摘要：微粒优化算法（PSO）是一种有效的随机搜索方法，它由模拟鸟的社会行为发展而来，基本思想是通过体中个体之间的协作和信息共享来寻最优解，其优势在于简单、容易实现并且没有许多参数的调节。将微粒算法应用到改进基于卡尔曼滤波的航迹融合上，并进行数据仿真。实验结果表明，该方法具有较高的正确性和较强的有效性。
关键词关键词：微粒优化算法；卡尔曼滤波；航迹融合2022两会是几号开始几号结束>王宝强
0引言
微粒优化算法（Particle Swarm Optimization，PSO）<sup>[1]</sup>又称为粒子优化算法，由Eberhart博士和kennedy 博士于1995年提出。它由对鸟的捕食行为进行模拟发展而来，是一种基于种的随机搜索方法，是演化计算领域中的一个新的分支，目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其它应用领域。它只涉及目标函数值的计算而不涉及目标函数的导数求解。鸟被抽象为没有质量和体积的微粒（点），并延伸到N维空间。每个微粒都有自己的位置和速度，并根据自己的飞行经验和体的飞行经验不断更新自己的位置和速度，并最终收敛到一个点。本文尝试将基本PSO算法应用在基于卡尔曼滤波的民航飞机的航迹融合<sup>[23]</sup>上，并用实验数据进行了分析。
1微粒算法
4结语从以上实验数据可以看出，在航空器直航和机动飞行两种情况下，使用PSO算法对基于卡尔曼滤波的航迹融合进行优化，可比原来手工调整参数获得更好的效果，预测航迹收敛得更快。在滤波效果方面，信噪比SNR在目标直航或机动运动时均有不同幅度的提高，获得了较好的滤波效果。
李晨霍思燕参考文献：
[1]KENNEDY J，EBERHART R. Particle swarm optimization[C].IEEE International Conference on Neural Networks，1995.
[2]张倩，欧壮杰，贺华.基于卡尔曼滤波的数据融合技术在系统航迹中的研究与应用[J].航空科学技术，2009（1）.
[3]许博.基于数据融合技术的航迹处理[J].兵工自动化，2004（5）.
[4]SHI Y，EBERHART R. A modified particle swarm optimizer：Evolutionary Computation Proceedings[C].IEEE World Congress on Computational Intelligence，1998.
[5]ANGELINE P.Using selection to improve particle optimization[C].Proc of IJ CNN，1999.
卤肉的做法[6]CLERE M.The swarm and the queen：towards a deterministic and adaptive particle swarm optimization[C].Proc of the Congress of Evolutionary Computation，1999.
[7]SUGANTHAN P.Particle swarm optimizer with neighborhood operator[C].Proc of Congress on Evolutionary Computation，1999.
[8]GREG W，GARY B.An introduction to the Kalman filter[EB/OL].http：//www.cs.unc.edu，UNCChapelHill，TR95041，2000.
发布评论