【摘要】：目標被動追蹤利用持續(xù)的觀測信息來估計目標的運動狀態(tài),針對此問題提出了一種改進殘差重采樣粒子濾波算法.算法考慮采樣粒子集的空間分布特性,將粒子集空間分布分割為數(shù)量可變、可數(shù)的網(wǎng)格,在每個網(wǎng)格內(nèi)運用時間序列相關(guān)性分析選擇重要粒子,能夠豐富采樣粒子的多樣性,并將該網(wǎng)格內(nèi)所有粒子的殘余權(quán)值和賦予該重要粒子,從而削弱采樣粒子的退化現(xiàn)象,提高非線性系統(tǒng)狀態(tài)估計精度.實驗表明:當觀察噪聲方差小于系統(tǒng)噪聲方差,特別是當初始采樣粒子數(shù)目較小時,該算法在單站純方位目標追蹤狀態(tài)估計中的精度優(yōu)于傳統(tǒng)殘差重采樣粒子濾波算法.
[Abstract]:Passive tracking uses continuous observation information to estimate the moving state of the target. An improved residual-resampling particle filter algorithm is proposed to solve this problem. Considering the spatial distribution characteristics of the sampled particle set, the algorithm divides the spatial distribution of the particle set into a number of variable, countable grids, and selects important particles by using time series correlation analysis in each grid, which can enrich the diversity of the sampled particles. The residual weight of all particles in the grid is given to the important particle, which weakens the degradation of the sampled particles and improves the state estimation accuracy of the nonlinear system. The experimental results show that when the observed noise variance is smaller than the system noise variance, especially when the number of initial sampled particles is small, the accuracy of the proposed algorithm is superior to that of the traditional residual-resampling particle filter algorithm in single-station azimuth only target tracking state estimation.
【作者單位】： 天津科技大學電子信息與自動化學院;
【基金】：國家自然科學基金資助項目(51674176,81472070) 天津市高等學�？萍及l(fā)展基金資助項目(20130707)
【分類號】：TN713

【相似文獻】

相關(guān)期刊論文 前10條

1 于金霞;湯永利;許景民;;基于多樣性向?qū)У淖赃m應(yīng)重采樣粒子濾波研究[J];計算機科學;2012年06期

2 耿振民;朱丹;;圖像重采樣檢測[J];信息安全與通信保密;2013年09期

3 曹洪建;趙耀;倪蓉蓉;;基于冗余性的圖像重采樣檢測[J];數(shù)據(jù)采集與處理;2014年01期

4 劉文靜;于金霞;湯永利;;粒子濾波自適應(yīng)部分系統(tǒng)重采樣算法研究[J];計算機應(yīng)用研究;2011年03期

5 朱秀明;宣國榮;姚秋明;童學鋒;施云慶;;信息取證中圖像重采樣檢測[J];計算機應(yīng)用;2006年11期

6 劉剛;梁曉庚;;遺傳重采樣粒子濾波的目標跟蹤研究[J];計算機工程與應(yīng)用;2010年19期

7 李睿;毛莉;張九蕊;;基于混沌免疫遺傳優(yōu)化的粒子濾波重采樣[J];計算機工程與應(yīng)用;2013年06期

8 劉一;劉本永;;基于再采樣的圖像重采樣偽作檢測[J];計算機應(yīng)用;2014年03期

9 李晉惠;白朝政;;基于確定性重采樣的粒子濾波算法[J];西安工業(yè)大學學報;2012年11期

10 王龍生;顧浩;余云智;;基于微分進化的組合重采樣粒子濾波算法[J];電光與控制;2012年11期

相關(guān)會議論文 前5條

1 李哲;鄭江濱;李秀秀;李杭;;基于重采樣檢測的圖像可信度評價方法[A];第六屆和諧人機環(huán)境聯(lián)合學術(shù)會議（HHME2010)、第19屆全國多媒體學術(shù)會議（NCMT2010）、第6屆全國人機交互學術(shù)會議（CHCI2010）、第5屆全國普適計算學術(shù)會議（PCC2010）論文集[C];2010年

2 王鯤;;重采樣技術(shù)[A];定量藥理研究方法學培訓班講義[C];2010年

3 王鯤;;有限采樣方法與重采樣技術(shù)[A];第三屆全國定量藥理研究方法學研討會論文集[C];2010年

4 陳曦;賈明;單東日;柯映林;;基于區(qū)域重采樣的三角曲面局部特征逼近[A];第一屆全國幾何設(shè)計與計算學術(shù)會議論文集[C];2002年

5 田豐;楊益新;;不規(guī)則陣列最優(yōu)權(quán)重采樣在分裂孔徑中的應(yīng)用[A];泛在信息社會中的聲學——中國聲學學會2010年全國會員代表大會暨學術(shù)會議論文集[C];2010年

相關(guān)碩士學位論文 前10條

1 印明輝;序貫蒙特卡羅并行重采樣方法研究[D];貴州財經(jīng)大學;2012年

2 聶莉莎;基于壓縮感知的NMR數(shù)據(jù)處理[D];中國科學院研究生院(武漢物理與數(shù)學研究所);2015年

3 田寨興;深度視頻重采樣及編碼技術(shù)研究[D];寧波大學;2015年

4 張培川;基于CUDA的粒子濾波并行實現(xiàn)技術(shù)研究[D];西安電子科技大學;2014年

5 郭浩;基于形變空間重采樣與優(yōu)化的運動模糊不變SIFT算子研究[D];湖北工業(yè)大學;2016年

6 俞詠江;可變PRF SAR成像方法研究[D];電子科技大學;2016年

7 曹洪建;數(shù)字圖像重采樣的盲取證[D];北京交通大學;2012年

8 謝鵬程;數(shù)字圖像取證的重采樣檢測方法研究[D];長沙理工大學;2013年

9 郝麗;數(shù)字圖像重采樣檢測研究[D];大連理工大學;2009年

10 肖崳;分布式并行計算實現(xiàn)人體圖像重采樣加速處理[D];重慶大學;2008年

，

本文編號：2215226