一种新的混合智能粒子滤波算法在雷达机动目标跟踪中的应用

第３３卷第ｔ期　２　０　１　２年１月　兵　工　学　报　

ＡＣＴＡ　ＡＲＭＡＭＥＮＴＡＲＩＩ　Ｖ０１．３３　ＮＯ．１　

Ｊａｎ．　２０１２　

一种新的混合智能粒子滤波算法在雷达机动　目标跟踪中的应用　

陈志敏，薄煜明，吴盘龙，陈沁欣　（南京理工大学自动化学院，江苏南京２１００９４）　

摘要：标准粒子滤波算法的精度不高，鲁棒性差，难以满足雷达目标跟踪的要求。本文提出了　一种新的适用于雷达目标跟踪的智能粒子滤波算法，在粒子滤波中先利用人工鱼群的全局收敛性　找到满意的解域，再利用粒子群算法引导粒子向高斯然区域移动，提高滤波精度。仿真表明该算法　可以在强闪烁噪声下有效地跳出局部最优，搜索到理想的粒子最优值，提高雷达机动目标跟踪的精　度。　关键词：雷达工程；粒子滤波；人工鱼群算法；微粒群算法；闪烁噪声；目标跟踪　中图分类号：ＴＰ２７３　文献标志码：Ａ　文章编号：１０００—１０９３（２０１２）０１－００８３－０６　

Ａ　Ｎｅｗ　Ｈｙｂｒｉｄ　Ａｌｇｏｒｉｔｈｍ　ｆｏｒ　Ｐａｒｔｉｃｌｅ　Ｆｉｌｔｅｒｉｎｇ　ａｎｄ　Ｉｔｓ　Ａｐｐｌｉｃａｔｉｏｎ　ｔｏ　Ｒａｄａｒ　Ｔａｒｇｅｔ　Ｔｒａｃｋｉｎｇ　

ＣＨＥＮ　Ｚｈｉ－ｍｉｎ，ＢＯ　Ｙｕ－ｍｉｎｇ，ＷＵ　Ｐａｎ－ｌｏｎｇ，ＣＨＥＮ　Ｑｉｎ—ｘｉｎ　（Ｓｃｈｏｏｌ　ｏｆ　Ａｕｔｏｍａｔｉｏｎ，Ｎａｎｊｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ　２１００９４，Ｊｉａｎｇｓｕ，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｐａｒｔｉｃｌｅ　ｆｉｌｔｅｒ　ｈａｓ　ｔｈｅ　ｄｅｆｅｃｔｓ　ｏｆ　ｌＯＷ　ｐｒｅｃｉｓｉｏｎ　ａｎｄ　ｗｅａｋ　ｒｏｂｕｓｔｎｅｓｓ。ｉｔ　ｉｓ　ｎｏｔ　ａｂｌｅ　ｔｏ　ｍｅｅｔ　ｔｈｅ　ｒｅｑｕｉｒｅｍｅｎｔ　ｏｆ　ｒａｄａｒ　ｔａｒｇｅｔ　ｔｒａｃｋｉｎｇ．Ｔｏ　ｓｏｌｖｅ　ｔｈｅｓｅ　ｐｒｏｂｌｅｍｓ，ａ　ｎｅｗ　ｐａｒｔｉｃｌｅ　ｆｉｌｔｅｒ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　Ｈｙｂｒｉｄ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｐｒｏｐｏｓｅｄ．Ｉｔ　ｌｏｏｋｅｄ　ｆｏｒ　ｓａｔｉｓｆａｃｔｏｒｙ　ｓｏｌｕｔｉｏｎ　ｓｐａｃｅ　ｗｉｔｈ　ａｒｔｉｆｉｃｉａｌ　ｆｉｓｈ　ｓｗａｒｍ　ａｌｇｏｒｉｔｈｍ　ａｎｄ　ｍａｄｅ　ｔｈｅ　ｐａｒｔｉｃｌｅｓ　ｍｏｖｅ　ｔｏ　ｔｈｅ　ｈｉｇｈ　ｌｉｋｅｌｉｈｏｏｄ　ｒｅｇｉｏｎ　ｕｎｄｅｒ　ｔｈｅ　ａｃｔｉｏｎ　ｏｆ　ｐａｒｔｉｃｌｅ　ｓｗａｒｍ　ｏｐｔｉｍｉｚａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ．Ｂｙ　ｄｏｉｎｇ　ｓｉｍｕｌａｔｉｏｎ　ｕｎｄｅｒ　ｇｌｉｎｔ　ｎｏｉｓｅ　ｅｎｖｉｒｏｎｍｅｎｔ，ｔｈｅ　ｒｅｓｕｈｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｉｓ　ａｌｇｏｒｉｔｈｍ　ｃａｎ　ｊｕｍｐ　ｌｏｃａｌ　ｏｐｔｉｍｕｍ　ｔｏ　ｓｅａｒｃｈ　ｔｈｅ　ｂｅｓｔ　ｖａｌｕｅ　ｏｆ　ｐａｒｔｉｃｌｅ，ｉｔ　ｉｍｐｒｏｖｅｓ　ｔｈｅ　ｐｒｅｃｉｓｉｏｎ　ｏｆ　ｒａｄａｒ　ｔａｒｇｅｔ　ｔｒａｃｋｉｎｇ　ｕｎｄｅｒ　ｇｌｉｎｔ　ｎｏｉｓｅ　ｅｎｖｉｒｏｎｍｅｎｔ．　Ｋｅｙ　ｗｏｒｄｓ：ｒａｄａｒ　ｅｎｇｉｎｅｅｒｉｎｇ；Ｐａｒｔｉｃｌｅ　ｆｉｌｔｅｒ；ａｒｔｉｆｉｃｉａｌ　ｆｉｓｈ　ｓｗａｒｍ　ａｌｇｏｒｉｔｈｍ；ｐａｒｔｉｃｌｅ　ｓｗａｒｍ　ｏｐｔｉｍｉｚａ—　ｔｉｏｎ；ｇｌｉｎｔ　ｎｏｉｓｅ；ｔａｒｇｅｔ　ｔｒａｃｋｉｎｇ　

