logo资料库

论文研究-基于遗传模糊神经网络的交互式多模型算法改进 .pdf

发布时间：2022-05-29 发布人：admin 分类：说明书 资料大小：0.22M 资料格式：pdf 举报 版权申诉
第1页 / 共8页
第2页 / 共8页
第3页 / 共8页
第4页 / 共8页
第5页 / 共8页
第6页 / 共8页
第7页 / 共8页
第8页 / 共8页
资料共8页，全文预览结束
    中国科技论文在线 http://www.paper.edu.cn 基于遗传模糊神经网络的交互式多模型算法改进 史健芳，姜燕 太原理工大学信息工程学院，太原 （030024） E-mail：ningningjy@s163.com 摘 要：常用交互式多模型（IMM）算法概率更新时需要具有先验知识的模型概率转移矩 阵，而对机动的目标而言，该先验知识很难获得，且若与目标机动状态不符会导致跟踪精度 降低甚至跟踪丢失。针对以上问题提出了一种基于遗传模糊神经网络的交互式多模型 （GA-FNNIMM）算法。该算法将残差量输入到遗传模糊神经网络中，根据遗传模糊神经网 络的自学习和自适应能力得到数据融合输出交互时各模型对应的匹配概率，代替了交互式多 模型(IMM)算法中的模型概率计算。本文设计了遗传模糊神经网络的结构和算法，并基于改 进的交互式多模型算法进行 Monte Carlo 仿真，仿真结果表明，较之于常用 IMM 算法，该 算法在机动目标跟踪精度方面有所改善。 关键词：目标跟踪；交互式多模型算法；遗传算法；模糊神经网络 中图分类号：TP273.2 1 引言 机动目标跟踪是指对一个机动目标状态的估计[1]。在机动目标跟踪中，按跟踪滤波所采 用的模型数量，可分为单模型跟踪和多模型跟踪两大类。多模型算法由于其独有的处理具有 结构和参数未知和/或变化以及将复杂问题简单化的能力，近年来受到很大重视。其中，Bar Shalom 等人在广义伪贝叶斯算法基础上提出的具有马尔可夫切换系数的交互式多模型 (IMM)算法[4]，采用多个模型并行工作，通过马尔可夫链和新息实现模型概率更新，实行模 型间的“软切换”，是目前研究应用较多，较有效的方法之一。 在 IMM 算法中，当目标发生机动时，如何根据目标机动情况，实时地估计模型参数并 进行融合计算对提高跟踪精度至关重要。目前对 IMM 算法的改进主要有：改进交互式多模 型的模型集设计[5]、利用交互式多模型算法结合当前统计模型[9]、基于神经网络的交互式多 模型算法改进[10]以及融合机动检测的交互式多模型算法[12]等。本文提出一种基于遗传模糊 神经网络的交互式多模型算法。该算法针对目标跟踪中目标的机动特点设计了模糊神经网 络，并用遗传算法优化模糊神经网络的网络参数。将运动模型的特征量（残差）作为遗传模 糊神经网络的输入，遗传模糊神经网络的输出用于修正目标运动模型参数，在标准 IMM 算 法进行数据融合输出时代替原来滤波器的概率计算，从而提高跟踪机动目标的整体性能，使 系统能自适应目标复杂多变的运动模式。 2 基于遗传模糊神经网络的交互式多模型算法 基于遗传模糊神经网络的交互式多模型算法如图 2-1 所示。算法首先对上一时刻的状态 进行输入交互运算，然后进行滤波预测，通过遗传模糊神经网络进行模型概率更新计算，最 后输出交互并进行概率融合计算，下面分别对这四个部分进行分析。 -1-
    中国科技论文在线 http://www.paper.edu.cn 1x (k 1/ k 1) − − 2x (k 1/ k 1) − − 3x (k 1/ k 1) − − μ − i(k 1) 1x (k / k 1)− 输 入 交 互 3x (k / k 1)− 2x (k / k 1)− Z(k) 滤波器 1 滤波器 2 滤波器 3 1x (k / k) 1d (k) 2x (k / k) 2d (k) 3x (k / k) 3d (k) 1(k) μ i (k) μ 估 计 融 合 输 出 数 据 交 互 X(k / k) P(k / k) 图 2-1 GA-FNNIMM 算法原理图 遗传模糊 神经网络 3(k) 2(k) μ μ 归一化处理 2.1 输入交互运算 交互式多模型算法是基于多模型的目标跟踪算法，本文采用匀速（CV）模型、匀加速 （CA）模型以及匀速率转弯（CT）模型进行交互。