對于線性Gauss動態(tài)系統(tǒng)來說,Kalman濾波是最優(yōu)的濾波方法。但Kalman濾波面對非線性系統(tǒng)的情形時,就需要涉及高維積分的計算等問題,所以系統(tǒng)狀態(tài)的解析估計并不好得到。粒子濾波的主要思想是對后驗概率密度用帶有權值的離散樣本進行逼近來得到當前狀態(tài)的估計值。理論上粒子濾波算法在粒子數(shù)足夠大時可以充分近似后驗概率密度。但在重采樣階段,大權值粒子不斷被抽到導致抽樣粒子的權值方差越來越大,將不可避免的產生粒子貧化現(xiàn)象。因此為了保證精度就需要有足夠多的粒子數(shù)。而且隨著系統(tǒng)狀態(tài)維數(shù)的增多會使計算難度增加、效率降低。對于不同的模型,重要性密度函數(shù)的選擇也會影響粒子濾波的效果。本文利用了BP網(wǎng)所具有的非線性映射功能,通過加入權值分裂步驟,將權值較小的部分粒子作為樣本輸入,粒子權值作為網(wǎng)絡的權值,量測值作為網(wǎng)絡的目標樣本。然后通過對粒子的權值進行多次的訓練,從而提高粒子濾波算法(PF)中粒子的多樣性,以此來延緩權值退化并改善PF算法的濾波性能。本文先介紹了粒子濾波的一般性框架、BP神經(jīng)網(wǎng)絡的基本知識和神經(jīng)網(wǎng)絡訓練過程的理論推導,然后給出了兩類模型的具體BPNNPF算法:一類是四維純方位雷達跟蹤模型,...

【文章頁數(shù)】：46 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景與意義
    1.2 國內外研究現(xiàn)狀
    1.3 本文主要研究內容
第2章 Bayesian濾波與重要性抽樣
    2.1 預備知識
    2.2 Bayesian濾波
        2.2.1 動態(tài)系統(tǒng)模型
        2.2.2 Bayesian濾波框架
    2.3 序貫重要性抽樣
        2.3.1 理想Monte Carlo方法
        2.3.2 重要性抽樣(IS)
        2.3.3 序貫重要性抽樣(SIS)
    2.4 本章小結
第3章 標準BP神經(jīng)網(wǎng)絡的改進
    3.1 BP神經(jīng)網(wǎng)絡
        3.1.1 BP網(wǎng)絡的前饋計算
        3.1.2 梯度下降法
        3.1.3 反向傳導算法
        3.1.4 隱含層的選取
    3.2 標準BP神經(jīng)網(wǎng)絡的缺陷
    3.3 標準BP神經(jīng)網(wǎng)絡的改進
    3.4 基于改進BP神經(jīng)網(wǎng)絡的粒子濾波算法
    3.5 本章小結
第4章 仿真實驗及效果評估
    4.1 引言
    4.2 仿真實驗及效果評估
        4.2.1 一維非線性模型
        4.2.2 四維純方位雷達跟蹤模型
    4.3 本章小結
結論
參考文獻
致謝



本文編號：3869237