言　着　雷达作为主动传感器的代表，由于其性能不受　而常规的滤波算法大多是在Ｋａｌｍａｎ理论框架下的　天气情况的影响，以及获得目标量测的优秀性能，至　方法，在闪烁噪声较大的情况下难以得到精确的结　今仍在跟踪系统中起着重要的作用。在雷达目标跟　果。粒子滤波（ＰＦ）是一种基于蒙特卡罗思想的滤　

收稿日期：２０１０—１２—１６　基金项目：国防重点预研资助项目（４０４０５０２０２０１）；高等学校博士学科点专项科研基金资助课题（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资助项目（ＡＢ４１３８１）　作者简介：陈志敏（１９８６一），男，博士研究生。Ｅ－ｍａｉｌ：ｃｈｅｎｚｈｉｍｉｎ１９８６＠ｓｉｎａ．ｃｏｍ：　薄煜明（１９６５一），男，研究员，博士生导师。Ｅ－ｍａｉｌ：ｂｙｍｉｎｇ＠ｍａｉｌ．ｎｊｕｓｔ．ｅｄｕ．ｃａ　８４　兵　工　学　报　第３３卷　波方法，由于其在处理非高斯非线性时变系统的参　数估计和状态滤波问题方面有独到的优势，因此在　闪烁噪声下机动目标的跟踪中得到重视－ｚ　。但是　标准粒子滤波算法中存在着计算量过大和精度不高　的问题，并且粒子匮乏现象不可避免，这个Ｄｏｕｃｅｔ　和Ｋｏｎｇ　都已经证明过。　智能优化算法在粒子滤波中的应用，成为粒子　滤波史上的一大突破。基于人工鱼群算法　的粒　子滤波（ＡＦＳＡ－ＰＦ）是一种模拟鱼群在自然环境中的　生态行为的随机搜索最优值的滤波方法，使先验粒　子向高似然域移动，从而改善粒子分布，提高粒子　滤波估计精度．但是ＡＦＳＡ．ＰＦ也存在着后期收敛　较慢的问题，只适合在目标跟踪精度要求不是很高　的场合。基于粒子群优化的粒子滤波算法（ＰＳＯ．　ＰＦ）　保留了ＰＳＯ算法计算效率高，收敛快速的特　点　，解决了粒子重要性采样过程次优的问题，改　善了样本的分布，加速了粒子集的收敛，使得粒子　滤波的性能得到很大的提高，并得到了广泛应　用　。但是由于粒子都向最优方向移动，使得粒子　趋向同一化，容易出现进化停滞的问题，并且计算结　果不稳定。　本文在分析了以上两种算法的优缺点的基础　上，取长补短，提出一种适用于闪烁噪声下机动目标　跟踪的？昆合优化粒子滤波算法。该算法先利用人工　鱼群的全局敛性寻找到满意的粒子信息值域，再利　用粒子群算法进行快速的局部搜索，更新修正粒子　的信息，使得本文算法不仅具有快速的局部搜索速　度且具有全局收敛性能。仿真结果表明，该混合优　化粒子滤波算法在闪烁噪声下精度高，鲁棒性强，抗　干扰能力强，适用于雷达目标跟踪。　