其中模型 ( 量方程的离散形式为： jm j = 1,2,3) 的状态方程和测 （2- 1） j X k ( Z k ( j 1) + = 1) + = F X k ( ) + j H X k ( ) j w k ( ) j v k ( ) + j jw k 和 ( ) 式中， jF 和 jH 是模型 jm 的过程矩阵和观测矩阵； ( ) （2- 2） jv k 分别过程噪声和观 测噪声。对于模型 jm ，在给定重新初始化的目标状态、协方差以及新的量测 ( )Z k 之后， 首 先 输 入 各 模 型 的 滤 波 器 在 1k − 时 刻 的 目 标 状 态 预 测 值 及 其 协 方 差 的 预 测 值 ， 即 ( jx k 1) − ，然后由式(2-1)和式(2-2)可计算各模型的子滤波器在 k 时 刻的目标状态及其协方差的条件预测方程为： F x k ( − j F p k ( j x k k / j p k k / j − 和 ( jp k 1) j w k ( （2- 3） （2- 4） 1) − = 1) − = k− 1/ 1) − + 1) − + w k ( 1) − 1) − 1/ 1/ 1/ − − k k ( ( k j j j 2.2 滤波算法 滤波的目的是根据目标状态及其协方差的条件预测值估计目标的当前运动状态，本文采 用卡尔曼滤波器进行滤波，由模型 jm 的量测方程如式(2-2)和目标状态及其协方差的条件预 测方程如式(2-3)和(2-4)，可得卡尔曼滤波增益为： 1) （2- 5） K k ( ) = − H S T j k− ( ) 1 j p k k / j ( j 滤波残差及其方差为： d k k / ( j 1) − = Z k H x k k / ( ) − ( j j j 1) − − v k ( ) j （2- 6） -2-
    中国科技论文在线 S k k / j ( 1) − = H p k k / ( j j − 1) H T j R + 由此可得 k 时刻各模型对应的子滤波器输出的目标状态估计值及其协方差为: http://www.paper.edu.cn （2- 7） （2- 8） （2- 9） x k k / j ( p k k / j ( ) = 2.3 模型概率更新 x k k / j ( ) = p k k / j ( 1) − + K k d k k / ( ) ( j 1) − j ( ) j 1) − − K k S k k / ( j − 1) K k ( ) T j 本文在交互式多模型算法的概率更新部分引入遗传模糊神经网络，该网络通过遗传算法 的优化自学习能力修正网络权值，在跟踪目标时可根据滤波器的状态实时状态估计各模型的 匹配概率，从而摆脱先验知识的束缚提高跟踪精度。 2.3.1 遗传模糊神经网络结构 Takagi-Sugeno 模糊神经网络是基于 Takagi-Sugeno 型模糊推理的模糊神经网络，具有计 算简单、利于数学分析的优点[2]，所以本文采用 Takagi-Sugeno 模糊神经网络。该网络由前 件网络和后件网络两部分组成，前件网络用来匹配模糊规则的前件，后件网络用来产生模糊 规则的后件，模糊神经网络结构如图 2-2 所示。 1 1d . . . 3d jip 1 ( j = 1,2, , ⋅⋅⋅ m 第一层 i = 1,2,3) 第二层 后件网络 11y 第三层 . . . . . . . . . . . . 12y 1α 2α mα . . . 1my 31y 32y 1α 2α mα . . .3my 1μ . . . . . . 3μ jip 3 1 1μ . 1 . . mμ 1 1α 2α 1α 2α . . . mα . . . mα 1 3μ . . . mμ 3 3 前件 网络 第一层 第二层 第三层 第四层 图 2-2 基于 Takagi-Sugeno 模型的模糊神经网络结构 (1) 前件网络 前件网络由四层组成。第一层为输入层，共有 3 个节点，每个节点直接与经过量化的量 d = [ d d d , 1 , ] 测残差分量 用于计算各输入分量属于各语言变量值模糊集合的隶属函数 j 连接并传送到下一层。第二层的每个节点代表一个语言变量值， iμ ，本设计中各输入分量的模 2 3 -3-
