CN110347971A - 基于tsk模糊模型的粒子滤波方法、装置及存储介质 - Google Patents
基于tsk模糊模型的粒子滤波方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110347971A CN110347971A CN201910650468.8A CN201910650468A CN110347971A CN 110347971 A CN110347971 A CN 110347971A CN 201910650468 A CN201910650468 A CN 201910650468A CN 110347971 A CN110347971 A CN 110347971A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- model
- particle
- indicate
- tsk
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Biomedical Technology (AREA)
- Automation & Control Theory (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
根据本发明实施例公开的基于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。
Description
技术领域
本发明涉及目标跟踪技术领域,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。
背景技术
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。
发明内容
本发明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,本发明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,本发明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,本发明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,本发明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。
根据本发明实施例提供的基于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。通过本发明的实施,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。
本发明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,至少部分效果从本发明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发明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发明的一些实施例,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为本发明第一实施例提供的粒子滤波方法的流程示意图;
图2为本发明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为本发明第二实施例提供的粒子滤波装置的结构示意图;
图4为本发明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为本发明第三实施例提供的电子装置的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而非全部实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
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,∞]为加权指数,一般设为m=2,Dij表示观测和模糊子模型输出之间的相异性测度,这里,Dij定义为核空间距离,具体如下:
其中,φ表示原始特征空间到高维特征空间的任意非线性映射,K(·)表示Mercer核函数,如果K(·)选用高斯核函数,则:
而为了能够引入模糊交叉熵,本实施例定义如下修正的目标函数Lk:
Lk=VF,σ-β·J
其中,β为拉格朗日乘子矢量。然后对前述两式进行联立,可得:
为了计算出uij,对uij求一阶导数并令其等于0,可得:
更进一步可得:
将上式所得的uij代入前述公式
最后,对前述两式进行联立,可得每个模糊子模型的模型模糊隶属度为:
步骤204、基于TSK模糊模型,计算目标的观测新息以及航向角误差。
可选的,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;
观测新息计算公式表示为: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。
步骤205、将观测新息以及航向角误差融入TSK模糊模型,然后基于模型模糊隶属度对前件参数进行更新。
具体的,在机动目标跟踪中,本实施例选择观测新息Δvk和航向角误差作为TSK模糊模型的前件变量。将观测新息及航向角误差融入TSK模糊模型后更新前件参数包括:分别采用三个固定粒度的模糊集描述观测新息及航向角误差;使用高斯隶属函数表示固定粒度的模糊集;根据高斯隶属函数定义的前件参数更新TSK模糊模型,得到修改TSK模糊模型;根据修改TSK模糊模型及模型模糊隶属度更新前件参数。
为了融入观测新息以及航向角误差到TSK模糊模型中,本实施例采用几个固定粒度的模糊集分别描述新息和航向角误差。在TSK模糊模型中,观测新息利用三个语言值Small(S),Medium(M),and Large(L))描述;航向角误差利用三个语言值Negative Large(NL),Small(S)和Positive Large(PL)描述。同时也假设都采用高斯隶属函数来表示上述模糊集,两个高斯隶属函数分别可以定义如下:
