【技术实现步骤摘要】
本专利技术涉及粒子滤波，具体而言，尤其涉及一种基于自适应鲸鱼优化的粒子滤波目标跟踪方法。
技术介绍
1、粒子滤波(particle filter，pf)是一种能够在非线性非高斯环境下进行滤波的方法，它利用样本均值代替贝叶斯递推估计中积分运算，就能够近似的表示状态向量的真实后验概率密度函数，从而获得具有最小方差估计的系统状态。但是算法本身仍存在一些不足，随着迭代次数的增加，大部分粒子的权重会变得很小，只有很少的粒子具有较大的权重，引发了粒子退化问题。传统的重采样算法通过对大权值粒子进行大量复制来保持滤波估计的效果，但是这种复制的方法使得大权值粒子较为单一，当估计不准确时，会造成较大的估计误差，严重影响目标跟踪的效果。
2、用群智能算法优化粒子滤波算法成为近年来一个新的趋势。由于群智能算法主要是对粒子进行寻优迭代，不存在对粒子的复制和筛选操作，可以从根本上解决粒子权值退化问题。目前已有一些群智能算法与粒子滤波算法结合的案例，经典的算法有粒子群算法和遗传算法。粒子群算法是一种模仿鸟群迁徙行为的一种算法，该算法参数少，计算简单，但是容易陷入局部最优解；遗传算法通过交叉和变异操作产生新个体，该算法多样性强，但探索能力较弱。鲸鱼算法是近年来一种新兴算法，具有参数少、收敛速度快、原理简单等特点，它与上述算法的主要区别在于该算法前期以种群内随机鲸鱼的位置作为猎物的位置，并以螺旋运动的方式进行收缩包围，这种方式具有较强的探索能力，极大的提高了算法的收敛速度。已有的鲸鱼优化粒子滤波算法(whale optimization-partic
技术实现思路
1、根据上述提出的技术问题，提出了一种基于自适应鲸鱼优化的粒子滤波目标跟踪方法(adaptive whale optimization-particle filter,awo-pf)。本专利技术以个体适应度值作为评价指标，通过对收敛因子和惯性权重进行自适应改进，优化了种群内部个体的分布，提高了目标的跟踪精度。
2、本专利技术采用的技术手段如下：
3、一种基于自适应鲸鱼优化的粒子滤波目标跟踪方法，具体步骤包括：
4、s1、对鲸鱼群算法和粒子滤波算法的参数进行初始化；
5、s2、将每个粒子的状态值作为鲸鱼的位置，并根据运动轨迹生成状态方程和观测方程；
6、s3、对初始重要性密度函数进行采样，形成初始的粒子集合；
7、s4、根据s3中的重要性密度函数，计算粒子的重要性权重w；
8、s5、将重要性权重值作为适应度值并计算全局最优值，自适应调节惯性权重值ω和迭代因子a；
9、s6、根据重要性权重值更新粒子的位置；
10、s7、判断是否达到最大迭代次数，输出每个粒子的状态估计值。
11、进一步地，所述步骤s1中的初始化参数包括：粒子数目n、采样周期dt、运动步长t、过程噪声qk、观测噪声rk、最大迭代次数tmax迭代因子a和惯性权重w。
12、进一步地，所述步骤s2具体包括：
13、在t时刻所生成相应的状态方程和观测方程如下：
14、xt＝f(xt-1,t)+wt
15、zt＝h(xt,t)+vt
16、其中，f(·)代表系统的状态方程，h(·)代表系统的观测方程；wt代表系统的过程噪声，vt代表系统的观测噪声；xt为t时刻粒子的状态值，zt为t时刻粒子的观测值。
17、进一步地，所述步骤s3具体包括：
18、在t＝0时刻，从重要性密度函数中采样，得到n个粒子，用表示；
19、重要性密度函数如下：
20、
21、进一步地，所述步骤s4具体包括：
22、粒子的重要性权重更新公式具体表示为：
23、
24、其中，p(·)为后验概率密度函数，rt为高斯噪声的方差，将权重最小的粒子对应的权重值作为全局最优值。
25、进一步地，所述步骤s5具体包括：
26、所述自适应惯性权重公式如下：
27、
