蔣繼娟

摘 要：針對弱目標(biāo)的檢測與定位問題，提出一種改進的擬蒙特卡羅粒子濾波檢測前跟蹤（Imporve Quasi-Maonte Carlo Intelligent Particle Filter Track Before Detect，IQIPF-TBD）算法。解決了粒子多樣性匱乏的問題并有效的降低了粒子數(shù)，使追蹤的結(jié)果更加精確。

關(guān)鍵詞：弱目標(biāo)；檢測前跟蹤；擬蒙特卡羅；粒子濾波

目標(biāo)的檢測與跟蹤[ 1 ]是現(xiàn)在研究的熱點問題。常用的微弱信號檢測跟蹤技術(shù)就是基于粒子濾波的檢測前跟蹤（Particle Filter Track Before Detect，TBD）算法[ 1 ]。

傳統(tǒng)的PF-TBD算法存在粒子數(shù)分布不均勻和粒子多樣性匱乏的問題，本文在QIPF算法[ 2 ]的基礎(chǔ)上提出了改進的擬蒙特卡羅智能粒子濾波檢測前跟蹤算法。

1 檢測前跟蹤跟蹤建模

2 IQIPF-TBD算法

本文在文獻[4]提出的QIPF-TBD算法的基礎(chǔ)上，在重采樣的過程中引入MH算法，通過不斷迭代完成馬爾科夫[5]形成的過程。

3 仿真結(jié)果及性能分析

為了驗證在本章中所改進算法是的優(yōu)越性，分別采用了PF-TBD、QIPF-TBD、QIPF-TBD用MATLAB這3種算法對做勻速運動的目標(biāo)進行跟蹤。

我們將所需要的參數(shù)設(shè)置為：

在6dB的信噪比條件下，目標(biāo)出現(xiàn)的時刻是第10s，在第40s時消失，目標(biāo)存在的總數(shù)為30幀。

[40m，2m/s，60m/s，1m/s]T規(guī)定為初始狀態(tài)，目標(biāo)的馬爾科夫狀態(tài)轉(zhuǎn)移矩陣為Πif =0.9 0.10.1 0.9，蒙特卡羅仿真次數(shù)100次。

從圖1中我們可以看出，QIPF-TBD算法相于PF-TBD算法的RMSE值減少的較快， IQIPF-TBD算法可以很快的檢測到目標(biāo)并對于進行跟蹤，RMSE值是三種算法中減少最快的。相比于IQIPF-TBD算法，IQIPF-TBD算法和PF-TBD算法需要較長的時間才會趨于穩(wěn)定。

參考文獻：

[1] 張浩.低空目標(biāo)探測雷達(dá)高速目標(biāo)檢測與跟蹤技術(shù)研究與實現(xiàn)[D].電子科技大學(xué)，2016.

[2] 郭云飛，唐學(xué)大，駱吉安，等.一種基于QMC-APF的檢測前跟蹤算法[J].現(xiàn)代雷達(dá)，2015， 37（2）：33-36.

[3] Yin S， Zhu X.Intelligent Particle Filter and Its Application to Fault Detection of Nonlinear System[J]. IEEE Transactions on Industrial Electronics，2015，62（6）：3852-3861.

[4] 任子暉，王堅，高岳林.馬爾科夫鏈的粒子群優(yōu)化算法全局收斂性分析[J].控制理論與應(yīng)用，2011，28（4）：462-466.