亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于人工免疫的漸消容積粒子濾波目標(biāo)跟蹤算法

        2023-01-31 09:41:32張鎧翔姜文剛
        關(guān)鍵詞:協(xié)方差容積均值

        張鎧翔 姜文剛

        (江蘇科技大學(xué)電子信息學(xué)院 江蘇 鎮(zhèn)江 212000)

        0 引 言

        目標(biāo)跟蹤技術(shù)作為環(huán)境感知的核心技術(shù)之一,在軍事勘察、精確制導(dǎo)、安防監(jiān)控等領(lǐng)域都有著巨大的應(yīng)用前景。由于目標(biāo)跟蹤的整個過程存在各種噪聲,所以幾乎都是對非線性的狀態(tài)估計(jì)。針對非線性或者非高斯系統(tǒng)的狀態(tài)估計(jì)問題,目前的解決方法有擴(kuò)展卡爾曼濾波[1](Extended Kalman Fifilter,EKF)、無跡卡爾曼濾波[2](Unstend Kalman Fifilter,UKF)、容積卡爾曼濾波[3](CubatureKalman Fifilter,CKF)、粒子濾波[4](Particle Fifilter,PF)等經(jīng)典非線性算法。

        其中粒子濾波算法是貝葉斯估計(jì)理論的一種非線性算法,且相對于其他算法在目標(biāo)跟蹤領(lǐng)域更具有優(yōu)勢。然而傳統(tǒng)的粒子濾波并沒有考慮最新觀測,這便導(dǎo)致重要性采樣過程得出的樣本與真實(shí)分布存在較大的偏差,以及重采樣階段也會隨著不斷的迭代過程導(dǎo)致粒子匱乏,丟失了粒子的多樣性,進(jìn)而使?fàn)顟B(tài)的估計(jì)精度下降[5]。針對粒子濾波存在的退化問題,近年來不斷有學(xué)者提出解決方法。文獻(xiàn)[6]通過迭代擴(kuò)展卡爾曼和粒子濾波進(jìn)行融合改進(jìn)粒子濾波的重要性密度函數(shù)。文獻(xiàn)[7]為了緩解粒子退化和提高系統(tǒng)預(yù)測精度,提出基于強(qiáng)跟蹤無跡卡爾曼濾波算法,其中將強(qiáng)跟蹤無跡卡爾曼預(yù)測的狀態(tài)分布作為重要性密度函數(shù)。文獻(xiàn)[8]則使用差分演化算法與容積粒子濾波融合,由容積卡爾曼濾波產(chǎn)生重要性密度函數(shù),可以進(jìn)一步優(yōu)化粒子,提高濾波的預(yù)測精度。這三種算法都充分考慮了當(dāng)前的觀測值,進(jìn)一步優(yōu)化了重要性密度函數(shù),但對于重采樣過程中粒子多樣性丟失的問題并沒有很好地解決。

        本文基于容積粒子濾波(Cubature Particle Fifilter,CPF)在提議分布和重采樣這兩點(diǎn)上進(jìn)行改進(jìn):(1) 引入文獻(xiàn)[9]中的漸消濾波與容積粒子濾波相融合產(chǎn)生自適應(yīng)提議分布函數(shù),使得融合的提議分布更加逼近真實(shí)狀態(tài),進(jìn)而緩解粒子退化;(2) 在重采樣過程中引入基于人工免疫[10]的重采樣并進(jìn)行自適應(yīng)部分重采樣。通過這兩點(diǎn)可以有效地提高粒子的濾波能力,可以有效地緩解粒子的樣本退化和貧化。

        1 容積粒子濾波算法(CPF)

        1.1 容積卡爾曼濾波(CKF)

        假定非線性系統(tǒng)模型離散系統(tǒng):

        xk+1=f(xk)+w(xk)

        (1)

        zk+1=h(xk)+v(xk)

        (2)

        式中:xk、zk分別為狀態(tài)值和觀測量;w、v分別是過程噪聲和測量噪聲;f與h分別為非線性系統(tǒng)的狀態(tài)轉(zhuǎn)移函數(shù)和量測函數(shù)。

        CKF算法主要是利用球面徑向原則來進(jìn)行高階積分。容積的原則主要是通過點(diǎn)集進(jìn)行非線性傳遞,然后通過加權(quán)求和來近似于非線性函數(shù)的后驗(yàn)均值和方差。

        進(jìn)行容積規(guī)則與高斯分布結(jié)合:

