第 28 卷 第 2 期
Vol. 28 No. 2
控 制 与 决 策
Control and Decision
2013 年 2 月
Feb. 2013
基于自适应粒子群优化的新型粒子滤波在目标跟踪中的应用
文章编号: 1001-0920 (2013) 02-0193-08
陈志敏, 薄煜明, 吴盘龙, 段文勇, 刘正凡
(南京理工大学 自动化学院,南京 210094)
摘 要: 针对基于粒子群优化的粒子滤波 (PSO-PF) 算法精度不高, 实时性差, 难以满足雷达机动目标跟踪的需求, 提
出一种基于动态邻域自适应粒子群优化的粒子滤波 (DPSO-PF) 算法. 该算法可以动态调整粒子邻域环境, 其中每个
粒子按照邻域的环境和自身的位置信息自适应地调整相互间的邻域粒子数量, 使邻域粒子数量更为合理, 达到寻优
能力与收敛速度的最佳平衡. 最后利用不同模型对该算法进行了仿真实验, 实验结果表明所提出的算法能够提高雷
达机动目标跟踪的实时性和精确性.
关键词: 粒子滤波;粒子群优化;自适应;目标跟踪;局部最优
中图分类号: TP391 文献标志码: A
Novel particle filter algorithm based on adaptive particle swarm
optimization and its application to radar target tracking
CHEN Zhi-min, BO Yu-ming, WU Pan-long, DUAN Wen-yong, LIU Zheng-fan
(School of Automation,Nanjing University of Science and Technology,Nanjing 210094,China.Correspondent:
CHEN Zhi-min,E-mail:chenzhimin@188.com)
Abstract:::A particle filter algorithm based on dynamic neighborhood adaptive particle swarm optimization(DPSO-PF) is
presented in order to solve the problem of the low precision and complicated calculation of particle filter based on particle
swarm optimization(PSO-PF) algorithm. This algorithm can dynamically adjust the particle neighborhood environment,
where each particle can adjust the number of particles in the neighborhood based on self-adaptation basis according to
the neighborhood environment and their own position information, accordingly a best balance is achieved between optimal
seeking and convergence rate. Finally, different models are used for simulation experiment and the results show that the
proposed algorithm improves the real-time performance and the precision of maneuvering target tracking by using radar.
Key words:::particle filter;particle swarm optimization;adaptive;target tracking;local optimization
0 引引引 言言言
利用雷达进行机动目标跟踪时, 其量测易受到闪
烁噪声的干扰. 闪烁噪声具有明显的非高斯特性, 它
是由相位的随机变化与目标不同部位的散射强度的
不同所引起的
[1]
. 常规的基于 Kalman 理论的滤波方
法只适用于高斯噪声下的线性系统, 它在处理雷达目
标跟踪等非高斯噪声下的非线性系统时效果较差. 而
粒子滤波 (PF)
[2]
由于没有对其状态函数和观测函数
做非线性假设, 也未要求其在非高斯噪声的环境下,
更适用于雷达目标跟踪
[3]
. 但是, 粒子滤波存在权值
退化的问题
[4]
, 若采用重采样的方法容易导致粒子匮
乏, 从而影响滤波的精度.
粒子群优化 (PSO) 是一种模拟鸟类集群运动的
智能优化方法, 其概念简单、易于实现, 而且能够有效
地解决复杂优化问题, 因而得到了广泛的应用. 然而,
PSO 易出现局部最优、粒子早熟等问题, 许多学者对
其进行了改进. 文献 [5] 提出一种基于小世界网络的
动态调整邻域的 PSO 算法, 该算法利用聚类系数和平
均最短距离来动态调整粒子的邻居, 缓解了粒子早熟
现象, 但对于单峰值等类型的问题, 其性能较差, 并且
收敛速度较慢. 文献 [6] 提出了具有邻域探测机制的
改进型 PSO 算法, 该算法在进化过程中选择粒子最佳
位置, 按照半径总体递减的方式进行邻域探测, 并引
入了速度变异算子, 提高了种群的多样性, 增强了全
收稿日期: 2011-10-03;修回日期: 2011-12-15.
基金项目: 国防重点预研项目(40405020201);高等学校博士学科点专项科研基金课题(200802881017);南京理工大学
自主科研专项计划自主项目(2010ZYTS051);南京理工大学紫金之星基金项目(AB41381).
作者简介: 陈志敏(1986−), 男, 博士生, 从事粒子滤波、目标跟踪、系统控制等研究;薄煜明(1965−), 男, 研究员, 博士
生导师, 从事目标跟踪、导航制导、系统控制等研究.