基于改进型自适应粒子滤波的多智能体网络目标跟踪方法与流程

技术特征：

1.基于改进型自适应粒子滤波的多智能体网络目标跟踪方法，具体包括以下步骤：

步骤1.粒子筛选：

筛选的基本原则是当相邻智能体粒子间距离低于预先设定的门限值γ时，保留两者间权值相对较大的粒子，去除权值较小的粒子；具体先在状态空间中对于某一特定维度的智能体粒子进行整理排序；相对于随机采样集其中表示粒子i在t时刻的状态值，N_t表示在t时刻的采样粒子数，我们用表示粒子i的状态向量x经过第d维排序后的状态集；排序后相邻粒子根据欧氏距离公式进行对比筛选：

上式条件成立下，比较这两个粒子的权值大小，如果其中表示第i个粒子t时刻的权值，为第i+1个粒子t时刻的权值，保留否则，保留如果上式条件不成立，则同时保留这两个粒子；用集合K_t表示已经消除的智能体粒子序标集合，以及S_t＝{1,...,N_t}\K_t表示保留下来的粒子序标集合；起初，K_t为空集，公式(1)中，序标i的值来自集合S_t；

步骤2.N_t+1的选取：

经过粒子筛检之后，为了确保滤波精度，引入新息误差估计，通过系统估计与预测的差值提供的新息知识，在重采样阶段在线自适应调整采样粒子数，在保证粒子采样高效性的同时，也很好地实现了算法的实时性；假设t时刻粒子的估计值为采用以下公式计算累积新息误差：

ϵ t 2 ( n ) = ( z t - h t ( x ^ t ) ) T Σ n - 1 ( z t - h t ( x ^ t ) ) - - - ( 2 ) ]]>

其中∑_n表示观测噪声n_t的协方差矩阵，z_t表示t时刻的量测值，表示估计量测值，n表示用于估计状态的粒子个数；计算所需的粒子均来自集合S_t；

采样粒子的数量和系统的新息误差相关，当误差较小时，用少量的采样粒子就可以高精度地逼近系统分布；当误差较大时，粒子的采样范围扩大，同时增加采样粒子数目，以保证采样的精度；下一时刻的粒子采样数由以下公式得出：

N t + 1 = N m a x · 1 1 + exp ( - βϵ t ) - - - ( 3 ) ]]>

其中N_max为最大采样粒子数，β为大于零的自适应设置参数，根据实际应用环境来设置大小；改进的自适应粒子滤波方法的具体流程如下：

步骤21 初始化：设置t＝0，从先验概率密度分布函数中抽取粒子样本集再根据下式计算出非归一化权值：

W ~ 0 ( x 0 ( i ) ) = p ( z 0 | x 0 ( i ) ) - - - ( 4 ) ]]>

其中为粒子i初始时刻的状态值，表示粒子i初始时刻归一化后的权值，z₀为初始时刻的量测向量；

步骤22 重采样：根据公式(3)，得出重采样粒子数目N_t+1，将粒子集进行N_t+1次重采样，得到一个权值为的全新粒子集合

步骤23 重要性采样：由重要性采样函数模型π(x_t|x_t-1,z_t)抽样得到新的粒子集

步骤24 加权值：通过下式更新抽样点的权值

w ~ t ( x t ( i ) ) = p ( z t | x t ( i ) ) p ( x t ( i ) | x t - 1 ( i ) ) π ( x t ( i ) | x t - 1 ( i ) , z t ) - - - ( 5 ) ]]>

接下来将智能体粒子集根据特定维度d进行排序得到按照公式(1)对有效粒子进行取舍；得到S_t和K_t，归一化权值则最终计算得到后验估计为：

r N t ( x t | z 0 : t ) = Σ i ∈ s t w t ( i ) δ ( x ^ t ( i ) - x t ( i ) ) - - - ( 6 ) ]]>

其中z_0:t表示从0到t时刻的量测向量；

令t＝t+1，返回到步骤22。