        (3)

        式中:N為高斯概率密度;I為協(xié)方差。

        容積點(diǎn)個數(shù)為:

        m=2n

        (4)

        式中:n是狀態(tài)維數(shù)。

        權(quán)重大小為:

        (5)

        容積點(diǎn)為:

        (6)

        式中:[1]為完全對稱的點(diǎn)集。

        在高維度中CKF相比于UKF、EKF具有更好的收斂性和濾波精度。

        1.2 基于自適應(yīng)漸消容積粒子濾波(CPF)

        CPF是通過CKF來改進(jìn)粒子濾波算法的。主要是在粒子濾波的重要性采樣的過程中通過CKF來計(jì)算每個粒子的均值和協(xié)方差,然后就是通過得到的均值與協(xié)方差來進(jìn)行提議采樣。由于在使用CKF計(jì)算均值和方差可以更好地來逼近后驗(yàn)概率密度函數(shù),也就是融合了最新的觀測值Zk。

        容積粒子濾波算法具體過程如下:

        (7)

        (2) 重要性采樣階段。當(dāng)k=2,3,…,通過CKF進(jìn)行計(jì)算每個粒子的下一時刻的均值和協(xié)方差,分別進(jìn)行時間更新和量測更新。

        時間更新:

        第一步:對容積點(diǎn)進(jìn)行計(jì)算:

        (8)

        (9)

        第二步:傳播容積點(diǎn):

        (10)

        第三步:下一步的狀態(tài)預(yù)測值和協(xié)方差預(yù)測值:

        (11)

        式中:R為過程噪聲。

        量測更新:

        第四步:對下一步的狀態(tài)預(yù)測值求解容積點(diǎn):

        (12)

        (13)

        第五步:容積點(diǎn)傳播:

        (14)

        第六步:進(jìn)行測量預(yù)測值的計(jì)算:

        (15)

        第七步:進(jìn)行測量誤差的協(xié)方差和測量誤差與狀態(tài)誤差的互方差計(jì)算:

        (16)

        第八步:增益更新:

        (17)

        第九步:融入當(dāng)前觀測值的預(yù)測狀態(tài)值和測量協(xié)方差:

        (18)

        (19)

        (20)

        (3) 計(jì)算粒子權(quán)重并歸一化處理:

        (21)

        歸一化權(quán)重:

        (22)

        (23)

        (24)

        2 自適應(yīng)漸消容積粒子濾波(AFCPF)

        由于CPF是通過CKF來進(jìn)行重要性采樣的,在這個過程中由于CKF是通過確定點(diǎn)進(jìn)行采樣的,在實(shí)際運(yùn)用的過程中會出現(xiàn)系統(tǒng)初始化建模不準(zhǔn)確的問題[11]。UPF也存在類似問題,文獻(xiàn)[12]將漸消濾波與UPF結(jié)合來應(yīng)對系統(tǒng)模型匹配不準(zhǔn)確時,可以通過漸消因子進(jìn)行在線調(diào)整變益矩陣,從而使建議分布更加逼近真實(shí)分布。為了解決CPF出現(xiàn)這類情況,本文將漸消因子與CPF進(jìn)行結(jié)合。結(jié)合過程如下。

        (25)

        α0,k=tr(Nk)tr(Mk)-1

        (26)

        式中:tr()為求跡公式。Nk、Mk在CPF中的公式如下:

        (27)

        (28)

        則將漸消因子融入式(19)后新的測量協(xié)方差計(jì)算公式為:

        (29)

        通過漸消因子αt對增益矩陣進(jìn)行在線調(diào)節(jié)從而使得每個粒子的協(xié)方差可以自適應(yīng)地調(diào)節(jié),進(jìn)一步地獲得更加可靠的觀測信息,對干擾狀態(tài)模型和觀測模型的不利因子進(jìn)行抑制,這樣可以有效地使提議分布更加逼近真實(shí)的狀態(tài)分布。

        3 自適應(yīng)部分人工免疫重采樣

        3.1 人工免疫(AAI)重采樣

        人工免疫算法[13]主要構(gòu)架思想是起源于生物免疫系統(tǒng),通過人為的形式來對模仿生物進(jìn)化選擇機(jī)理,其實(shí)是優(yōu)勝劣汰的一種思想。利用細(xì)胞智能群體進(jìn)行尋優(yōu),實(shí)現(xiàn)系統(tǒng)的全局最優(yōu)解的迭代過程[14]。研究證明人工免疫群算法是通過對抗體的克隆和變異產(chǎn)生新的抗體,可以很好保證了樣本的多樣性,以及產(chǎn)生滿足要求的最優(yōu)解的時間較短,相比于其他群智能算法具有更高的收斂速度。

