基于BP神经网络的非线性滤波算法研究
|
摘要
由于目标运动的复杂性和不确定性,传统的非线性滤波算法难以得到较好的滤波精度,为了提高目标的跟踪性能,提出了一种改进后的非线性滤波算法。该算法利用BP神经网络,对非线性滤波的滤波误差进行了修正,然后将修正后的滤波误差补偿给滤波估计值,进而得到新的状态更新。实验以扩展卡尔曼滤波算法(EKF)和不敏卡尔曼滤波算法(UKF)为例,对运动的单目标进行了蒙特卡洛仿真,结果表明,该算法具有更快的收敛性和更高的滤波精度,能够有效改善目标的跟踪性能。
Due to the complexity and uncertainty of the target motion,the traditional nonlinear filtering algorithm can not obtain good filtering accuracy.In order to improve the tracking performance of the target,an improved nonlinear filtering algorithm is proposed.The algorithm uses the BP neural network to correct the filtering error of the nonlinear filtering,then the corrected filtering error is compensated to the filtering estimation value,and then gets a new state.In this experiment,Monte Carlo simulation of single target is carried out by using extended Kalman filter(EKF)and unscented Kalman filter(UKF)as examples.The results show that the proposed algorithm has faster convergence and higher filtering accuracy,can effectively improve the tracking performance of the target.
Due to the complexity and uncertainty of the target motion,the traditional nonlinear filtering algorithm can not obtain good filtering accuracy.In order to improve the tracking performance of the target,an improved nonlinear filtering algorithm is proposed.The algorithm uses the BP neural network to correct the filtering error of the nonlinear filtering,then the corrected filtering error is compensated to the filtering estimation value,and then gets a new state.In this experiment,Monte Carlo simulation of single target is carried out by using extended Kalman filter(EKF)and unscented Kalman filter(UKF)as examples.The results show that the proposed algorithm has faster convergence and higher filtering accuracy,can effectively improve the tracking performance of the target.
引文
[1]鲁建辉,刘代军,杨林冲.2种卡尔曼滤波算法的应用分析[J].现代防御技术,2012,40(6):125-128,139.
[2]张林琳,杨日杰,熊华.非线性滤波方法在水下目标跟踪中的应用[J].火力与指挥控制,2010,35(8):13-17.
[3]宋骊平,姬红兵.多被动传感器UKF与EKF算法的应用与比较[J].系统工程与电子技术,2009,31(5):1083-1086.
[4]刘泽元,王友仁,陈则王,等.基于改进EKF的飞机蓄电池在线SOC估计方法[J].电子测量技术,2015,38(7):119-123.
[5]史岩,朱涛,傅军,等.EKF和UKF算法在无线传感器网络目标跟踪中的应用[J].自动化与仪器仪表,2013(4):131-133,226.
[6]王洋,曲长文,蒋波.低轨星座对自由段空间目标跟踪算法研究[J].电子测量技术,2009,32(5):157-160.
[7]许兴军,颜钢锋.基于BP神经网络的股价趋势分析[J].浙江金融,2011(11):57-59,64.
[8]庄育锋,胡晓瑾,翟宇.基于BP神经网络的微量药品动态称重系统非线性补偿[J].仪器仪表学报,2014,35(8):1914-1920.
[9]韩萍,桑威林,石庆研.一种新型非线性卡尔曼滤波方法[J].仪器仪表学报,2015,36(3):632-638.
[10]杨泽斌,樊荣,孙晓东,等.基于EKF的无轴承异步电机无速度传感器控制[J].仪器仪表学报,2015,36(5):1023-1030.
[11]石勇,韩崇昭.自适应UKF算法在目标跟踪中的应用[J].自动化学报,2011,37(6):755-759.
[12]黎新,虞亮.神经网络辅助卡尔曼滤波技术在雷达目标跟踪中的应用研究[J].中国民航飞行学院学报,2009,20(6):3-6.
[13]李小珉,尹明.基于遗传算法的BP神经网络电子系统状态预测方法研究[J].电子测量技术,2016,39(9):182-186.
[14]熊壮壮,熊峰.BP神经网络算法在PM2.5数据预测方面的应用[J].通信电源技术,2017,34(3):77-79.
[15]王元章,吴春华,周笛青,等.基于BP神经网络的光伏阵列故障诊断研究[J].电力系统保护与控制,2013,41(16):108-114.
[2]张林琳,杨日杰,熊华.非线性滤波方法在水下目标跟踪中的应用[J].火力与指挥控制,2010,35(8):13-17.
[3]宋骊平,姬红兵.多被动传感器UKF与EKF算法的应用与比较[J].系统工程与电子技术,2009,31(5):1083-1086.
[4]刘泽元,王友仁,陈则王,等.基于改进EKF的飞机蓄电池在线SOC估计方法[J].电子测量技术,2015,38(7):119-123.
[5]史岩,朱涛,傅军,等.EKF和UKF算法在无线传感器网络目标跟踪中的应用[J].自动化与仪器仪表,2013(4):131-133,226.
[6]王洋,曲长文,蒋波.低轨星座对自由段空间目标跟踪算法研究[J].电子测量技术,2009,32(5):157-160.
[7]许兴军,颜钢锋.基于BP神经网络的股价趋势分析[J].浙江金融,2011(11):57-59,64.
[8]庄育锋,胡晓瑾,翟宇.基于BP神经网络的微量药品动态称重系统非线性补偿[J].仪器仪表学报,2014,35(8):1914-1920.
[9]韩萍,桑威林,石庆研.一种新型非线性卡尔曼滤波方法[J].仪器仪表学报,2015,36(3):632-638.
[10]杨泽斌,樊荣,孙晓东,等.基于EKF的无轴承异步电机无速度传感器控制[J].仪器仪表学报,2015,36(5):1023-1030.
[11]石勇,韩崇昭.自适应UKF算法在目标跟踪中的应用[J].自动化学报,2011,37(6):755-759.
[12]黎新,虞亮.神经网络辅助卡尔曼滤波技术在雷达目标跟踪中的应用研究[J].中国民航飞行学院学报,2009,20(6):3-6.
[13]李小珉,尹明.基于遗传算法的BP神经网络电子系统状态预测方法研究[J].电子测量技术,2016,39(9):182-186.
[14]熊壮壮,熊峰.BP神经网络算法在PM2.5数据预测方面的应用[J].通信电源技术,2017,34(3):77-79.
[15]王元章,吴春华,周笛青,等.基于BP神经网络的光伏阵列故障诊断研究[J].电力系统保护与控制,2013,41(16):108-114.