28、其中，f为粒子的适应度值，fmin和fmax分别为当前粒子排序后最小适应度值和最大适应度值，favg为适应度均值，t为当前的迭代次数，tmax为最大迭代次数；将最大适应度值作为全局最优值；
29、自适应迭代因子公式如下：
30、
31、a＝2ar-a
32、其中：a为迭代因子，r为0到1之间的随机数；a控制着鲸鱼算法的搜索状态，a是a的关键参数；当a＞1时，算法处于全局搜索阶段；当a＜1时，算法处于局部搜索阶段。
33、进一步地，所述步骤s6具体包括：
34、更新粒子位置，具体为：
35、
36、其中，d为当前鲸鱼与最优鲸鱼之间的距离，b是螺旋形状的系数；x*为当前最优鲸鱼的位置，p为0到1之间的随机值，当p≥0.5时，采用螺旋寻优的方式，当p＜0.5时，采用逐渐逼近的方式。
37、进一步地，所述步骤s7具体包括：
38、判断是否达到最大迭代次数；若达到则停止迭代，输出每个粒子的状态值估计值，否则回到步骤s4继续计算；
39、粒子的状态估计公式如下：
40、
41、进一步地，一种电子装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的极端机程序，所述处理器通过所述计算机程序运行执行所述基于自适应鲸鱼优化的粒子滤波目标跟踪方法。
42、较现有技术相比，本专利技术具有以下优点：
43、本专利技术提供的一种基于自适应鲸鱼优化的粒子滤波目标跟踪方法，对标准鲸鱼优化粒子滤波算法中惯性权重和迭代因子进行参数的自适应，增强了融合后算法的寻优能力，修正了融合后算法的位置更新公式，从而提高了目标跟踪的精度。
44、基于上述理由本专利技术可在粒子滤波
广泛推广。
【技术保护点】
1.一种基于自适应鲸鱼优化的粒子滤波目标跟踪方法，其特征在于，具体步骤包括：
2.根据权利要求1所述的基于自适应鲸鱼优化的粒子滤波目标跟踪方法，其特征在于，所述步骤S1中的初始化参数包括：粒子数目N、采样周期dt、运动步长T、过程噪声Qk、观测噪声Rk、最大迭代次数tmax迭代因子a和惯性权重w。
3.根据权利要求1所述的基于自适应鲸鱼优化的粒子滤波目标跟踪方法，其特征在于，所述步骤S2具体包括：
4.根据权利要求1所述的基于自适应鲸鱼优化的粒子滤波目标跟踪方法，其特征在于，所述步骤S3具体包括：
5.根据权利要求1所述的基于自适应鲸鱼优化的粒子滤波目标跟踪方法，其特征在于，所述步骤S4具体包括：
6.根据权利要求1所述的基于自适应鲸鱼优化的粒子滤波目标跟踪方法，其特征在于，所述步骤S5具体包括：
7.根据权利要求1所述的基于自适应鲸鱼优化的粒子滤波目标跟踪方法，其特征在于，所述步骤S6具体包括：
8.根据权利要求1所述的基于自适应鲸鱼优化的粒子滤波目标跟踪方法，其特征在于，所述步骤S7具体包括：
9.一种电子装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的极端机程序，其特征在于，所述处理器通过所述计算机程序运行执行所述权利要求1至8中任一项权利要求所述的方法。
...【技术特征摘要】
1.一种基于自适应鲸鱼优化的粒子滤波目标跟踪方法，其特征在于，具体步骤包括：
2.根据权利要求1所述的基于自适应鲸鱼优化的粒子滤波目标跟踪方法，其特征在于，所述步骤s1中的初始化参数包括：粒子数目n、采样周期dt、运动步长t、过程噪声qk、观测噪声rk、最大迭代次数tmax迭代因子a和惯性权重w。
3.根据权利要求1所述的基于自适应鲸鱼优化的粒子滤波目标跟踪方法，其特征在于，所述步骤s2具体包括：
4.根据权利要求1所述的基于自适应鲸鱼优化的粒子滤波目标跟踪方法，其特征在于，所述步骤s3具体包括：
5.根据权利要求1所述的基于自适应鲸鱼优化的粒...
【专利技术属性】
技术研发人员：索继东，贾昊龙，陈晓楠，高梦林，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。