小的粒子，复制权重大的粒子。　２　ＡＦＳＡ算法　人工鱼群算法是一种模拟鱼群行为的随机搜索　优化算法，它从构造动物简单的底层行为做起，通过　人工鱼个体的局部寻优行为，最终在群体中使全局　最优值突现出来。其数学模型描述如下：假设人工　鱼个体的状态可表示为向量Ｘ＝（　。，　：，…，　，　），其　中　（ｉ＝１，…，ｎ）为欲寻优的变量；人工鱼当前所在　的位置的浓度为Ｙ＝，（Ｘ），其中ｌ，为适应度函数值；　人工鱼个体之间的距离表示为ｄ　＝ｌｌ　一　『Ｉｌ，　ｖｉｓｕａｌ表示人工鱼的感知范围；占表示拥挤度因子；　ｓｔｅｐ表示移动步长。人工鱼的行为描述如下：　１）觅食行为　当鱼发现食物时，会向食物逐渐增多的方向快　速游去。即：　

—　ⅡｙＩ＜　ｘｔ＝Ｘｉ¨　；（３）　

Ｅｌｓｅ　Ｘｉ…ｔ＝Ｘ　＋ｒ・Ｓ．　

式中，ｓ表示人工鱼移动的最大步长；ｒ为介于（０，１）　之间的一个随机数。人工鱼当前的状态为　，适应　度函数值为　２）聚群行为　鱼在游动过程中为了保证自身的生存和躲避危　害会自然地聚集成群。即：　Ｉｆ　／ｎ，＞６・Ｙｉ，　

一　ｓ‘　；　Ｅｌｓｅ　执行觅食行为。　式中，视野内的伙伴数目为／２ｆ和中心位置Ｘ　

１粒子滤波　３　ＰＳＯ算法　离散的动态系统状态空间模型可描述为　＝　（　，Ｗ　），　（１）　ｚ　＝ｇ　（　，　）．　（２）　其中，　∈Ｒ“为时刻ｔ的状态变量，ｚ　∈Ｒ　表示传感　器在时刻ｔ得到的测量向量，Ｗ　∈Ｒ　和　∈Ｒ　表示　相互独立的过程噪声和观测噪声　：Ｒ　×Ｒ　一Ｒ　是状　态转移函数，ｈ　：Ｒ　×Ｒ　一　为传感器的量测函数。　粒子滤波是一种基于蒙特卡罗方法和递推贝叶　斯估计的统计方法　，粒子滤波通过寻找状态空　间　中的加权随机样本｛　：，Ｗ：｝　来近似后验概率　密度Ｐ（　ｌｚ　）．为了避免粒子的匮乏现象，Ｇｏｒｄｏｎ　等　提出了重采样的方法，其主要思想是去除权重　

