粒子滤波算法及其在多机动目标跟踪中的应用-检测技术与自动化装置专业论文.docxVIP

App App 本人声明所呈交的学位论文是本人在导师指导下进行的 本人声明所呈交的学位论文是本人在导师指导下进行的 研究工作及取得的研究成果。除了文中特要l,JJJrl以标注和致谢的 地方外，论文中不包含其他人已经发表或撰写过的研究成果， 也不包含为获得南京航空航天大学或其他教育机构的学位或 证书而使用过的材料。 本人授权南京航空航天大学可以将学位论文的全部或部 分内容编入有关数据库进行检索，可以采用影印、缩印或扫描 等复制手段保存、汇编学位论文。 (保密的学位论文在解密后适用本承诺书) 作者签名：盟聋 El 期：埠毕 ， ， 性系统，后者用于非线性系统。卡尔曼滤波是最小均方意义下的最优滤波算法，而扩展卡尔曼 性系统，后者用于非线性系统。卡尔曼滤波是最小均方意义下的最优滤波算法，而扩展卡尔曼 滤波在非线性不是特别严重的情况下，有着近似最优的滤波效果。但是对于强非线性以及非高 斯分布噪声的环境，卡尔曼滤波和扩展卡尔曼滤波算法的性能指标下降，甚至出现发散。 本文主要研究非线性滤波算法，文章对粒子滤波算法进行了归纳介绍。粒子滤波算法是一 种能处理非线性模型、非高斯分布噪声问题的滤波算法。该算法近年来在通信、雷达跟踪、目 标跟踪、图像处理、计算机视觉、故障检测等领域都得到了应用。 本文介绍了顺序重要性采样技术，该技术是粒子滤波算法的基础。早期的粒子滤波算法存 在退化现象，解决的办法是选择好的重要性函数和重采样方法。本文在众多粒子滤波算法的基 础上，提出一种新型的重要性函数的选取方法，来改进粒子滤波算法的估计性能，该算法被称 为辅助无迹粒子滤波算法。， 本文提出的辅助无迹粒子滤波算法思想，是首先通过一般粒子滤波算法步骤得到当前时刻 状态的初步估计；然后引入一组辅助模型；再在辅助模型的基础上通过无迹变换得到进一步的 采样样本，利用无迹卡尔曼滤波算法求得这些样本的均值和方差，通过这些均值和方差来生成 重要性采样函数。本文在多种环境下，多种条件中将各种算法进行仿真比较，实验结果表明辅 助无迹粒子滤波算法是一种有效的算法，其估计效果，稳定性，以及对环境的适应性都要优于 其他的算法。 本文将提出的辅助无迹粒子滤波算法与多机动目标跟踪问题中的数据关联技术中的联合概 率数据关联算法相结合，提出了一种新型的蒙特卡罗联合概率数据关联滤波器。并将其应用于 多目标跟踪实例中，证明了该滤波器有效性。 关键词：粒子滤波，辅助无迹粒子滤波，多机动目标跟踪，联合概率数据关联算法，非线性， 非高斯 粒子滤波算法及其在多机动目标跟踪中的应用Abstract 粒子滤波算法及其在多机动目标跟踪中的应用 Abstract Kalman Filter and Extended Kalman Filter are the most typical filter algorithms in target tracking domain,of which the former is adaptive to linear system and the latter is used in nonlinear system．Kalman Filter is all optimal filter algorithm in the Minimum—Mean-Square-Error sense，While the non-Linearity of the system is not extreme strong，EKF Call achieve approximately optimal filter effect．Kalman Filter and Extended Kalman filtering performance will descend or even diverge when non-Gaussian distribution occurs． The paper focus on nonlinear problems，describes what is the particle filter．Particle filter attract more and more reserehors in kinds of field．Particle filter method earl deal with the non-linear and non-Gaussian noise system，it is used in communications、radar tracking、target tracking、image treating、computer vision、fault detection and SO on． The paper describes Sequent