基于粒子滤波实现的目标被动跟踪 - Read.DOC

姓名：朱林富 学号 研究方向：粒子滤波 基于粒子滤波实现的目标被动跟踪 1.1 被动定位系统是一个仅有角测量的系统，通常对于目标距离是不可测的。由于实时处理和计算存储量的需求，通常选用递推滤波算法来实现。由于系统本身的弱观测性，状态空间模型非线性强，导致滤波算法的收敛精度和收敛时间满足不了要求。处理这种非线性、非高斯问题，粒子滤波算法有很好的表现。 粒子滤波的基本思想是：首先依据系统状态向量的经验条件分布，在状态空间抽样产生一组随机样本集合，这些样本集合称为粒子；然后根据观测值不断调整粒子的权重大小和样本位置；最后通过调整后的粒子信息修正最初的的经验条件分布，估计出系统状态和参数。该算法是一种递推滤波算法，可以用来估计任意非线性非高斯随机系统的状态和参数。 粒子滤波主要有三步基本操作：采样（从不含观察值的状态空间产生新的粒子）、权值计算（根据观察值计算各个粒子的权值）、重采样（抛弃权值小的粒子，使用权值大的粒子代替），这三步构成了粒子滤波的基本算法。 SIRF(Sample Importance Resampling Filter)算法是粒子滤波的一种基本算法。 1.2 被动定位系统中二维纯方位目标跟踪模型如上图所示。以观测站为原点，建立二维直角坐标系，图中标出了目标在k时刻、k-1时刻的位置，目标到观测站的距离R不可测。 系统状态模型为： （1.1） 系统观测模型为： （1.2） 其中为系统的k时刻状态值（目标在坐标系x,y方向上的位置和速度），为k-1时刻x,y方向上的系统噪声，为k时刻的观测噪声。为k时刻的观测角度。 为了实现方便，设定系统噪声为一零均值高斯白噪声。初始状态x描述了被跟踪目标的初始状态。传感器测量目标的角度，会产生测量误差和受到测量噪声的污染，测量方程式如1.2所示。为了简便，其中测量噪声设定为一零均值高斯白噪声vk～N（0，r） 1.3 在被动定位系统的二维纯方位目标跟踪中，SIRF算法的步骤如下： 1）采样:根据系统状态方程式（1.1）采样得到k时刻粒子集 （1.3） 2）权值计算：选取先验概率密度函数为重要性函数，意味着权值更新为，且由观测方程式（1.2）得 （1.4） 由于观测噪声与系统状态相互独立，根据式（1.4）得 假设观测噪声为一零均值高斯白噪声，则权值计算为：式1.5 3）权值归一化：当各个粒子权值计算完成后进行权值归一化 4）重采样：采用RSR重采样算法，获得新粒子集 ----------------重采样程序------------------------------------------------------------ indr=1;indd=rN; %设置指针的初始值 K=rN/W; %计算中间变量K U=rand(1,1); %随机生成一个随机阈值 for i=1:rN; %主循环 temp=K.*w_buffer(i,1)-U; %添加一个中间变量temp r_buffer(indr,1)=quzheng(temp); % U=r_buffer(indr,1)-temp; %更新阈值 if r_buffer(indr,1)0 % i_buffer(indr,1)=i; %存储被复制粒子的地址 indr=indr+1; else i_buffer(indd,1)=i; % 存储被抛弃粒子的地址 indd=indd-1; end; iR=indr-1; -------------------------------------------------------------------------------------------------- 5）状态值输出： ----------------状态输出程序-----------------------------------------------------