基于TSK模糊模型的粒子滤波方法、装置及存储介质制造方法及图纸

根据本发明专利技术实施例公开的基于TSK模糊模型的粒子滤波方法、装置及存储介质，基于TSK模糊模型构建粒子滤波的重要性密度函数；从重要性密度函数中抽取N个粒子，组成目标的粒子状态集；计算粒子状态集中粒子的权值，并对权值进行归一化；基于归一化后的权值以及粒子状态集，计算目标在k时刻的状态和协方差。通过本发明专利技术的实施，引入TSK模糊模型对目标的动态系统进行建模，构建有效的重要性密度函数，有效地提高了粒子采样的鲁棒性和多样性，增强了非线性非高斯环境下的目标跟踪性能。

Particle filter method, device and storage medium based on TSK fuzzy model

【技术实现步骤摘要】
基于TSK模糊模型的粒子滤波方法、装置及存储介质
本专利技术涉及目标跟踪
，尤其涉及一种基于TSK模糊模型的粒子滤波方法、装置及存储介质。
技术介绍
粒子滤波作为一种最优处理非线性非高斯问题的有效方法，目前已被学术界认为是最具发展前景的状态估计方法之一，广泛应用于各类非线性滤波领域，如图像监控、目标定位与跟踪、环境监测等领域。然而，目前在目标运动模型和观测模型不确定时，粒子滤波的滤波性能有所降低，且在目标机动时，预测误差增大更加明显，从而导致目标状态先验分布的方差增大，降低目标跟踪性能。由此可见，亟需一种更为有效的粒子滤波方法，来解决现有技术中非线性非高斯环境机动目标跟踪中目标状态的估计滤波问题。
技术实现思路
本专利技术实施例的主要目的在于提供一种基于TSK模糊模型的粒子滤波方法、装置及存储介质，至少能够解决相关技术中在非线性非高斯场景下的粒子滤波性能较差，所导致的目标跟踪性能降低的问题。为实现上述目的，本专利技术实施例第一方面提供了一种基于TSK模糊模型的粒子滤波方法，该方法包括：基于TSK模糊模型构建粒子滤波的重要性密度函数；从所述重要性密度函数中抽取N个粒子，组成目标的粒子状态集；计算所述粒子状态集中粒子的权值，并对所述权值进行归一化；基于归一化后的所述权值以及所述粒子状态集，计算目标在k时刻的状态和协方差。为实现上述目的，本专利技术实施例第二方面提供了一种基于TSK模糊模型的粒子滤波装置，该装置包括：构建模块，用于基于TSK模糊模型构建粒子滤波的重要性密度函数；抽取模块，用于从所述重要性密度函数中抽取N个粒子，组成目标的粒子状态集；第一计算模块，用于计算所述粒子状态集中粒子的权值，并对所述权值进行归一化；第二计算模块，用于基于归一化后的所述权值以及所述粒子状态集，计算目标在k时刻的状态和协方差。为实现上述目的，本专利技术实施例第三方面提供了一种电子装置，该电子装置包括：处理器、存储器和通信总线；所述通信总线用于实现所述处理器和存储器之间的连接通信；所述处理器用于执行所述存储器中存储的一个或者多个程序，以实现上述任意一种基于TSK模糊模型的粒子滤波方法的步骤。为实现上述目的，本专利技术实施例第四方面提供了一种计算机可读存储介质，该计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任意一种基于TSK模糊模型的粒子滤波方法的步骤。根据本专利技术实施例提供的基于TSK模糊模型的粒子滤波方法、装置及存储介质，基于TSK模糊模型构建粒子滤波的重要性密度函数；从重要性密度函数中抽取N个粒子，组成目标的粒子状态集；计算粒子状态集中粒子的权值，并对权值进行归一化；基于归一化后的权值以及粒子状态集，计算目标在k时刻的状态和协方差。通过本专利技术的实施，引入TSK模糊模型对目标的动态系统进行建模，构建有效的重要性密度函数，有效地提高了粒子采样的鲁棒性和多样性，增强了非线性非高斯环境下的目标跟踪性能。本专利技术其他特征和相应的效果在说明书的后面部分进行阐述说明，且应当理解，至少部分效果从本专利技术说明书中的记载变的显而易见。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术第一实施例提供的粒子滤波方法的流程示意图；图2为本专利技术第一实施例提供的重要性密度函数构建方法的流程示意图；图3为本专利技术第二实施例提供的粒子滤波装置的结构示意图；图4为本专利技术第二实施例提供的粒子滤波装置的构建模块的结构示意图；图5为本专利技术第三实施例提供的电子装置的结构示意图。具体实施方式为使得本专利技术的专利技术目的、特征、优点能够更加的明显和易懂，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而非全部实施例。基于本专利技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。第一实施例：为了解决相关技术中在非线性非高斯场景下的粒子滤波性能较差，所导致的目标跟踪性能降低的技术问题，本实施例提出了一种基于TSK模糊模型的粒子滤波方法，如图1所示为本实施例提供的粒子滤波方法的基本流程示意图，本实施例提出的粒子滤波方法包括以下的步骤：步骤101、基于TSK模糊模型构建粒子滤波的重要性密度函数。具体的，在本实施例中引入TSK模糊模型对目标的动态系统进行建模，构建有效的重要性密度函数。针对目标动态模型的不确定性建模问题，本实施例采用空间约束的TSK模糊模型，其中的空间特征信息用多个语义模糊集表示，构建出了一个通用的交互TSK模糊模型框架，以较高的精度逼近动态模型。应当说明的是，本实施例的TSK模糊模型通过利用多个线性的模糊IF-THEN规则可以近似任意复杂的非线性非高斯系统。通常，TSK模糊模型认为任何非线性非高斯系统可以采用如下M个模糊线性模型表表示：规则i：其中，yk,1表示规则的前件变量，表示前件变量对应的模糊隶属函数，和分别表示状态转移矩阵和观测矩阵。表示k时刻n维状态矢量，这里我们也称为后件参数，表示m维观测矢量，表示均值为0协方差为Qek-1的过程噪声，表示均值为0协方差为Rvk的观测噪声。由于M个模糊子模型都是线性时不变模型。于是，全局模糊模型可以表示如下：其中，表示ψk属于第i个线性模型的模糊隶属度，可以计算如下：其中，ψk＝[ψk,1ψk,2,...,ψk,l]，表示变量ψk,j属于模糊集的隶属度，且通常模糊隶属度函数可以采用如下的钟型隶属函数：其中，和分别表示第i个模糊隶属度函数的均值和标准差。可选的，本实施例提供了一种重要性密度函数构建方法，如图2为本实施例提供的重要性密度函数构建方法的流程示意图，具体包括以下步骤：步骤201、基于TSK模糊模型计算每个模糊子模型的状态预测值；其中，TSK模糊模型中的每条模糊规则对应一个模糊子模型。在本实施例中，可以采用预设的状态预测值计算公式估计每个模糊子模型的状态预测值，状态预测值计算公式表示如下：其中，表示模糊线性模型i状态转移矩阵，表示前一时刻的状态。步骤202、根据状态预测值计算每个模糊子模型的观测预测值。在本实施例中，可以采用预设的观测预测值计算公式计算每个模糊子模型的观测预测值，观测预测值计算公式表示如下：其中，表示观测矩阵。步骤203、根据所有观测预测值所组成的观测数据集，计算每个模糊子模型的模型模糊隶属度。可选的，按照预设的隶属度计算公式，计算每个模糊子模型的模型模糊隶属度；隶属度计算公式表示如下：其中，uij表示模型模糊隶属度，kσ表示核函数，h表示观测函数，β表示拉格朗日乘子矢量，Dij表示核空间距离，m∈[1,∞]表示加权指数；M表示模糊输出的数量，表示观测。具体的，假设在k时刻，总共接收到N个观测数据集同时有M个模糊输出聚类的目标就是将数据集Zk分成M类，并优化出观测与线性模型输出之间的隶属度矩阵U＝[uij]M×N。uij表示观测输入第i类的模型模糊隶属度。于是，核模糊C回归模型聚类的目标函数可以定义如下：其中，m∈[1本文档来自技高网...