        本文基于人工免疫重采樣的AFCPF具體步驟如下:

        2) 重要性采樣。得到具有不同權(quán)重的抗體集合。并進(jìn)行歸一化處理,將N個新的抗體存入抗體記憶序列。

        3) 設(shè)定重采樣閾值。

        (30)

        4) 計(jì)算抗體親和力??贵w的親和力表示抗體與抗原之間的匹配度??贵w的親和力越高,說明抗體與抗原匹配度越低。也就是親和力度與匹配度成反比。

        則設(shè)定抗體i在k時刻的親和力計(jì)算公式如下:

        (31)

        5) 抗體間互斥力計(jì)算。粒子間的距離作為衡量粒子間互斥力的大小。取任意第i個抗體與第j個抗體在k時刻的互斥力。

        (32)

        6) 進(jìn)行抗體克隆??贵w的克隆數(shù)目以抗體抗原之間的親和力為計(jì)算標(biāo)準(zhǔn)??贵w按照親和力的大小進(jìn)行升序排序。取「μN(yùn)個抗體作為克隆對象,對第i個粒子進(jìn)行克隆。

        (33)

        7) 抗體變異。為了保證粒子的多樣性,進(jìn)行抑制與抗原親和力抗體變異,并結(jié)合抗體間的互斥力關(guān)系repk(i,j),抑制抗體克隆。避免傳統(tǒng)粒子濾波的貧化。若repk(i,j)≤Δ,Δ取[0,0.000 1],設(shè)在k時刻第i個抗體進(jìn)行克隆,并對第j個抗體進(jìn)行變異。

        (34)

        式中:randn為(0,1)內(nèi)的正態(tài)分布的隨機(jī)數(shù);e-repk(i,j)為非線性自適應(yīng)衰減函數(shù),其引入到變異公式里,是為了提高變異效率,提高粒子多樣性,進(jìn)而加快全局最優(yōu)搜索。

        8) 新抗體群選擇。經(jīng)過抗體克隆與抗體變異得到新的一組抗體,再次進(jìn)行親和力計(jì)算,并按照親和力進(jìn)行排序,并選取N個抗體作為下一時刻的粒子狀態(tài)集合。人工免疫重采樣結(jié)束。

        3.2 部分人工免疫重采樣

        為了節(jié)省計(jì)算量,將對部分粒子進(jìn)行人工免疫重采樣。其具體步驟如下:

        (1) 對重要性采樣后的粒子進(jìn)升序排列。

        4 算法驗(yàn)證與實(shí)驗(yàn)分析

        4.1 算法性能仿真實(shí)驗(yàn)

        為了驗(yàn)證本文提出的基于自適應(yīng)漸消容積和人工免疫重采樣的粒子濾波(AI-AFCPF)的可行性,在非線性與非高斯的系統(tǒng)模型中,采用MATLAB 2018b仿真軟件,將本文算法與PF、UPF和CPF進(jìn)行對比實(shí)驗(yàn),作預(yù)測精度和運(yùn)行效率比較分析。狀態(tài)模型與觀測模型如下:

        x(k)=1+0.8cos(0.04πk)+0.6x(k-1)+w(k)

        (35)

        (36)

        式中:w為符合伽瑪分布的過程噪聲;v為符合高斯分布的觀測噪聲。

        設(shè)定粒子數(shù)為50個,迭代次數(shù)為20次,分別對4種方法進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)表明本文算法在預(yù)測精度上明顯要高于另外三種算法,四種算法性能比較曲線如圖1-圖3所示。

        圖1 狀態(tài)估計(jì)

        圖2 估計(jì)偏差

        圖3 RMSE

        為了讓算法的性能更加明顯,采用均方根誤差(RMSE)作為四種算法的狀態(tài)估計(jì)精度衡量標(biāo)準(zhǔn)。四種算法的RMSE的均值和方差如表1所示。根據(jù)表1中均方根的均值表明本文算法狀態(tài)估計(jì)誤差要低于另外三種算法,均方根的方差表明本文算法在穩(wěn)定性上要高于另外三種算法,可見本文算法具有更高的預(yù)測精度與穩(wěn)定性。在系統(tǒng)運(yùn)行上,可以表明本文算法雖然比傳統(tǒng)的PF計(jì)算量要大,但相比UPF和CPF這兩種融合了其他算法的傳統(tǒng)粒子濾波要低,所以本文算法具有一定的可行性。