其中,和分别表示k时刻观测新息第j个语言值的均值和方差,和分别表示k时刻航向角误差第j个语言值的均值和方差。
于是,根据上述所定义的前件变量,TSK模糊模型可以修改如下:
规则i:
其中,M表示规则数,和分别表示状态转移矩阵和观测矩阵,ωi表示目标转弯率。
在机动目标跟踪中,需要对前述两个高斯隶属函数中的前件参数进行更新,本实施例根据前述步骤203中所计算的模型模糊隶属度,将前述两个高斯隶属函数中的前件变量的参数更新为如下目标前件参数:
步骤206、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。
在本实施例中,根据前述步骤203中所计算的模型模糊隶属度以及步骤205中所更新的前件参数,计算每个模糊子模型的模型权值。可选的,模型权值计算公式表示如下:
其中,表示变量ψk对应的模糊子模型的模型权值。
步骤207、基于模型权值构建粒子滤波的重要性密度函数。
在本实施例中,可以基于回归学习的方法,利用后件辨识得到的状态和协方差构建重要性密度函数。
首先,基于模型权值,构建TSK模糊模型中的观测方程:
其中,
然后,为了对后件参数进行优化,基于观测方程构建如下目标函数:
其中,Zk表示当前观测,α表示正则化常数,在本实施例中可以取α∈[0.4,0.7],表示目标函数;
进一步地,按照预设的优化公式对TSK模糊模型的后件参数进行优化,得到优化后的后件参数,
其中,优化公式表示如下:
优化后的后件参数表示如下:
Xk=(AkAk T+αIk)-1Akzk
最后,基于优化后的后件参数,构建均值为Xk,协方差为的粒子滤波的重要性密度函数:
步骤102、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。
具体的,在本实施例中,从重要性密度函数抽取N个粒子组成粒子状态集根据Xk的定义,目标的粒子状态集可以定义为:
步骤103、计算粒子状态集中粒子的权值,并对权值进行归一化。
具体的,在本实施例中,粒子权值计算公式和归一化权值计算公式分别可以表示如下:
步骤104、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。
具体的,在本实施例中,在进行权值计算之后,进行状态输出,其中,状态计算公式和协方差计算公式分别表示如下:
根据本发明实施例提供的基于TSK模糊模型的粒子滤波方法,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。
第二实施例:
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,本实施例提供了一种基于TSK模糊模型的粒子滤波装置,具体请参见图3所示的粒子滤波装置,本实施例的粒子滤波装置包括:
构建模块301,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302,用于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;
第一计算模块303,用于计算粒子状态集中粒子的权值,并对权值进行归一化;
第二计算模块304,用于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。
如图4所示为本实施例提供的粒子滤波装置的构建模块的结构示意图,在本实施例的一些实施方式中,构建模块301包括:第一计算子模块3011、第二计算子模块3012、第三计算子模块3013、第四计算子模块3014、更新子模块3015、第五计算子模块3016以及构建子模块3017,其中,第一计算子模块3011用于基于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;第二计算子模块3012用于根据状态预测值计算每个模糊子模型的观测预测值;第三计算子模块3013用于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;第四计算子模块3014用于基于TSK模糊模型,计算目标的观测新息以及航向角误差;更新子模块3015用于将观测新息以及航向角误差融入TSK模糊模型,然后基于模型模糊隶属度对前件参数进行更新;第五计算子模块3016用于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;构建子模块3017用于基于模型权值构建粒子滤波的重要性密度函数。
进一步地,在本实施例的一些实施方式中,第三计算子模块3013具体用于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。
进一步地,在本实施例的一些实施方式中,第四计算子模块3014具体用于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。
观测新息计算公式表示为: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。
进一步地,在本实施例的一些实施方式中,更新子模块3015具体用于模型模糊隶属度代入预设的前件参数计算公式,计算得到目标前件参数,前件参数计算公式表示如下:
以及,将目标前件参数更新至融入观测新息以及航向角误差之后的TSK模糊模型:
其中,和分别表示k时刻观测新息第j个语言值的均值和方差,和分别表示k时刻航向角误差第j个语言值的均值和方差。
进一步地,在本实施例的一些实施方式中,第五计算子模块3016具体用于按照预设的模型权值计算公式,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;模型权值计算公式表示如下:
其中,表示变量ψk对应的模糊子模型的模型权值。
进一步地,在本实施例的一些实施方式中,构建子模块3017具体用于基于模型权值,构建TSK模糊模型中的观测方程:
