資源描述：
《基于改進BP神經(jīng)網(wǎng)絡(luò)的粒子濾波算法》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學術(shù)論文-天天文庫。
1、碩士學位論文基于改進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2018年6月國內(nèi)圖書分類號：O212.8學校代碼：10213國際圖書分類號：519.2密級：公開理學碩士學位論文基于改進BP神經(jīng)網(wǎng)絡(luò)的粒子濾波算法碩士研究生史若雯導師嚴質(zhì)彬教授申請學位理學碩士學科運籌學與控制論所在單位數(shù)學系答辯日期2018年6月授予學位單位哈爾濱工業(yè)大學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)大學理學碩士學位論文摘要對于線性Gauss動態(tài)系統(tǒng)來說，Kalman濾波是最優(yōu)的濾波方法。但Kalman濾波面對非線性系統(tǒng)的情形時，就需要涉及高維積分的計算等問題，所以系統(tǒng)狀態(tài)的解析估計并不好得到。粒子濾波的主要思想是對后驗概率密度用帶有權(quán)值的離散樣本進行逼近來得到當前狀態(tài)的估計值。理論上粒子濾波算法在粒子數(shù)足夠大時可以充分近似后驗概率密度。但在重采樣階段，大權(quán)值粒子不斷被抽到導致抽樣粒子的權(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、多會使計算難度增加、效率降低。對于不同的模型，重要性密度函數(shù)的選擇也會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，量測值作為網(wǎng)絡(luò)的目標樣本。然后通過對粒子的權(quán)值進行多次的訓練，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)的基本知識和神經(jīng)網(wǎng)絡(luò)訓練過程的理論推導，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跟蹤模型，一類是混合線性/非線性Gauss模型。最后，本文對標
5、準PF算法與基于BPNN的PF算法在兩種類型的模型下進行仿真，發(fā)現(xiàn)基于BPNN的PF算法的估計精度明顯高于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)大學理學碩士學位論文AbstractForlinearGaussiandynamicsystems,theKalmanfilteringistheoptimalfilteringmethod.However,whentheKalmanfiltertackleswithanonlinearsystem,itinvolvesthecalculationofh
6、igh-dimensionalintegrals,sotheanalyticestimationofthesystemstateisinfeasible.Themainideaofparticlefilteringistoutilizediscreteweightedsamplestorepresenttheposteriorprobabilitydensityandthentoobtainanestimateofthecurrentstate.Theoretically,theparticlefilteralgorithmcansufficientlyappro
7、ximatetheposteriorprobabilitydensitywhenthenumberofparticlesislargeenough.Nevertheless,intheresamplingstep,particleswithlargeweightsaremorelikelytobedrawn,causingthevarianceofweightstoincreasewithtime,whichwillinevitablyleadtotheparticleimpoverishment.Itthusneedsasufficientnumberofpar
8、ticle
