基于进化编程及粒子群优化的粒子滤波算法设计及实现

摘要

目标跟踪技术在各个领域迅速发展应用，滤波方法是其重要的研究内容之一。在系统状态转移模型和观测模型已知的情况下，可以采用滤波算法对系统的状态进行估计。在实际应用中，系统往往是非线性且非高斯的，对于这样的系统需要非线性滤波算法来解决。
　　粒子滤波算法是一种有效的非线性滤波算法，本文针对目标跟踪问题，设计了两种改进的粒子滤波算法，对列车运行过程中的位移、速度、加速度等信息进行状态估计，本文的主要工作如下:
　　首先，介绍了基本粒子滤波算法的数学基础知识、基本原理以及计算流程，总结了粒子滤波算法的缺点及现有的改进算法;
　　其次，针对进化编程算法搜索精度不够的问题，提出基于改进进化编程的粒子滤波算法，将进化编程中的变异和竞争选择思想引入到粒子滤波算法中，提高粒子样本的多样性，从而解决粒子退化问题;
　　再次，针对粒子群优化算法可能出现的易陷入局部收敛的问题，提出基于改进粒子群优化的粒子滤波算法，结合粒子群优化算法中的粒子寻优思想，使粒子逐渐向最优解靠拢，提高算法的估计精确度;
　　最后，以列车运行状态的目标跟踪问题为例，验证了两种改进粒子滤波算法对列车运行状态进行状态估计的有效性。

目录

声明

致谢

摘要

1 绪论

1．1 研究背景和意义

1．2 国内外研究现状

1．2．1 目标跟踪技术研究现状

1．2．2 粒子滤波算法研究现状

1．3 研究内容

1．4 论文结构

2 基本粒子滤波算法

2．1 数学基础知识

2．1．1 动态系统状态模型

2．1．2 贝叶斯估计理论

2．1．3 蒙特卡洛积分方法

2．2 基本粒子滤波算法的原理

2．2．1 重要性采样

2．2．2 序贯重要性采样

2．2．3 重采样技术

2．3 粒子滤波算法的流程

2．3．1 粒子滤波算法计算流程

2．3．2 粒子滤波的缺点及其改进

2．4 本章小结

3 基于改进进化编程的粒子滤波算法设计

3．1 基于进化编程的粒子滤波算法设计

3．1．1 进化编程算法

3．1．2 基于进化编程的粒子滤波算法

3．2 基于改进进化编程的粒子滤波算法设计

3．2．1 改进的进化编程算法

3．2．2 基于改进进化编程的粒子滤波算法

3．3 算法仿真分析

3．4 本章小结

4 基于改进粒子群优化的粒子滤波算法设计

4．1 基于粒子群优化的粒子滤波算法设计

4．1．1 粒子群优化算法

4．1．2 基于粒子群优化的粒子滤波算法

4．2 基于改进粒子群优化的粒子滤波算法设计

4．2．1 改进的粒子群优化算法

4．2．2 基于改进粒子群优化的粒子滤波算法

4．3 算法仿真分析

4．4 本章小结

5 列车运行状态目标跟踪仿真实验

5．1 列车运行状态模型

5．1．1 列车安全制动模型

5．1．2 安全制动模型的状态空间表达式

5．2 非高斯观测噪声模型

5．3 目标跟踪仿真实验

5．4 本章小结

6 总结与展望

6．1 总结

6．2 展望

参考文献

图索引

表索引

作者简介

学位论文数据集