拟蒙特卡罗粒子滤波改进算法及其在雷达目标跟踪中的应用

doi:10.3969/j.issn.0255-8297.2012.06.008

应用科学学报 ›› 2012, Vol. 30 ›› Issue (6): 607-612.doi: 10.3969/j.issn.0255-8297.2012.06.008

拟蒙特卡罗粒子滤波改进算法及其在雷达目标跟踪中的应用

陈志敏，薄煜明，吴盘龙，刘正凡

南京理工大学自动化学院，南京210094

收稿日期:2011-07-08 修回日期:2011-10-28 出版日期:2012-11-27 发布日期:2011-10-28
通信作者: 陈志敏，博士生，研究方向：导航制导、信息处理、控制与系统，E-mail: chenzhimin@188.com
作者简介:陈志敏，博士生，研究方向：导航制导、信息处理、控制与系统，E-mail: chenzhimin@188.com；薄煜明，研究员，博导，研究方向：控制理论与控制应用、目标跟踪、导航制导与控制，E-mail: byming@mail.njust.edu.cn
基金资助:
国家自然科学基金（No. 61104196）；高等学校博士学科点专项科研基金（No. 20113219110027）；南京理工大学自主科研专项计划自主项目基金（No. 2010ZYTS051）；南京理工大学紫金之星基金（No. AB41381）资助

Improved Quasi-Monte-Carlo Particle Filtering and Its Application to Radar Target Tracking

CHEN Zhi-min, BO Yu-ming, WU Pan-long, LIU Zheng-fan

School of Automation, Nanjing University of Science and Technology, Nanjing 210094, China

Received:2011-07-08 Revised:2011-10-28 Online:2012-11-27 Published:2011-10-28

摘要/Abstract

摘要： 拟蒙特卡罗粒子滤波算法（quasi-Monte-Carlo particle filter, QMC-PF）精度不高，运算复杂度大，难以满足雷达机动目标跟踪精确性和实时性需求. 为此，提出一种基于BP神经网络的新型拟蒙特卡罗粒子滤波算法. 该算法将大权重粒子通过QMC分裂采样产生低差异性的子代粒子，以此来替代低权重粒子，保证了样本的有
效性和多样性；同时利用BP神经网络计算子代粒子的权重，提高了滤波的精度和速度；最后在不同的模型中进行仿真. 实验结果表明，与QMC-PF相比，所提出的算法提高了精度和运算速度，适用于雷达机动目标的跟踪.

关键词: 粒子滤波, 拟蒙特卡罗, 神经网络, 目标跟踪, 闪烁噪声

Abstract: To address the difficulties in meeting the needs of precise and real-time radar maneuvering target tracking due to low precision and high computation complexity of quasi-Monte-Carlo particle filter (QMCPF), a new quasi-Monte-Carlo particle filter algorithm base on BP neural network (NQMC-PF) is proposed.
Through QMC fission sampling, this algorithm generates low-discrepancy progeny particles to replace the low-weight particles to guarantee validity and diversity of the samples. Meanwhile, the algorithm uses BP neural network to calculate the weight of offspring of particles. With different models, the algorithm is tested. Experimental results show that, compared to QMC-PF, the proposed algorithm can enhance precision and increase calculation speed, and thus is applicable to radar for tracking maneuvering targets.

Key words: particle filter, quasi-Monte-Carlo, neural network, target tracking, glint noise

中图分类号:

TP391

陈志敏，薄煜明，吴盘龙，刘正凡. 拟蒙特卡罗粒子滤波改进算法及其在雷达目标跟踪中的应用[J]. 应用科学学报, 2012, 30(6): 607-612.

CHEN Zhi-min, BO Yu-ming, WU Pan-long, LIU Zheng-fan. Improved Quasi-Monte-Carlo Particle Filtering and Its Application to Radar Target Tracking[J]. Journal of Applied Sciences, 2012, 30(6): 607-612.

参考文献

[1]ARULAMPALAM M S, MASKELL S, GORDON N, CLAPP T. A tutorial on particle ?lters for on-line nonlinear/non-Gaussian Bayesian tracking [J]. IEEE Transactions on Signal Processing, 2002, 50(2): 174−188.

[2]栾海妍，江桦，刘小宝. 利用粒子滤波与支持向量机的数字混合信号单通道盲分离 [J]. 应用科学学报，2011, 29 (2): 195-202

LUAN Haiyan, JIANG Hua, LIU Xiaobao. Single channel blind source separation of digital mixtures using particle filtering and support vector machine [J]. Journal of Applied Sciences, 2011, 29 (2): 195-202. (in Chinese)

[3]POCOCK J A, DANCE S L, LAWLESS A S. State estimation using the particle filter with mode tracking [J]. Computers & Fluids Fluids, 2011,46(1): 392-397

[4]DOUCET A, GODSILL S. On sequential Monte Carlo sampling methods for Bayesian filtering [J]. Statistics and Computing, 2000,10(1): 197-208.

