的鸽子为剩余鸽子的目的地，剩下的鸽群迅速向 目的中心靠拢。
[0064] 步骤七：
[0065] 地标算子优化的结果被视为最终的参数优化结果，用优化后的卡尔曼滤波器来生 成曲线并作为最终的结果。
[0066] 3.优点及效果
[0067] 本发明提供了一种基于鸽群算法优化卡尔曼滤波参数的目标跟踪算法，其目的是 为了对卡尔曼滤波器的参数进行优化，以达到能够快速跟踪目标的目的。采用鸽群算法对 卡尔曼滤波器的参数进行优化，并以此来生成曲线，从而使得得出的曲线更加靠近真实的 曲线。此种方法与粒子群算法优化卡尔曼滤波器的方法相比，优化的效果相差不大，优化速 度却有所提高，因此，此方法可广泛应用于智能信息处理领域。
【附图说明】
[0068] 图1鸽群优化算法地图罗盘算子示意图。
[0069] 图2鸽群优化算法地标算子示意图。
[0070]图3鸽群算法优化卡尔曼滤波器参数的整体流程图。
[0071 ]图4卡尔曼滤波器流程框图。
[0072]图5优化迭代曲线。
[0073]图中标号及符号说明如下：
[0074] Nc一一优化算法迭代次数
[0075] NClmax--地图罗盘算子最大代数
[0076] N〇2max--地标算子最大代数
[0077] N一一不满足条件(否）
[0078] γ--满足条件(是）
【具体实施方式】
[0079] 见图1 一图5,下面通过一个具体的实际例子来验证本发明所提出的鸽群算法优化 卡尔曼滤波器参数以实现跟踪目标的目的。
[0080] 本实例实现的具体步骤如下：
[0081] 步骤一:得出真实的曲线
[0082] 获取一特定的曲线，作为真实的曲线；
[0083]步骤二:得出原始曲线
[0084]对目标曲线添加高斯白噪声(noise)，称之为原始曲线；
[0085]步骤三:初始化鸽群算法参数 [0086] (1)初始化优化参数维数D
[0087]本方法中所要优化的参数是卡尔曼滤波器的量测噪声协方差R，它是一个2X2的 矩阵，因此要用鸽群算法在四维度中寻找目标区域，所以D为4。
[0088] (2)初始化收缩扩张系数ω (t)的参数
[0089] 初始化收缩扩张系数ω (t)的最大值ω max= 1. 〇和最小值ω min = 〇 . 3，这两个值的 确定影响控制算法的收敛速度。
[0090] (3)初始化种群数量^
[0091]群智能优化算法的种群数量NP对优化效果影响很大，选择一个适当的种群数量， 保证算法的准确性和快速性。本方法选择NP = 200。
[0092] (4)初始化种群位置和速度
[0093] 在搜索空间没设定群体的位置上限Pmax=10和位置下限Pmin = 0,以及速度上限Vmax =0.2(Pmax-Pmin)和速度下限Vmin = 0.2(Pmin_Pmax)。给种群中的每个粒子都初始化一个初始 的位置Xi和初始的速度Vi。
[0094]
(9)
[0095] (5)设置算法代数
[0096]鸽群优化算法有两个算子，分别是地图罗盘算子和地标算子，算法运算前需要分 别设定两个算法运行的最大代数NClmax = 100和NC2max = 50。
[0097] 步骤四：设计代价函数
[0098] 代价函数的确定是智能优化算法的核心，决定参数优化的准确性。本方法中，采用 最小均方差的方式，使得每个点的坐标与真实的坐标之间的均方差最小，从而得到最优的 区域。
[0099] 步骤五:利用地图罗盘算子进行寻优
[0100] 利用初始化的群体位置和速度，根据初始的个体的代价函数值选取全局最优位置 Xg。根据公式（1)~(5)中的公式更新每个个体的位置Xi，计算新生成鸽子的代价函数值，如 果新鸽子的代价函数值比全局最优位置的代价函数值更高，则把新生成的鸽子位置定义为 新的全局最优位置X g。反复应用地图罗盘算子进行寻优，直到运行代数大于地图罗盘算子 最大代数NClmax时停止。
[0101] 步骤六:利用地标算子进行寻优
[0102] 利用地图罗盘算子寻优的结果作为地标算子的初始群体，根据公式(6)~(8)中的 公式更新每个个体的速度I和位置t，计算新生成鸽子的代价函数值，如果新鸽子的代价函 数值比全局最优位置的代价函数值更高，则把新生成的鸽子位置定义为新的全局最优位置 Xg。根据公式(6)计算新种群的群体数量，根据公式(6)计算的结果舍弃群体中代价函数较 小的一部分个体，选择当前群体中较优的群体作为保留群体进行下一轮寻优，反复应用地 标算子进行寻优，直到运行代数大于地标算子最大代数NC 2max时停止。
[0103] 步骤七：
[0104] 地标算子优化的结果被视为最终的参数优化结果，用优化后的卡尔曼滤波器来生 成曲线并作为最终的结果，并把此结果和粒子群算法优化卡尔曼滤波器生成的曲线作对 比，迭代曲线如图5所示。
【主权项】
