[发明专利]一种基于粒子群改进粒子滤波目标跟踪方法

说明书

本发明提供一种基于粒子群改进粒子滤波目标跟踪方法，包括：S1、对粒子群和粒子滤波算法相关的参数进行初始化；S2、预设初始状态重要性密度函数，基于初始状态重要性密度函数对初始状态集进行采样，形成初始时刻的采样粒子群集合；S3、计算粒子重要性权值；S4、计算粒子的适应度值，并计算适应度值的均值、最大值和最小值；分别计算粒子群中的自适应惯性权重值ω和自适应学习因子csubgt;1/subgt;和csubgt;2/subgt;的值；S5、自适应调整学习因子；S6、更新粒子的速度和位置；S7、对粒子权重值进行归一化处理；S8、判断是否进入重采样阶段；S9、输出状态估计值和方差估计值；S10、判断循环次数是否达到最大迭代次数，如果达到则退出循环，否则返回到步骤S3继续计算。

技术领域

本发明涉及目标跟踪技术领域，具体而言，尤其涉及一种基于粒子群改进粒子滤波目标跟踪方法。

背景技术

随着科学技术水平的提高以及人民生活水平的不断改善，使得海上航行事业飞速发展，船舶的规模和数量都得到了极大的提高，因此船舶航行的安全性问题变得越发重要。而在船舶交通管理系统中，要实现对船舶的实时监控与管理以保证航道的安全，对船舶的目标跟踪变得越发重要，但是目标跟踪总会受到干扰，所得到的测量数据总会伴随着各种噪声，因此为了获得准确可靠的目标信息就需要对数字信号进行处理，从而排除杂波干扰。因此能够起到抑制或者防止干扰的作用。在实际生活当中，绝大多数的系统都是非线性非高斯系统，所以在雷达目标跟踪研究中，自适应算法，机器学习等方法都对非线性非高斯系统的研究都有着重要的意义。而在其中，粒子滤波算法也是一种良好的滤波方法。

粒子滤波的思想是基于贝叶斯思想和蒙特卡洛方法，用粒子集来表示概率，可以用在任何形式状态空间模型上，而且其核心思想是通过从后验概率中抽取出随机状态粒子，近似的表示出非线性、非高斯状态下的贝叶斯估计状态。粒子滤波算法能够将贝叶斯估计中的复杂的积分问题可以转换为简单的数值求和问题，所以大大节省了系统运算量，也节省了运算时间，提高了整个算法的效率。但是粒子滤波算法始终存在着一些问题，包括采样粒子不准确或者粒子多样性缺失等问题。近年来，随着群智能算法越来越受到重视，在各方面都有研究和应用，将群智能优化算法与粒子滤波方法相结合，可以有效改善粒子滤波算法的性能，其中基于粒子群算法的粒子滤波(Particle Swarm Optimization-ParticleFilter,PSO-PF)是代表之一。PSO-PF算法有效地改善了粒子滤波的粒子退化现象，其可调参数少，原理简单，但该算法在后期往往会陷入局部最优，且运算结果不稳定，易发生跟踪丢失或者误跟踪现象。有学者提出了对权重值进行自适应调整的粒子群优化粒子滤波算法来降低发生局部寻优情况的概率。

发明内容

根据上述提出的技术问题，提供一种基于粒子群改进粒子滤波目标跟踪方法。本发明对粒子群优化粒子滤波算法进行了惯性权重和学习因子两个方面的自适应，不仅加入了学习因子自适应，还对惯性权重的自适应方法加以改进以提高算法的准确性，进而优化目标跟踪，提升目标跟踪的精确度。

本发明采用的技术手段如下：

一种基于粒子群改进粒子滤波目标跟踪方法，包括：

S1、对粒子群和粒子滤波算法相关的参数进行初始化；

S2、预设初始状态重要性密度函数，基于初始状态重要性密度函数对初始状态集进行采样，形成初始时刻的采样粒子群集合；

S3、计算粒子重要性权值；

S4、计算粒子的适应度值，并计算适应度值的均值、最大值和最小值；分别计算粒子群中的自适应惯性权重值ω和自适应学习因子c₁和c₂的值；

S5、自适应调整学习因子；

S6、更新粒子的速度和位置，使得粒子不断向真实状态靠近；

S7、对粒子权重值进行归一化处理；