[5]YU Yihua, ZHENG Xuanyuan. Particle filter with ant colony optimization for frequency offset estimation in OFDM systems with unknown noise distribution [J]. Signal Processing. 2011,91(5): 1339-1342.

[6]KHAN Z, BALCH T, DELLAERT F. MCMC-based particle ?ltering for tracking a variable number of interacting targets [C]//IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(11): 1805-1819

[7]ECUYER P. Quasi-Monte Carlo methods with applications in ?nance [J]. Finance and Stochastics, 2009, 13(3): 307-349

[8]JOE S, KUO F Y. Constructing Sobol sequences with better two-dimensional projections [J]. SIAM Journal on Scienti?c Computing, 2008, 30(5): 2635-2654

[9]GRAHAM I G, KUO F Y, NUYENS D, Scheichla R, Sloanb I.H. Quasi-Monte Carlo methods for elliptic PDEs with random coefficients and applications[J]. Journal of Computational Physics, 2011, 230(10): 3668-3694

[10]Guo Dong，Wang Xiaodong. Quasi-Monte Carlo ?ltering in nonlinear dynamic systems [J]//IEEE Transactions on Signal Processing, 2006, 54(6): 2087-209

[11]王牧云，严壮志，葛俊杰. 医用内窥镜图像校正的BP神经网络方法 [J]. 应用科学学报，2009, 27(5): 480-484

WANG Muyun, YAN Zhuangzhi, GE Junjie. Distortion correction of medical endoscopic images using BP neural network [J]. Journal of Applied Sciences, 2009, 27(5): 480-484. (in Chinese)

[12]叶龙，王京玲，张勤. 遗传重采样粒子滤波器 [J]. 自动化学报，2007,33(8): 885-887

YE Long, WANG Jingling, ZHANG Qin. Genetic resampling particle filter [J]. Acta Automatica Sinica, 2007,33(8): 885-887

[1]	王孟轩, 张胜, 王月, 雷霆, 杜渂. 改进的CRNN模型在警情文本分类中的研究与应用[J]. 应用科学学报, 2020, 38(3): 388-400.
[2]	马鑫, 吴云, 鹿泽光. 基于混合神经网络的协同过滤推荐模型[J]. 应用科学学报, 2020, 38(3): 478-487.
[3]	刘伟, 章琬苓, 项世军. 基于LBP-MDCT和CNN的人脸活体检测算法[J]. 应用科学学报, 2019, 37(5): 609-617.
[4]	王灿军, 廖鑫, 陈嘉欣, 秦拯, 刘绪崇. 基于卷积神经网络的面部图像修饰检测[J]. 应用科学学报, 2019, 37(5): 618-630.
[5]	吴韵清, 吴鹏, 陈北京, 鞠兴旺, 高野. 基于残差全卷积网络的图像拼接定位算法[J]. 应用科学学报, 2019, 37(5): 651-662.
[6]	魏巍, 全海燕. 基于单形进化的径向基网络训练算法[J]. 应用科学学报, 2019, 37(4): 459-468.
[7]	靳华中, 刘潇龙, 胡梓珂. 一种结合全局和局部特征的图像描述生成模型[J]. 应用科学学报, 2019, 37(4): 501-509.
[8]	赵云山, 段友祥. 基于Attention机制的卷积神经网络文本分类模型[J]. 应用科学学报, 2019, 37(4): 541-550.
[9]	袁红林, 陆小丹, 徐晨. 基于B-Spline神经网络的宽带通信发射机指纹估计[J]. 应用科学学报, 2019, 37(1): 12-23.
[10]	曾润华, 张树群. 改进卷积神经网络的语音情感识别方法[J]. 应用科学学报, 2018, 36(5): 837-844.
[11]	姜雪莹, 苏成利, 施惠元, 李平, 刘思雨. 采用多变量RBF神经网络的非线性内部迭代预测控制[J]. 应用科学学报, 2018, 36(4): 698-710.
[12]	段友祥, 徐冬胜, 孙歧峰, 李钰. DBN在测井解释中的研究与应用[J]. 应用科学学报, 2018, 36(4): 689-697.
[13]	杨滨, 张涛, 陈先意. 基于深度学习的图像局部模糊识别[J]. 应用科学学报, 2018, 36(2): 321-330.
[14]	史晓裕, 李斌, 谭舜泉. 深度学习空域隐写分析的预处理层[J]. 应用科学学报, 2018, 36(2): 309-320.
[15]	董伟, 王建军. 改进的卷积神经网络用于对比度增强取证[J]. 应用科学学报, 2017, 35(6): 745-753.

拟蒙特卡罗粒子滤波改进算法及其在雷达目标跟踪中的应用

Improved Quasi-Monte-Carlo Particle Filtering and Its Application to Radar Target Tracking

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价