论文部分内容阅读
粒子滤波算法是一种通过蒙特卡洛方法实现的贝叶斯滤波算法,相比于卡尔曼滤波及其改进算法,能在非高斯非线性环境下获得更好的效果。目前对粒子滤波算法的理论研究与应用已经较为成熟,其中最为常见的应用场景为目标跟踪以及检测前跟踪(Track-Before-Detect)。但由于粒子滤波算法是一种迭代算法,因此自身存在固有的缺陷:粒子贫化与粒子退化等。这些缺陷对粒子滤波的应用与性能造成了限制。本文重点研究了粒子滤波算法与粒子滤波检测前跟踪算法,并对上述两种算法提出了改进,主要研究内容如下:第一,根据基于雷达观测与红外观测检测前跟踪模型,研究了RPF-TBD与SPF-TBD算法,通过仿真分析了两种模型下的单帧观测数据,同时在红外观测模型下对两种粒子滤波TBD算法进行了仿真,在仿真中印证了RPF-TBD算法的性能优于SPF-TBD算法。第二,提出了一种基于裂变自举的粒子群优化粒子滤波算法。由于粒子滤波算法存在的缺陷,因此粒子群优化算法被引入粒子滤波以提高对目标的跟踪性能。在该算法中,通过粒子群优化使粒子向高似然区域集中,但会有陷入局部极值的情况,导致滤波性能不稳定,本文在粒子群优化后加入了裂变自举优化,提高了粒子在粒子群优化后的多样性,从而提高了粒子群优化粒子滤波算法的性能。针对机动目标的跟踪问题,提出了将改进的粒子群优化粒子滤波算法应用于交互式多模型结构,相比于单模型粒子群优化粒子滤波算法,能更好的实现跟踪。第三,将改进的粒子群优化粒子滤波算法应用于对弱小目标的检测前跟踪中,相对基本的RPF-TBD算法,获得了一定的性能提升。并在此基础上,将算法应用于多模型滤波结构,实现了对机动目标的检测前跟踪。第四,研究了在CUDA环境下通过编程实现GPU对粒子滤波检测前跟踪算法的并行化处理方法,并将其扩展应用在多模型粒子滤波检测前跟踪算法的并行实现中。粒子滤波TBD算法及其改进算法,其性能与计算量都会随着粒子数量的提高而增加。结合GPU编程能够实现大规模并行通用运算的特点,解决粒子滤波检测前跟踪性能与实时性的矛盾。采用GPU运行的粒子滤波TBD算法相较于CPU运行时可以获得一定程度的加速比。