        表1 RMSE的均值和方差

        4.2 不同粒子數(shù)下的算法性能比較

        為了分析粒子數(shù)對算法的影響,通過在50、70、100粒子情況下進(jìn)行四種算法的比較實(shí)驗(yàn),并進(jìn)行10次實(shí)驗(yàn)來計(jì)算對應(yīng)算法的RMSE的均值和方差,如圖4、圖5所示。

        圖4 不同粒子RMSE均值對比

        圖5 不同粒子RMSE方差對比

        從圖4、圖5分析,沒有進(jìn)行其他算法融合的傳統(tǒng)粒子濾波的RMSE均值和方差都遠(yuǎn)遠(yuǎn)大于另外三種算法,說明融入其他算法后的粒子濾波提高了穩(wěn)定性與狀態(tài)估計(jì)精度。另外,隨著粒子數(shù)不斷增加,PF、UPF、CPF三種算法均值和方差也相應(yīng)下降且下降速率較大,說明這三種算法對粒子的依賴程度較大。而本文算法從柱形圖的變化來看相對平穩(wěn),可見本文算法對粒子數(shù)的依賴性較低,其主要原因是加入人工免疫重采樣大大增加了粒子多樣性,因此本文算法可以通過較少粒子數(shù)達(dá)到較多粒子數(shù)的性能效果,從而降低計(jì)算復(fù)雜度,提高系統(tǒng)運(yùn)行效率。

        4.3 目標(biāo)跟蹤有效性實(shí)驗(yàn)

        為了驗(yàn)證算法的有效性,將本文算法應(yīng)用于目標(biāo)跟蹤模型上,進(jìn)行對比仿真實(shí)驗(yàn)。實(shí)驗(yàn)采用基于距離的目標(biāo)跟蹤模型,因其模型簡單、偏差較小、更具實(shí)用性,其中觀測站為雷達(dá),假設(shè)目標(biāo)做勻速直線運(yùn)動,在t時刻目標(biāo)的狀態(tài)為:

        (37)

        觀測站的狀態(tài)為固定的點(diǎn)為:

        Xstation=(xs,ys)

        (38)

        考慮目標(biāo)勻速運(yùn)動的過程中有干擾噪聲所以將目標(biāo)按水平與垂直方向進(jìn)行分解,分解如下:

        (39)

        (40)

        式中:T為采樣時間點(diǎn)。

        觀測站與目標(biāo)狀態(tài)成非線性關(guān)系:

        (41)

        目標(biāo)的狀態(tài)方程和觀測方程如下:

        X(t+1)=ΦX(t)+Γw(t)

        (42)

        Z(t)=h(X(t))+v(t)

        (43)

        設(shè)定粒子數(shù)為50個,仿真次數(shù)為30次,過程噪聲Q=diag([0.5,1,0.5,1]),觀測噪聲設(shè)為R=2,進(jìn)行四種算法目標(biāo)跟蹤得到相應(yīng)目標(biāo)運(yùn)動軌跡和偏差。實(shí)驗(yàn)結(jié)果如圖6、圖7所示。

        圖6 跟蹤軌跡

        圖7 目標(biāo)跟蹤RMSE曲線

        從圖6、圖7分析得基于本文算法的目標(biāo)跟蹤算法相比另外三種算法,估計(jì)精度更高,主要是加入自適應(yīng)漸消容積粒子濾波使得當(dāng)前觀測值加入重要性密度函數(shù)這樣使得提議分布更加貼近真實(shí)分布,漸消因子減少影響狀態(tài)與觀測模型的噪聲。根據(jù)表2的目標(biāo)跟蹤性能對比,基于本文算法的目標(biāo)跟蹤的RMSE的均值與方差都優(yōu)于另外三種算法,進(jìn)一步表明本文算法提高了目標(biāo)跟蹤的精度與穩(wěn)定性。在系統(tǒng)運(yùn)行時間上傳統(tǒng)粒子濾波雖然運(yùn)行時間較低,但偏差較大,遠(yuǎn)遠(yuǎn)達(dá)不到目標(biāo)跟蹤所需誤差要求,通常是融合其他算法來彌補(bǔ)誤差,計(jì)算量相對會增大,但只要運(yùn)行時間在一定范圍內(nèi)一樣具有可行性?;诒疚乃惴ǖ哪繕?biāo)跟蹤系統(tǒng)在運(yùn)行整體時間上相比其他兩種融合算法少很多,其原因主要是采用了部分自適應(yīng)人工免疫重采樣,保證了粒子的多樣性以及算法整體的收斂速度從而降低計(jì)算量,很好地滿足目標(biāo)跟蹤中毫秒級響應(yīng)時間的需求,進(jìn)一步提高系統(tǒng)的估計(jì)精度。