    中国科技论文在线 http://www.paper.edu.cn 糊分割相等且分割数皆为 5，分别为 NB、NS、ZE、PS 和 PB。隶属函数采用高斯函数表示 的铃形函数，即 2 ) ( z c − i − 2 e σ j j 2 A z ( μ ) = i （2- 10） 式中， jc 和 jσ 分别表示隶属函数的中心和宽度。设经过量化的残差分量变化范围为[-11,11]， = ；模糊集合 ZE： 对于模糊集合 NB： c 8, σ= − j σ= j = ；模糊集合 NS： = ；模糊集合 PB： σ= − j c = ；模糊集合 PS： = 。第三层的每 σ= j σ= j 3 3, 3, c 0, 8, 1 2 2 3 c c j j j j j 个节点代表一条模糊规则，用来匹配模糊规则的前件，计算出每条规则的适应度，此算法中 采用取最小法计算每条规则的适应度，即 （2- 11） min{ }i μ μ μ 3 3 jα = i 1 1 i 2 2 , , i 式中， 1 ∈ {1,2, ⋅⋅⋅ ,5}; i 2 ∈ {1,2, ⋅⋅⋅ ,5}; i 3 ∈ {1,2, ⋅⋅⋅ ,5}; m = 3 =∏ m i i 1 = 125 。第四层实现归一化 计算，即 α j = α j 125 ∑ i 1 = α i ( j = 1,2, ⋅⋅⋅ ,125) （2- 12） (2) 后件网络 后件网络由 3 个结构相同的并列子网络所组成，每个子网络产生一个输出量。子网络的 第一层是输入层，将输入变量传送到第二层，其中第 0 个节点的输入值 a0=1，提供模糊规 则后件中的常数项；第二层每个节点代表一条规则，该层用于计算每一条规则的后件，即 y ij = p i j 0 + p x i j 1 1 + ⋅⋅⋅ + p x i jn n 子网络的第三层计算系统的输出，即 μ α j = ∑ i y ij 125 j 1 = n = ∑ p x i jl l l = 0 （2- 13） （2- 14） j = ⋅⋅⋅ ,125; 上式中 1,2, ⋅⋅⋅ 。 iμ是各规则后件的加权和，加权系数为各模糊规 则的经归一化的使用度。由于各输入分量的模糊分割及各模糊集合隶属函数参数是预先确 定，那么需要学习的参数主要是后件网络的连接权 l 1,2, ,3 = i jip 。 2.3.2 遗传模糊神经网络的算法 TS 模糊神经网络通常采用梯度下降法来调整参数 l jip ，由于梯度下降法自调整、自适 应不足，网络收敛性差容易使 TS 模糊神经网络陷入极小，而遗传算法[3]优化模糊神经网络 是在各代种群中不断优化从而寻找最优解，具有较好的全局寻优能力。因此本算法采用遗传 jip 。遗传算法优化 TS 模糊神经 算法优化模糊神经网络参数的方法确定后件网络连接权值 l 网络各参数具体过程如下： （1）采用二进制编码方案对每个参数 l 种群中个体由二进制基因链码表示，每个基因链码对应一个神经网络的一组参数 l jip 进行编码，并随机产生初始种群，种群数 n=50。 jip 。由于 -4-
    中国科技论文在线 http://www.paper.edu.cn 设定 l 表示 l jip 的变化范围为-1～1，则每个参数可用一个 5 位二进制码串表示，其中第一位 0 或 1 jip 为 0 或不等于 0。编码时将所有二进制码串连接起来作为下面要操作的“基因链码”； jip ，计算模糊神经网络的误差函数 E，确定 （2）将种群中各基因链码解码为一组参数 l 其适应度的函数值，本算法选择 F=1/E 作为适应度函数； （3）根据个体适应度大小，将适应度最大的个体直接遗传给下一代，其余个体根据适 应度计算其选择概率 sP ； P s = F i n ∑ F i i 1 = （2- 15） （4）对二进制码串进行交叉操作，本文中设交叉概率为 cP =0.9； （5）以变异概率 mP =0.03 随机改变某个位置的值（0 变 1，1 变 0）； （6）从当前父代和子代的所有个体中选择出 n 个适应度高的个体构成下一代种群，开 始新一轮的迭代直到种群的总适应度趋于稳定。 2.4 状态输出 经过滤波计算以及模型概率更新后可得到各子模型对应的滤波器输出的目标状态估计 值及其协方差，经过数据融合可得 k 时刻目标状态的总体估计和总体估计误差协方差分别 为： P k k / ( ) = n ∑ j 1 = x k k / ( ) n = ∑ j 1 = x k k u k ( ) j ( ) / j （2- 16） u k k P k k / j ){ ( j ( / ) + [ x k k / j ( ) − x k k / ( )][ x k k / j ( ) − x k k / ( )] } T （2- 17） 3 GA-FNNIMM 算法仿真实验及分析 为了验证基于遗传算法优化的模糊神经网络的交互式多模型算法的跟踪性能，本文对该 算法进行 Monte Carlo 仿真。仿真环境为：机动目标运动原始轨迹及 x 轴 y 轴方向运动轨迹 见图 3-1 及图 3-2。以 x 轴方向运动轨迹为分析对象，假设目标初始位置为（0，0），起始 状态初速度为 30m/s，目标在 0～30s 做匀加速直线运动，加速度为 5m/s2；在 30～50s 做匀 速直线运动，运动速度为 150 m/s；在 50～140s 做匀速率转弯运动，转弯率为 4°/s；在 140～ 250s 做匀速直线运动。 -5-