（４）　粒子群算法是一种有效的全局寻优算法，它是　基于群体智能理论的优化算法，通过群体中粒子的　合作与竞争产生的群体智能指导优化搜索。ＰＳＯ算　法可以表述为：随机初始化一个数量为ｍ，维数为ｎ　的粒子群，其中，第ｉ个粒子的位置为Ｘ　＝（　…　），速度Ｖ　＝（　…　）．每一次迭代，粒子　通过个体极值Ｐ　＝（Ｐ　Ｐ　…，Ｐ　）和全局极值　Ｇ＝（ｇ　，ｇ：，…ｇ　）来不断更新自己的速度和位置，从　而达到寻优。更新公式如下　Ｖｆ＝Ｗ×Ｖｉ＋ｃｌ×Ｒａｎｄ（）×（Ｐ　一　）＋　ｃ２×Ｒａｎｄ（）Ｘ（Ｇ—Ｘ　），　（５）　Ｘ＝Ｘ，＋　．　（６）　第１期　一种新的混合智能粒子滤波算法在雷达机动目标跟踪中的应用　８５　式中，Ｒａｎｄ是介于在（０，１）区间内的随机数；Ｗ为惯　性系数，Ｗ若较大，则全局搜索能力强，Ｗ若较小，则　局部搜索能力强；Ｃ　和ｃ　为学习因子。　４　人工鱼群与微粒群混合ＰＦ算法　本文算法将基于ＡＦＳＡ和ＰＳＯ的混合智能优化　算法融入粒子滤波，并且将该混合粒子滤波算法应　用到雷达机动目标跟踪模型中，为了更好地满足雷　达跟踪的精度要求和实时性要求，在算法中加入时　视步系数　，有效降低了出现局部极值的概率；并且　提高了中间的阈值，增加了运算速度。本文算法思　想如下：在粒子信息的更新与修正的过程中，由于　ＰＳＯ往往容易陷入局部最优，对精度产生影响，所以　先利用ＡＦＳＡ的全局收敛性进行全局搜索，在全局　的范围内找到粒子信息的满意的解域，增加全局有　效样本的数量，减轻粒子滤波的退化现象，这样便可　以克服ＰＳＯ算法容易陷入局部最优的缺点，然后再　利用ＰＳＯ方法，通过粒子之间的合作与竞争来优化　粒子信息，增加样本的有效性，提高粒子滤波的精度　和收敛速度。基本流程如下：　１）初始化：在ｋ＝０时刻，从重要性函数采样Ⅳ　个粒子，采样得到的粒子用｛　１／Ⅳ｝　。表示。重　要性密度函数取转移先验：　～ｑ（　Ｉ　一。，ｚ　）＝Ｐ（　ｌ　一。），　（７）　：（　，　．　一。，…，　一　）．　（８）　２）重要性权值计算　Ｗ　＝Ｗ　一。Ｐ（　ｌ　一１）＝　Ｐ（　ｌ　）Ｐ（　Ｉ　一　）　—　厂　Ｗ　Ｐ（　ｌ　）＝　ｚ￡Ｊ　［（２　）　］Ｉ１　ｅ一　‘　一．　（９）　令适应度函数　ｙ＝［（２－ｒｒ）　：］　ｅ一　一．　（１０）　３）设中间变量Ｐ　和Ｇ　，分别用于记录ｋ时刻　粒子ｉ所经历的最好的状态值与粒子群所经历的最　好的状态值；　４）执行人工鱼群的觅食行为和聚群行为。设　粒子ｉ的当前状态为　，在感知范围内随机选择一　个粒子，该粒子的状态为　．　ａ．觅食行为：若　＜　，粒子通过比较适应度　函数不断更新自己的状态，使自己向更真实的状态　靠近，否则，粒子　随机移动一步，成为新状态。为　了防止粒子过早的聚集在极值点附近或出现局部极　值，从而对本算法中的ＰＳＯ阶段造成影响，本文算　法在这里加入视步系数　，一般情况下，取　等于１　或略小于１，可以保证算法快速收敛和较高的精度。　在局部极值突出或函数变化非常平缓的情况下，应　适当减小　的取值。经仿真对比，在本文的模型　中，当　０．９时，效果最满意。　Ｉｆ　＜　，