粒子群算法優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)在目標跟蹤中的應用.pdf

1、隨著軍事技術(shù)的發(fā)展，目標本身運動及環(huán)境的復雜性給目標跟蹤帶來了巨大的挑戰(zhàn)。為了解決目標在機動情況下穩(wěn)定、精確跟蹤問題，本文提出將粒子群算法優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)應用于目標跟蹤的“當前”統(tǒng)計模型，通過蒙特卡洛仿真，驗證了該算法可改善跟蹤性能。
　　 本文在詳細研究粒子群算法的基礎(chǔ)上，針對標準粒子群算法在后期隨著種群多樣性的丟失，收斂速度變慢，極易早熟收斂的缺陷進行了改進。
　　 改進的粒子群算法在判斷出粒子可能陷入早熟收斂時，

2、就給陷入局部最優(yōu)無法跳出的粒子增加一定的擾動，使陷入局部最優(yōu)的粒子跳}t：，有效的避免了早熟收斂，而其余粒子保持不變，這樣粒子在隨后的迭代中兩部分粒子組成一個新群體，這樣既保留了每一。代的全局最優(yōu)粒子，又能保持了粒子種群的多樣性。仿真驗證了改進的粒子群算法減少了迭代次數(shù)、有效的避免了早熟收斂問題。
　　 其次，對小波神經(jīng)網(wǎng)絡(luò)進行了詳細分析，小波神經(jīng)網(wǎng)絡(luò)有著比BP神經(jīng)網(wǎng)絡(luò)更好的收斂速度和逼近精度。但小波神經(jīng)網(wǎng)絡(luò)常采用梯度下降法來訓

3、練網(wǎng)絡(luò)參數(shù)，易陷入局部極小值，收斂速度慢。本文用改進的粒子群算法訓練小波神經(jīng)網(wǎng)絡(luò)的參數(shù)。仿真實驗表明，改進的小波神經(jīng)網(wǎng)絡(luò)減少了迭代次數(shù)、提高了收斂精度，有更好的預測性能。
　　 目標模型的選取是機動目標跟蹤中的一個關(guān)鍵問題。在建立模型時，既要符合目標機動的實際情況，又要便于數(shù)學處理。本文在分析CV模型、CA模型、Singer模型、“當前”統(tǒng)計模型的基礎(chǔ)上，在MATLAB仿真壞境下，用蒙特卡羅仿真比較了各模型的跟蹤精度。對“當前”