    中国科技论文在线 http://www.paper.edu.cn 图 3-1 机动目标原始轨迹 图 3-2 x 及 y 方向原始运动轨迹 图 3-3 GA-IMM 算法 x 方向原始轨迹与跟踪轨迹对比图 仿真结果分析：设采样间隔为 T=1，采样时间为 250s。通过 100 次的 Monte Carlo 仿真， 将基于遗传模糊神经网络的交互式多模型算法与标准交互式多模型算法进行比较，得出基于 遗传模糊神经网络的交互式多模型算法跟踪轨迹如图 3-3。由仿真结果可知，机动目标下述 的时刻点发生机动：在 t=30s 时由匀加速直线运动变为速度为 150 m/s 的匀速直线运动；t=50s -6-
    中国科技论文在线 http://www.paper.edu.cn 时由匀速直线运动变为转弯率为 4°/s 的匀速率转弯运动；t=140s 时由匀速率转弯运动变为匀 速直线运动。由图 3-4 可知，在目标发生机动的时刻滤波误差较大，非机动运动时间里滤波 误差较小。基于遗传模糊神经网络的交互式多模型算法相对于标准 IMM 算法来说，在非机 动运动时间里误差改善不明显，但在机动发生时刻对滤波误差有较大改善，整体性能有所提 高，跟踪目标的精确性要优于标准 IMM 算法。 图 3-4 IMM 及 GA-IMM 滤波误差比较 4 结论 本文针对机动目标跟踪，提出了一种基于遗传模糊神经网络的交互式多模型算法。该算 法通过将目标运动模型的特征量输入遗传模糊神经网络，遗传模糊神经网络的输出代替标准 IMM 算法进行数据融合输出时滤波器的概率计算，使系统能自适应目标复杂多变的运动模 式，且具有更好的跟踪性能。 参考文献 [1] 周宏仁，敬忠良，王培德.《机动目标跟踪》[M]，北京：国防工业出版社，1990。 [2] 李国勇.《神经模糊控制理论及应用》[M]，北京：电子工业出版社，2008。 [3] 王小平，曹立明.《遗传算法——理论、应用与软件实现》[M]，西安：西安交通大学出版社，2002。 [4] 李辉，沈莹，张安. 交互式多模型目标跟踪的研究现状及发展趋势[J]，火力与指挥控制，2006，31(11),1-4。 [5] 刘建书，李人厚，刘云龙. 交互式多模型算法的模型集设计[J]，控制与决策，2007，22(3)，326-332。 [6] 马海平，陈子栋. 一种基于 H 滤波的模糊变结构交互式多模型算法[J]，电子学报，2008，36(2), 246-249。 [7] 朱志宇. 基于模糊推理的自适应交互式多模型目标跟踪算法[J]，弹箭与制导学报，2008, 28(1), 29-36。 [8] 陈晓山，翁辉，苏平. 一种遗传模糊神经网络算法及其在舰船声纳目标识别中的应用[J]，2009， 28(8),71-73。 [9] 刘建书，李人厚，刘去龙. 基于“当前”统计模型的交互式多模型算法[J], 系统工程与电子技术，2008， 30(7), 1351-1354。 [10] 范志明，屈志毅，张丽红. 基于神经网络的机动目标自适应跟踪算法[J]，计算机工程与应用，2006， 36(4),229-232。 [11] 梁彦，程咏梅，贾宇岗. 交互式多模型算法性能分析[J]，控制理论与应用，2001，18(4)，487-492。 [12] 康宇，肖晓波，奚宏生. 融合机动检测的交互多模型目标跟踪[J]，现代雷达，2004，26(12), 33-36。 [13] Zhang Guan-yuan, Wang Fu-jun and Wei Zhen-sheng. Interacting multiple model algorithm used in multi-Sensor fusion system[J]. The Eighth Conference on Electronic Measurement and Instruments, 4:135-139, Dec.2007. [14] IIke Tukmen. IMM fuzzy probabilistic data association algorithm for tracking maneuvering target[J]. Expert Systems with Applications, 34: 111243-1249, Dec.2008. -7-
