及其在机动目标跟踪中的优越性，并将优化的遗传粒子滤波算法与之结合。仿真实验表明，相较于基本交互式多模型算法，改进方法在滤波精度和实时性上有所提高。