基于改进BP神经网络的粒子滤波算法

发布时间：2023-12-02 07:54

　　对于线性Gauss动态系统来说,Kalman滤波是最优的滤波方法。但Kalman滤波面对非线性系统的情形时,就需要涉及高维积分的计算等问题,所以系统状态的解析估计并不好得到。粒子滤波的主要思想是对后验概率密度用带有权值的离散样本进行逼近来得到当前状态的估计值。理论上粒子滤波算法在粒子数足够大时可以充分近似后验概率密度。但在重采样阶段,大权值粒子不断被抽到导致抽样粒子的权值方差越来越大,将不可避免的产生粒子贫化现象。因此为了保证精度就需要有足够多的粒子数。而且随着系统状态维数的增多会使计算难度增加、效率降低。对于不同的模型,重要性密度函数的选择也会影响粒子滤波的效果。本文利用了BP网所具有的非线性映射功能,通过加入权值分裂步骤,将权值较小的部分粒子作为样本输入,粒子权值作为网络的权值,量测值作为网络的目标样本。然后通过对粒子的权值进行多次的训练,从而提高粒子滤波算法(PF)中粒子的多样性,以此来延缓权值退化并改善PF算法的滤波性能。本文先介绍了粒子滤波的一般性框架、BP神经网络的基本知识和神经网络训练过程的理论推导,然后给出了两类模型的具体BPNNPF算法:一类是四维纯方位雷达跟踪模型,...

【文章页数】：46 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题背景与意义
    1.2 国内外研究现状
    1.3 本文主要研究内容
第2章 Bayesian滤波与重要性抽样
    2.1 预备知识
    2.2 Bayesian滤波
        2.2.1 动态系统模型
        2.2.2 Bayesian滤波框架
    2.3 序贯重要性抽样
        2.3.1 理想Monte Carlo方法
        2.3.2 重要性抽样(IS)
        2.3.3 序贯重要性抽样(SIS)
    2.4 本章小结
第3章 标准BP神经网络的改进
    3.1 BP神经网络
        3.1.1 BP网络的前馈计算
        3.1.2 梯度下降法
        3.1.3 反向传导算法
        3.1.4 隐含层的选取
    3.2 标准BP神经网络的缺陷
    3.3 标准BP神经网络的改进
    3.4 基于改进BP神经网络的粒子滤波算法
    3.5 本章小结
第4章 仿真实验及效果评估
    4.1 引言
    4.2 仿真实验及效果评估
        4.2.1 一维非线性模型
        4.2.2 四维纯方位雷达跟踪模型
    4.3 本章小结
结论
参考文献
致谢



本文编号：3869237