1.一种基于鸽群智能优化卡尔曼滤波参数的目标跟踪方法，其特征在于：该方法的实 现步骤如下： 步骤一:得出真实的曲线 获取一特定的曲线，作为真实的曲线； 步骤二:得出原始曲线 对目标曲线添加高斯白噪声，称之为原始曲线； 步骤三:初始化鸽群算法参数 (1) 初始化优化参数维数D 所要优化的参数是卡尔曼滤波器的量测噪声协方差参数R，它是一个2 X 2的矩阵，因此 要用鸽群算法在四维度中寻找目标区域，所以D为4; (2) 初始化收缩扩张系数ω (t)的参数 初始化收缩扩张系数《(t)的最大值comax和最小值comin，这两个值的确定影响控制算 法的收敛速度； (3) 初始化种群数量NP 群智能优化算法的种群数量NP对优化效果影响很大，选择适当的种群数量，保证算法的 准确性和快速性； (4) 初始化种群位置和速度 在搜索空间没设定群体的位置上限Pmax和位置下限Pmin，以及速度上限Vmax和速度下限 Vmin，给种群中的每个粒子都初始化一个初始的位置Xi和初始的速度Vi; 、 (V) (5) 设置算法代数 鸽群优化算法有两个算子，分别是地图罗盘算子和地标算子，算法运算前需要分别设 定两个算法运行的最大代数NClmax和NC2max; 步骤四：设计代价函数 代价函数的确定是智能优化算法的核心，决定参数优化的准确性;采用最小均方差的 方式，使得每个点的坐标与真实的坐标之间的均方差最小，从而得到最优的区域； 步骤五:利用地图罗盘算子进行寻优 利用初始化的群体位置和速度，根据初始的个体的代价函数值选取全局最优位置乂8;根 据公式(1)~(5) ^ W (1) PiPg(t+l) = f(t+l) XPi(t) + (l-f(t+l)) XPg(t) (2) c〇{t) = &mia - - (63) ^max 如果汽七+1)20.5，那么 X (? +1 j = RPy + (〇{t +1)X \πι,,[Λ? (? +1}- -V- [?)|X In(4) 如果f(t+l)<0.5,那么 ^ (?+1) = ^ - ω{? +^\mbmi {t+1) - J；(i)|x：/M -^1-^ (5) 中的公式，更新每个个体的位置Χ:，计算新生成鸽子的代价函数值，如果新鸽子的代价 函数值比全局最优位置的代价函数值更高，则把新生成的鸽子位置定义为新的全局最优位 置Xg;反复应用地图罗盘算子进行寻优，直到运行代数大于地图罗盘算子最大代数NC lmaJt 停止； 公式中，mbe3St(t+l)为t+Ι代所有鸽子最佳位置的平均值，PdthPjt)分别为第i只鸽子 的最优位置和所有鸽子的全局最优位置，Pfjt+l)为鸽子个体最优值Pdt)和群体全局最 优值Pg(t)之间的随机点，ω (t)为收缩扩张系数，调节它的值能控制算法的收敛速度，较大 的《(t)有利于算法跳出局部最优值，而较小的co(t)有利于算法的收敛，f(t+l)、u(t+l)是 一个从〇到1之间随机产生的一个随机数； 步骤六:利用地标算子进行寻优 利用地图罗盘算子寻优的结果作为地标算子的初始群体，根据公式(6)-(8) 峨m m Σ<(〇?.細 es'y(A)(0) ,7, Xi(t)=Xi(t_l)+rand · (Xc(t)-Xi(t-1)) (8) 中的公式更新每个个体的速度1和位置Xi，计算新生成鸽子的代价函数值，如果新鸽子 的代价函数值比全局最优位置的代价函数值更高，则把新生成的鸽子位置定义为新的全局 最优位置据公式(6)计算新种群的群体数量，根据公式(6)计算的结果舍弃群体中代 价函数较小的一部分个体，选择当前群体中较优的群体作为保留群体进行下一轮寻优，反 复应用地标算子进行寻优，直到运行代数大于地标算子最大代数NC 2max时停止； 公式中，^为鸽群的数目，fitness是鸽子位置信息的代价函数，为了求得代价函数的最 小值，取€_作为目标函数，X。是鸽群的加权位置中心，圆圈外面的鸽子脱离鸽群，中心位置 的鸽子为剩余鸽子的目的地，剩下的鸽群迅速向目的中心靠拢； 步骤七： 地标算子优化的结果被视为最终的参数优化结果，用优化后的卡尔曼滤波器来生成曲 线并作为最终的结果。
【专利摘要】本发明是一种基于鸽群智能优化卡尔曼滤波参数的目标跟踪方法，该方法的实现步骤如下：步骤一：得出真实的曲线；步骤二：得出原始曲线；步骤三：初始化鸽群算法参数；步骤四：设计代价函数；步骤五：利用地图罗盘算子进行寻优；步骤六：利用地标算子进行寻优；步骤七：得出结果并验证。该方法可以对卡尔曼滤波器的参数进行比较好的优化，使之能够更加快速的预测目标下一时刻的状态值，对动态目标的跟踪提供了有效的保障。
【IPC分类】G06T7/20
【公开号】CN105469422
【申请号】CN201510781650
【发明人】段海滨, 赵国治
【申请人】北京航空航天大学
【公开日】2016年4月6日
【申请日】2015年11月13日