    中国科技论文在线 http://www.paper.edu.cn Improvement of the Interacting Multiple Model Algorithm based on the Genetic Fuzzy Neural Network Information Engineering College in Taiyuan University of Technology, Taiyuan (030024) Shi Jianfang, Jiang Yan Abstract The model probability matrix with experience knowledge is needed in the probability renewing of the normal Interacting Multiple Model (IMM) algorithm. However, it is difficult to get the experience knowledge for the maneuvering target, and the tracking precision reduces if the target maneuvering target status does not conform to the experience knowledge. Aiming at these problems, the Interacting Multiple Model (IMM) algorithm based on the genetic fuzzy neural network is put forward. In this algorithm, residual is put into the genetic fuzzy neural network. Matching probability corresponding to all models in the data integration and exporting can be got according to the self-studying and self-adaptive property of the genetic fuzzy neural network, and replaces the model probability calculation in the Interacting Multiple Mode. Structure and algorithm of the genetic fuzzy neural network is designed in this paper, and Monte Carlo simulation is performed based on the improved Interacting Multiple Mode (IMM) algorithm. Simulation results show that this algorithm improves in aspect of maneuvering target tracking precision. Keywords: target tracking; Interacting Multiple Modle algorithm; genetic algorithm; fuzzy neural network 作者简介： 姜燕（1982-）：女，内蒙古巴彦淖尔市人，主要研究方向为智能信息处理、目标跟踪系统。 -8-
    分享到：
    赞 收藏

    相关推荐

    资料库

    开发技术

    共收录19306份资料，累计14个分类，关注成员有19位，主要包括：Actionscript,Javascript,PHP,VB,Perl,Delphi,Python,C#,C,Java,C++,Web开发,硬件开发,其它

    热门标签

    Actionscript Javascript PHP VB Perl Delphi Python C# C Java C++ Web开发 硬件开发 其它

    最新资料