其中,
以及,基于观测方程构建目标函数:
其中,Zk表示当前观测,α表示正则化常数,在本实施例中可以取α∈[0。4,0.7],表示目标函数;
以及,按照预设的优化公式对TSK模糊模型的后件参数进行优化,得到优化后的后件参数,
其中,优化公式表示如下:
优化后的后件参数表示如下:
Xk=(AkAk T+αIk)-1Akzk
以及,基于优化后的后件参数,构建均值为Xk,协方差为的粒子滤波的重要性密度函数:
应当说明的是,前述实施例中的粒子滤波方法均可基于本实施例提供的粒子滤波装置实现,所属领域的普通技术人员可以清楚的了解到,为描述的方便和简洁,本实施例中所描述的粒子滤波装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
采用本实施例提供的基于TSK模糊模型的粒子滤波装置,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。
第三实施例:
本实施例提供了一种电子装置,参见图5所示,其包括处理器501、存储器502及通信总线503,其中:通信总线503用于实现处理器501和存储器502之间的连接通信;处理器501用于执行存储器502中存储的一个或者多个计算机程序,以实现上述实施例一中的方法的至少一个步骤。
本实施例还提供了一种计算机可读存储介质,该计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、计算机程序模块或其他数据)的任何方法或技术中实施的易失性或非易失性、可移除或不可移除的介质。计算机可读存储介质包括但不限于RAM(Random Access Memory,随机存取存储器),ROM(Read-Only Memory,只读存储器),EEPROM(Electrically Erasable Programmable read only memory,带电可擦可编程只读存储器)、闪存或其他存储器技术、CD-ROM(Compact Disc Read-Only Memory,光盘只读存储器),数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
本实施例中的计算机可读存储介质可用于存储一个或者多个计算机程序,其存储的一个或者多个计算机程序可被处理器执行,以实现上述实施例一中的方法的至少一个步骤。
本实施例还提供了一种计算机程序,该计算机程序可以分布在计算机可读介质上,由可计算装置来执行,以实现上述实施例一中的方法的至少一个步骤;并且在某些情况下,可以采用不同于上述实施例所描述的顺序执行所示出或描述的至少一个步骤。
本实施例还提供了一种计算机程序产品,包括计算机可读装置,该计算机可读装置上存储有如上所示的计算机程序。本实施例中该计算机可读装置可包括如上所示的计算机可读存储介质。
可见,本领域的技术人员应该明白,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件(可以用计算装置可执行的计算机程序代码来实现)、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。
此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、计算机程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。所以,本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明实施例所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
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,计算得到目标前件参数;所述前件参数计算公式表示如下:
将所述目标前件参数更新至融入所述观测新息以及所述航向角误差之后的TSK模糊模型:
其中,和分别表示k时刻观测新息第j个语言值的均值和方差,和分别表示k时刻航向角误差第j个语言值的均值和方差。
6.如权利要求5所述的粒子滤波方法,其特征在于,所述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包括:
按照预设的模型权值计算公式,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;所述模型权值计算公式表示如下:
其中, 表示变量ψk对应的模糊子模型的模型权值。
7.如权利要求6所述的粒子滤波方法,其特征在于,所述基于所述模型权值构建粒子滤波的重要性密度函数包括:
基于所述模型权值,构建所述TSK模糊模型中的观测方程:
其中,
基于所述观测方程构建目标函数:
其中,Zk表示当前观测,α表示正则化常数,表示目标函数;
按照预设的优化公式对所述TSK模糊模型的后件参数进行优化,得到优化后的后件参数,
其中,所述优化公式表示如下:
所述优化后的后件参数表示如下:
Xk=(AkAk T+αIk)-1Akzk
基于所述优化后的后件参数,构建均值为Xk,协方差为的粒子滤波的重要性密度函数:
8.一种基于TSK模糊模型的粒子滤波装置,其特征在于,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。
9.一种电子装置,其特征在于,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,以实现如权利要求1至7中任意一项所述的基于TSK模糊模型的粒子滤波方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述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,以实现如权利要求1至7中任意一项所述的基于TSK模糊模型的粒子滤波方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910650468.8A CN110347971B (zh) | 2019-07-18 | 2019-07-18 | 基于tsk模糊模型的粒子滤波方法、装置及存储介质 |