        表2 目標(biāo)跟蹤性能對比

        5 結(jié) 語

        本文提出基于自適應(yīng)漸消容積粒子濾波建議分布,并采用部分自適應(yīng)人工免疫重采樣的目標(biāo)跟蹤方法有效地解決粒子匱乏問題,同時提高了系統(tǒng)的估計(jì)精度。此方法主要在容積粒子濾波重要性采樣過程融入漸消濾波,其漸消因子對增益矩陣進(jìn)行在線調(diào)節(jié)從而使得每個粒子的協(xié)方差可以自適應(yīng)地調(diào)節(jié),這樣可以有效地使提議分布更加逼近真實(shí)的狀態(tài)分布。在重采樣階段對粒子進(jìn)行優(yōu)化組合,對不穩(wěn)定的粒子集合進(jìn)行人工免疫重采樣,保證系統(tǒng)的穩(wěn)定性,其中人工免疫重采樣利用群智能優(yōu)化粒子群可以保證粒子多樣化,提高估計(jì)精度,以及在粒子數(shù)較少的情況也能達(dá)到較多粒子數(shù)的性能從而提高系統(tǒng)運(yùn)行速率。實(shí)驗(yàn)表明本文提出的基于人工免疫的漸消容積粒子濾波目標(biāo)跟蹤算法在估計(jì)精度與穩(wěn)定性都要優(yōu)于基于PF、UPF、CPF三種目標(biāo)跟蹤算法。因此本文算法在目標(biāo)跟蹤領(lǐng)域具有一定的實(shí)用價值。

        猜你喜歡
        協(xié)方差容積均值
        怎樣求醬油瓶的容積
        巧求容積
        均值不等式失效時的解決方法
        截斷的自適應(yīng)容積粒子濾波器
        不確定系統(tǒng)改進(jìn)的魯棒協(xié)方差交叉融合穩(wěn)態(tài)Kalman預(yù)報器
        不同容積成像技術(shù)MR增強(qiáng)掃描對檢出腦轉(zhuǎn)移瘤的價值比較
        均值與方差在生活中的應(yīng)用
        一種基于廣義協(xié)方差矩陣的欠定盲辨識方法
        關(guān)于均值有界變差函數(shù)的重要不等式
        對偶均值積分的Marcus-Lopes不等式
        婷婷开心五月亚洲综合| 日韩在线看片| 猫咪免费人成网站在线观看 | 国产精品27页| 日韩亚洲国产中文字幕| 国产一区二区三区视频在线观看| 国产尤物精品视频| 久久精品国产亚洲av蜜臀| 久久中文字幕乱码免费| 免费 无码 国产精品| 国产一级av理论手机在线| 国产人妖在线视频网站| 成人在线免费电影| 麻豆乱码国产一区二区三区| 国产成人8x视频网站入口| 亚洲国产av精品一区二| 一区二区亚洲精品在线| 国产人成无码视频在线观看| 黄色成人网站免费无码av| 亚洲中文字幕无码不卡电影| 久久亚洲精品国产av| 女人张开腿让男桶喷水高潮| 天天狠狠综合精品视频一二三区| 亚洲成a人片在线观看高清| 久久亚洲国产高清av一级| 国产色视频一区二区三区qq号 | 青青操国产在线| 日本在线播放不卡免费一区二区 | 国产区女主播在线观看| 狠狠色婷婷久久综合频道日韩| 中文字幕第七页| 在线播放偷拍一区二区| 蜜臀av毛片一区二区三区| 国产超碰人人做人人爽av大片 | 国产麻豆剧传媒精品国产av| 亚洲日韩小电影在线观看| 成人亚洲性情网站www在线观看 | 亚洲国产精品嫩草影院久久| 亚洲无码vr| 少妇免费av一区二区三区久久| 真人作爱免费视频|