论文部分内容阅读
粒子滤波算法(Particle Filter,简称PF)作为一种非线性、非高斯滤波方法,能够被应用于不同领域。粒子滤波算法本身具有很好的鲁棒性,在目标跟踪过程中,准确性和实时性是两个最基本的要求。粒子滤波作为一种实现对非线性、非高斯系统的滤波技术,能够对非线性运动目标进行较好的滤波跟踪,用于对目标的跟踪具有很好的鲁棒性。粒子滤波算法能够对复杂环境中的目标进行跟踪,但未能够把实际的观测信息加入到实时跟踪中,因此造成了大量计算的浪费,而且不能有效地表达出后验概率密度函数,存在粒子退化问题。重采样解决粒子退化问题降低了粒子的多样性,造成粒子多样性减少,当目标丢失或跟踪精度不够时,可能会导致系统不收敛,因此就造成了跟踪的不准确性。差分进化算法具有进化思想,通过不断迭代更新优化后代,差分进化思想解决粒子退化具有一定的可行性,针对差分进化变异率固定,导致经过若干次迭代之后,后代样本间差异性变小,导致样本多样性减少,提出了变异率自适应的差分进化算法,变异过程中自适应的变异率使得大权值粒子变化不大而小权值粒子变化较大,小权值粒子通过变异寻得较优状态,优化了粒子采样集合,保持了粒子的多样性,粒子集合的分布趋近于真实的后验分布。变异率自适应的差分进化过程优化了粒子分布,增加了估计的准确性,能够以较少粒子数达到和传统粒子滤波算法相同的准确度,并以差分进化过程代替重采样,既可以解决粒子滤波在跟踪过程中需要大量的粒子数又可以省掉重采样的步骤。本文提出的变异率自适应差分进化算法改善粒子滤波算法中存在的粒子退化问题,并将改进算法用于对不同运动模型的跟踪中,研究了改进的粒子滤波算法对交互多模运动模型的跟踪。实验仿真结果表明变异率自适应的差分进化粒子滤波算法较差分进化算法改进的粒子滤波算法有更高的准确性,引入变异率自适应的差分进化算法,能够缓解算法中存在的粒子多样性减少问题。算法准确性提高,并以差分进化过程代替重采样过程,能够以较少的粒子数达到较高的准确度,算法运行时间较短,具有较好的实时性。