PCT/CN2019/113004 WO2021007985A1 (zh) | 2019-07-18 | 2019-10-24 | 基于tsk模糊模型的粒子滤波方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910650468.8A CN110347971B (zh) | 2019-07-18 | 2019-07-18 | 基于tsk模糊模型的粒子滤波方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110347971A true CN110347971A (zh) | 2019-10-18 |
CN110347971B CN110347971B (zh) | 2023-04-07 |
Family
ID=68178824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910650468.8A Active CN110347971B (zh) | 2019-07-18 | 2019-07-18 | 基于tsk模糊模型的粒子滤波方法、装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110347971B (zh) |
WO (1) | WO2021007985A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027014A (zh) * | 2019-12-09 | 2020-04-17 | 深圳大学 | type-2直觉模糊决策的TSK模糊模型粒子滤波方法及系统 |
WO2021007985A1 (zh) * | 2019-07-18 | 2021-01-21 | 深圳大学 | 基于tsk模糊模型的粒子滤波方法、装置及存储介质 |
CN112305915A (zh) * | 2020-10-28 | 2021-02-02 | 深圳大学 | Tsk迭代回归模型的标签多伯努利多目标跟踪方法及系统 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642103B (zh) * | 2021-07-23 | 2022-08-02 | 北京三快在线科技有限公司 | 动力学模型参数的调整方法、装置、介质及电子设备 |
CN113746581B (zh) * | 2021-09-09 | 2022-06-17 | 南京航空航天大学 | 一种基于粒子滤波的三维毫米波波束跟踪方法 |
CN115469270B (zh) * | 2022-08-16 | 2023-06-27 | 哈尔滨工程大学 | 基于检测前跟踪的长基线定位方法及系统 |
CN115436902B (zh) * | 2022-09-15 | 2024-06-14 | 中国人民解放军国防科技大学 | 基于三通道联合检测的角误差估计方法和装置 |
CN117216454B (zh) * | 2023-10-08 | 2024-03-08 | 石家庄铁道大学 | 基于模糊非概率的可靠性评估方法、装置、终端及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902812A (zh) * | 2014-03-05 | 2014-07-02 | 深圳大学 | 一种粒子滤波方法、装置及目标跟踪方法、装置 |
CN103955600A (zh) * | 2014-04-03 | 2014-07-30 | 深圳大学 | 一种目标跟踪方法及截断积分卡尔曼滤波方法、装置 |
CN105205313A (zh) * | 2015-09-07 | 2015-12-30 | 深圳大学 | 模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置 |
US20160356515A1 (en) * | 2013-11-14 | 2016-12-08 | Passivsystems Limited | Improvements in and relating to temperature controlled systems |
CN107578130A (zh) * | 2017-09-08 | 2018-01-12 | 常州大学 | 一种结构和参数联合学习的tsk型模糊系统的铜期货价格预测的方法 |
CN109492769A (zh) * | 2018-10-31 | 2019-03-19 | 深圳大学 | 一种粒子滤波方法、系统和计算机可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325128B (zh) * | 2018-12-03 | 2021-06-08 | 深圳大学 | 一种机动目标的跟踪方法及系统 |
CN110347971B (zh) * | 2019-07-18 | 2023-04-07 | 深圳大学 | 基于tsk模糊模型的粒子滤波方法、装置及存储介质 |
-
2019
- 2019-07-18 CN CN201910650468.8A patent/CN110347971B/zh active Active
- 2019-10-24 WO PCT/CN2019/113004 patent/WO2021007985A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160356515A1 (en) * | 2013-11-14 | 2016-12-08 | Passivsystems Limited | Improvements in and relating to temperature controlled systems |
