基于粒子滤波的水下被动目标跟踪.pdfVIP

水声学 基于粒子滤波的水下被动目标跟踪 董博，许伟杰 中国科学院声学所东海站 摘要： 针对传统卡尔曼滤波在非线性目标跟踪模型中，跟踪精度较差的问题，本文采 用了基于粒子滤波的水下目标跟踪算法。文中在…。种模拟水下目标跟踪环境的非线性动 态模型中对算法进行了仿真实验，仿真结果表明，粒子滤波算法跟踪精度优于扩展卡尔 曼滤波算法和无迹卡尔曼滤波算法。 关键词：粒子滤波纯方位目标跟踪非线性滤波 1 引言 Motion 目标运动分析(TargetAnalysis，TMA)对于水下作业的开展具有重要意 义。在被动测量的情况下，仅利用目标的方位信息来实时估计运动目标参数的过 Motion 程被称作纯方位目标运动分析(Bearings—onlyTarget Analysis，BO．TMA) 口1。水下被动目标跟踪问题具有非线性和弱可观性特点，这导致了跟踪算法上的 Kalman Filter, 处理困难，目前常用的非线性滤波算法有扩展卡尔曼滤波(Extended Kalman EKE)、无迹卡尔曼滤波(UnscentedFilter,UKF)等乜1，然而它们都是基于系 统目标状态分布为高斯分布这一假设的，具有很大局限性，并且目标可能会进行 机动操作致使系统具有很大的随机性和非线性，这时上述算法的性能会有较大下 降。粒子滤波(ParticleFilter,PF)方法对于目标系统以及噪声性质(线性／非线性、高 斯／非高斯)没有过多限制，具有广泛的适用范围和更好的性能，能够处理非线性 问题并且精度可以逼近最优估计。 2粒子滤波 粒子滤波算法是通过非参数化的蒙特卡洛(MonteCarlo)方法来实现递推贝叶 斯估计口·6|。其实质是由加权的随机样本(称为粒子)组成离散的随机测度来近似相 关概率分布，并根据算法递推来更新离散的随机测度。 值与观测值，假设可以从后验概率密度p(x。IK)中抽取Ⅳ个独立同分布的随机样 本z：n，i=l，…，N，则后验概率分布p(x七I匕)可以近似为式(1)： m∽)≈专善m。卅) (1) 实际中通常无法直接从后验概率分布中采样。重要性采样法引入一个已知的、 ．237． 中国科学院声学研究所纪念建所50周年暨第五届学术交流会 容易采样的重要性概率密度函数q(xkK)，则后验滤波概率密度可以表示为式(2)： JⅣ p(x。I (2) K)=∑蚶5(x。-4订) f=l 肌w(ki)00黜 经过数次迭代后，只有少数粒子的权值较大，状态空间中的有效粒子数 较少，使得估计性能下降，这时要进行重采样的操作，改善权值退化的现象。 由此，任意函数厂@。)的期望估计可以表示为式(3)： 眺洲聍丙1善N艄黜=专善艄皑 (3) 标准的粒子滤波算法流程为： (1)粒子集初始化，k=0：对于f_1，2，…，Ⅳ，由先验p(Xo)生成采样粒子{《‘’)兰。 (2)对于k=l，2，…，循环执行以下步骤： ①重要性采样：对于f_1，2，…，N，从重