【技术保护点】
1.一种基于TSK模糊模型的粒子滤波方法，其特征在于，包括：基于TSK模糊模型构建粒子滤波的重要性密度函数；从所述重要性密度函数中抽取N个粒子，组成目标的粒子状态集；计算所述粒子状态集中粒子的权值，并对所述权值进行归一化；基于归一化后的所述权值以及所述粒子状态集，计算目标在k时刻的状态和协方差。

【技术特征摘要】
1.一种基于TSK模糊模型的粒子滤波方法，其特征在于，包括：基于TSK模糊模型构建粒子滤波的重要性密度函数；从所述重要性密度函数中抽取N个粒子，组成目标的粒子状态集；计算所述粒子状态集中粒子的权值，并对所述权值进行归一化；基于归一化后的所述权值以及所述粒子状态集，计算目标在k时刻的状态和协方差。2.如权利要求1所述的粒子滤波方法，其特征在于，所述基于TSK模糊模型构建粒子滤波的重要性密度函数包括：基于TSK模糊模型计算每个模糊子模型的状态预测值；其中，所述TSK模糊模型中的每条模糊规则对应一个所述模糊子模型；根据所述状态预测值计算所述每个模糊子模型的观测预测值；根据所有所述观测预测值所组成的观测数据集，计算所述每个模糊子模型的模型模糊隶属度；基于所述TSK模糊模型，计算目标的观测新息以及航向角误差；将所述观测新息以及所述航向角误差融入所述TSK模糊模型，然后基于所述模型模糊隶属度对前件参数进行更新；计算更新前件参数后的TSK模糊模型的每个模糊子模型的模型权值；基于所述模型权值构建粒子滤波的重要性密度函数。3.如权利要求2所述的粒子滤波方法，其特征在于，所述计算所述每个模糊子模型的模型模糊隶属度包括：按照预设的隶属度计算公式，计算所述每个模糊子模型的模型模糊隶属度；所述隶属度计算公式表示如下：其中，uij表示模型模糊隶属度，kσ表示核函数，h表示观测函数，β表示拉格朗日乘子矢量，Dij表示核空间距离，m∈[1,∞]表示加权指数；M表示模糊输出的数量，表示观测。4.如权利要求3所述的粒子滤波方法，其特征在于，所述计算目标的观测新息以及航向角误差包括：按照预设的观测新息计算公式以及航向角误差计算公式，计算目标的观测新息以及航向角误差；所述观测新息计算公式表示为：所述航向角误差计算公式表示为：并且，其中，Δvk表示观测新息，表示航向角误差，表示k时刻的目标航向角，表示k时刻的预测观测，表示k-1时刻的目标状态，和分别表示目标预测状态向量中的x分量和y分量。5.如权利要求4所述的粒子滤波方法，其特征在于，所述基于所述模型模糊隶属度对前件参数进行更新包括：所述模型模糊隶属度代入预设的前件参数计算公式，计算得到目标前...

【专利技术属性】
技术研发人员：李良群，李小香，谢维信，刘宗香，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东,44