CN103902812A (zh) * | 2014-03-05 | 2014-07-02 | 深圳大学 | 一种粒子滤波方法、装置及目标跟踪方法、装置 |
CN103955600A (zh) * | 2014-04-03 | 2014-07-30 | 深圳大学 | 一种目标跟踪方法及截断积分卡尔曼滤波方法、装置 |
CN105205313A (zh) * | 2015-09-07 | 2015-12-30 | 深圳大学 | 模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置 |
CN107578130A (zh) * | 2017-09-08 | 2018-01-12 | 常州大学 | 一种结构和参数联合学习的tsk型模糊系统的铜期货价格预测的方法 |
CN109492769A (zh) * | 2018-10-31 | 2019-03-19 | 深圳大学 | 一种粒子滤波方法、系统和计算机可读存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021007985A1 (zh) * | 2019-07-18 | 2021-01-21 | 深圳大学 | 基于tsk模糊模型的粒子滤波方法、装置及存储介质 |
CN111027014A (zh) * | 2019-12-09 | 2020-04-17 | 深圳大学 | type-2直觉模糊决策的TSK模糊模型粒子滤波方法及系统 |
CN111027014B (zh) * | 2019-12-09 | 2023-05-23 | 深圳大学 | type-2直觉模糊决策的TSK模糊模型粒子滤波方法及系统 |
CN112305915A (zh) * | 2020-10-28 | 2021-02-02 | 深圳大学 | Tsk迭代回归模型的标签多伯努利多目标跟踪方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110347971B (zh) | 2023-04-07 |
WO2021007985A1 (zh) | 2021-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110347971A (zh) | 基于tsk模糊模型的粒子滤波方法、装置及存储介质 | |
TWI746814B (zh) | 電腦可讀介質、車險風險預測裝置及伺服器 | |
WO2022077587A1 (zh) | 一种数据预测方法、装置及终端设备 | |
Yin et al. | A data-driven fuzzy information granulation approach for freight volume forecasting | |
KR20200031163A (ko) | 신경 네트워크 구조의 생성 방법 및 장치, 전자 기기, 저장 매체 | |
CN108665175A (zh) | 一种保险业务风险预测的处理方法、装置及处理设备 | |
CN110363449A (zh) | 一种风险识别方法、装置及系统 | |
CN110196908A (zh) | 数据分类方法、装置、计算机装置及存储介质 | |
Cong et al. | Image segmentation algorithm based on superpixel clustering | |
CN110363077A (zh) | 手语识别方法、装置、计算机装置及存储介质 | |
CN109325128B (zh) | 一种机动目标的跟踪方法及系统 | |
CN109558594B (zh) | 交互式t-s模糊语义模型估计方法、系统和计算机可读存储介质 | |
CN110111367A (zh) | 模糊模型粒子滤波方法、装置、设备及存储介质 | |
Luo et al. | Timeliness online regularized extreme learning machine | |
Hsieh | Evolution of machine learning in environmental science—A perspective | |
Yan et al. | A clustering algorithm for multi-modal heterogeneous big data with abnormal data | |
Tan et al. | The research of air combat intention identification method based on bilstm+ attention | |
Karaca et al. | A comparison of two hölder regularity functions to forecast stock indices by ANN algorithms | |
CN116739649A (zh) | 一种用户响应潜力评估方法和装置 | |
CN115545168A (zh) | 基于注意力机制和循环神经网络的动态QoS预测方法及系统 | |
CN111428741B (zh) | 网络社区的发现方法、装置、电子设备及可读存储介质 | |
CN116802646A (zh) | 数据处理的方法和装置 | |
Li et al. | Multicellular gene expression programming-based hybrid model for precipitation prediction coupled with EMD | |
Lu et al. | Farmland boundary extraction based on the AttMobile-DeeplabV3+ network and least squares fitting of straight lines | |
CN113822293A (zh) | 用于图数据的模型处理方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |