資源描述：
《基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的粒子濾波算法》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、碩士學(xué)位論文基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的粒子濾波算法PARTICLEFILTERINGALGORITHMBASEDONIMPROVEDBPNEURALNETWORK史若雯哈爾濱工業(yè)大學(xué)2018年6月國內(nèi)圖書分類號(hào)：O212.8學(xué)校代碼：10213國際圖書分類號(hào)：519.2密級(jí)：公開理學(xué)碩士學(xué)位論文基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的粒子濾波算法碩士研究生史若雯導(dǎo)師嚴(yán)質(zhì)彬教授申請(qǐng)學(xué)位理學(xué)碩士學(xué)科運(yùn)籌學(xué)與控制論所在單位數(shù)學(xué)系答辯日期2018年6月授予學(xué)位單位哈爾濱工業(yè)大學(xué)ClassifiedIndex:O212.8U.D.C:519.2DissertationfortheMasterDe
2、greeinSciencePARTICLEFILTERINGALGORITHMBASEDONIMPROVEDBPNEURALNETWORKCandidate：ShiRuowenSupervisor：Prof.YanZhibinAcademicDegreeAppliedfor：MasterofScienceSpeciality：OperationalResearchandCyberneticsAffiliation：DepartmentofMathematicsDateofDefence：June,2018Degree-Conferring-Institution：
3、HarbinInstituteofTechnology哈爾濱工業(yè)大學(xué)理學(xué)碩士學(xué)位論文摘要對(duì)于線性Gauss動(dòng)態(tài)系統(tǒng)來說，Kalman濾波是最優(yōu)的濾波方法。但Kalman濾波面對(duì)非線性系統(tǒng)的情形時(shí)，就需要涉及高維積分的計(jì)算等問題，所以系統(tǒng)狀態(tài)的解析估計(jì)并不好得到。粒子濾波的主要思想是對(duì)后驗(yàn)概率密度用帶有權(quán)值的離散樣本進(jìn)行逼近來得到當(dāng)前狀態(tài)的估計(jì)值。理論上粒子濾波算法在粒子數(shù)足夠大時(shí)可以充分近似后驗(yàn)概率密度。但在重采樣階段，大權(quán)值粒子不斷被抽到導(dǎo)致抽樣粒子的權(quán)值方差越來越大，將不可避免的產(chǎn)生粒子貧化現(xiàn)象。因此為了保證精度就需要有足夠多的粒子數(shù)。而且隨著系統(tǒng)狀態(tài)維數(shù)的增
4、多會(huì)使計(jì)算難度增加、效率降低。對(duì)于不同的模型，重要性密度函數(shù)的選擇也會(huì)影響粒子濾波的效果。本文利用了BP網(wǎng)所具有的非線性映射功能，通過加入權(quán)值分裂步驟，將權(quán)值較小的部分粒子作為樣本輸入，粒子權(quán)值作為網(wǎng)絡(luò)的權(quán)值，量測(cè)值作為網(wǎng)絡(luò)的目標(biāo)樣本。然后通過對(duì)粒子的權(quán)值進(jìn)行多次的訓(xùn)練，從而提高粒子濾波算法(PF)中粒子的多樣性，以此來延緩權(quán)值退化并改善PF算法的濾波性能。本文先介紹了粒子濾波的一般性框架、BP神經(jīng)網(wǎng)絡(luò)的基本知識(shí)和神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程的理論推導(dǎo)，然后給出了兩類模型的具體BPNNPF算法：一類是四維純方位雷達(dá)跟蹤模型，一類是混合線性/非線性Gauss模型。最后，本文對(duì)標(biāo)
5、準(zhǔn)PF算法與基于BPNN的PF算法在兩種類型的模型下進(jìn)行仿真，發(fā)現(xiàn)基于BPNN的PF算法的估計(jì)精度明顯高于PF算法。關(guān)鍵詞：Bayesian濾波；序貫MonteCarlo方法；非線性濾波；BP神經(jīng)網(wǎng)絡(luò)-I哈爾濱工業(yè)大學(xué)理學(xué)碩士學(xué)位論文AbstractForlinearGaussiandynamicsystems,theKalmanfilteringistheoptimalfilteringmethod.However,whentheKalmanfiltertackleswithanonlinearsystem,itinvolvesthecalculationofh
6、igh-dimensionalintegrals,sotheanalyticestimationofthesystemstateisinfeasible.Themainideaofparticlefilteringistoutilizediscreteweightedsamplestorepresenttheposteriorprobabilitydensityandthentoobtainanestimateofthecurrentstate.Theoretically,theparticlefilteralgorithmcansufficientlyappro
7、ximatetheposteriorprobabilitydensitywhenthenumberofparticlesislargeenough.Nevertheless,intheresamplingstep,particleswithlargeweightsaremorelikelytobedrawn,causingthevarianceofweightstoincreasewithtime,whichwillinevitablyleadtotheparticleimpoverishment.Itthusneedsasufficientnumberofpar
8、ticle
