粒子滤波检测前跟踪算法粒子比优化方法,本论文为您写滤波毕业论文范文和职称论文提供相关论文参考文献，可免费下载。
滤波论文参考文献：
摘 要： 基于粒子滤波的检测前跟踪方法是解决空空导弹弱小信号检测跟踪问题的重要手段, 然而常规的PF-TBD算法中, 普遍存在着新生粒子和持续粒子的比例选取问题, 其直接影响着算法的收敛速度及跟踪精度. 针对这一问题, 本文提出一种自适应的粒子比优化方法, 利用前一时刻检测概率对粒子比进行优化设计, 相比于传统的固定粒子比方法, 其能根据历史检测信息对粒子比进行自适应调整. 仿真结果表明, 本文提出的自适应粒子比优化方法不仅能提高检测跟踪精度, 而且能有效提高低信噪比（SNR）条件下的跟踪收敛速度.
关键词： 检测前跟踪； 粒子滤波； 粒子比； 粒子数； 优化算法； 弱小信号检测； 空空导弹
中图分类号： TJ765； TP391文献标识码： A文章编号： 1673-5048（2017）05-0025-060引言
现代科技发展, 飞行器的伪装、 隐蔽技术被广泛使用, 以及小型无人机飞速发展, 使雷达需要检测的目标回波的信噪比/信干比朝着越来越低的方向发展, 降低了目标的可探测性, 因此, 检测空中弱小目标的需求越来越高.
相对于传统检测后跟踪算法（TAD, track after detect）, 检测前跟踪算法（TBD, track before detect）[1-2]对信号不设门限或设置一个低门限, 不会因门限检测而造成数据流失, 由于采用多帧累积, 使其在弱小目标检测方面更具有优势.
基于粒子滤波（PF, particle filter）[3-4]的检测前跟踪技术（PF-TBD）[5-10]不仅具有TBD算法的优势, 同时还具有PF算法优势, 即可以不限目标的运动形式, 并且可以允许噪声为非高斯噪声. 这些优势让其成为当下的热点研究方向.
根据粒子所表示的状态, 检测前跟踪粒子滤波算法主要分为两种. 第一种由Salmond [7] 提出, 粒子分为两类, 一类表示目标状态, 而另一类不表示, 这两类粒子数目根据粒子新生死亡率的马尔科夫转移概率发生转变, 通过表示目标状态的粒子来确定检测门限, 估计目标状态, 称为基本PF-TBD. 第二种由Rutten[8]提出, 所有粒子都表示目标状态, 通过粒子权值来计算目标存在概率, 称为RPF-TBD. Rutten[9-10]通过比较, 得出RPF-TBD算法性能要优于基本PF-TBD算法性能, 并提出在RPF-TBD算法中, 存在新生粒子和持续粒子两种粒子比例选择问题. 梁新华等[11]分析了两种粒子不同比例对算法性能的影响, 粒子比在0.5左右时, 对低信噪比的目标进行检测时能更快速检测到目标, 但在对目标进行跟踪时, 持续粒子高的粒子比更具优势.
为在检测低信噪比目标时取得更好的综合性能, 本文提出一种基于前一时刻检测概率自适应调节粒子比的优化算法, 其在低信噪比情况下, 能更快检测到目标, 对检测到的目标进行跟踪时, 有更好的跟踪性能.
收稿日期： 2017-01-04
基金项目： 航空工业創新基金项目（2014C01407R）
作者简介： 李云坤（1992-）, 男, 湖南湘潭人, 硕士研究生, 研究方向为导航制导和控制.
引用格式： 李云坤, 陈伟, 曹旭东 . 粒子滤波检测前跟踪算法的粒子比优化方法研究[ J]. 航空兵器, 2017（ 5）： 25-30.
Li Yunkun, Chen Wei, Cao Xudong. Particle Ratio Optimization of Particle Filter TrackbeforeDetect Algorithm[ J]. Aero Weaponry, 2017（ 5）： 25-30. （ in Chinese）1问题描述
1.1目标运动模型
设目标在x-y直角坐标平面运动, 目标的状态方程为
s（n）等于f（s（n-1））+v（n）（1）
式中： s（n）等于（rx（n）, vx（n）, ry（n）, vy（n）, I（n））T为目标在第n帧的状态向量, 其中rx（n）, vx（n）, ry（n）, vy（n）, I（n）分别表示x轴方向上的位置、 速度, y轴方向上的位置、 速度和目标幅度； v（n）为状态噪声向量.
目标做匀速直线运动时：
f（s（n-1））等于1T000
01000
001T0
00010
00001（2）
式中： T为帧间采样间隔.
1.2目标观测模型
观测模型描述了在直角坐标系下, 某一帧观测得到的数据. 设观测区域大小为Nx×Ny, 其中Nx和Ny分别表示x轴和y轴上的分辨单元个数, 每个分辨单元大小为Δx×Δy. 每个分辨单元都能记录一个观测值xij（n）. 当目标存在时, 观测值包含目标幅度和观测噪声幅度； 当目标不存在时, 观测值只包含观测噪声幅度. 如果目标幅度为I（n）, 质心为（rx（n）, ry（n））, 则周围单元幅度hij（s（n））可近似为
hij（s（n））等于ΔxΔyI（n）2πΣ 2·exp-（rx（n）-iΔx）22Σ 2-
（ry（n）-jΔy）22Σ 2（3）
式中： Σ为已知参数, 表示目标扩散程度. 目标观测方程为
xij（n）等于hij（s（n））+wij（n） ε（n）等于1
wij（n）ε（n）等于0（4）
式中： ε（n）等于1表示目标存在； ε（n）等于0表示目标不存在.
粒子权值为
wqc（n）等于1Nc ∏ i∈Cx（sq（n））∏j∈Cy（sq（n））[p（xij（n）|sqc（n）,
结论：关于滤波方面的的相关大学硕士和相关本科毕业论文以及相关滤波的作用论文开题报告范文和职称论文写作参考文献资料下载。
高速公路试验检测中常见问题与具体解决方法
摘 要：高速公路试验检测相对复杂，涉及较多的单位和人员，检测质量容易受到影响。基于这种认识，本文对高速公路试验检测中的常见问题展开了分析，并结合。
多重纳什均衡解粒子群优化算法
摘要：提出了一种求解双矩阵对策多重纳什均衡解的粒子群优化算法。该算法通过随机初始点以及迭代粒子的归一化，保证粒子群始终保持在对策的可行策略空间内。
监控视频中运动目标的自动检测、跟踪和提取
摘 要：为了能够从监控视频中快速准确地分析运动目标，文章提出了一种新的运动目标自动检测、跟踪和提取方法。首先通过混合高斯模型背景差分法获得运动目。
粒子滤波在耙吸船溢流损失估算中应用
摘 要：文章介绍了耙吸挖泥船溢流损失的基本概念，并对溢流损失的过程建立了数学模型。文中通过粒子滤波的方法对溢流损失进行估算，最后通过实船数据检验。