[发明专利]type-2直觉模糊决策的TSK模糊模型粒子滤波方法及系统

说明书

本发明公开了type‑2直觉模糊决策的TSK模糊模型粒子滤波方法及系统，利用type‑2直觉模糊决策目标函数，选出能够体现运动目标的特性的最优特征集；构建TSK模糊模型，将最优特征集作为输入，基于TSK模糊模型的前件隶属函数计算每条规则的权重，利用加权求和的方法得到多条模糊规则的状态融合结果作为TSK模糊模型的输出；基于状态融合结果构建粒子滤波的重要密度函数，从重要密度函数中抽取粒子进行滤波更新。本发明利用type‑2直觉模糊决策目标函数选出能够体现运动目标的特性的最优特征集来构建TSK模糊模型，既减少模型的规则数和模型的冗余度也提高了模型的精确度，采用构建TSK模糊模型的输出结果作为粒子滤波算法的重要密度函数，大幅度降低粒子的退化问题。

技术领域

本发明涉及粒子滤波领域，具体涉及type-2直觉模糊决策的TSK模糊模型粒子滤波方法及系统。

背景技术

建模技术在许多领域都被广泛应用于非线性系统的精确建模。模糊系统具有很好的描述动态过程非线性行为复杂动态的能力。模糊模型辨识是基于实测数据的复杂非线性系统高精度建模的有效工具。利用模糊逻辑的非线性映射能力，定义在紧集上的复杂非线性系统可以一致逼近任意精度。在TSK模糊模型建模过程中，结构识别和参数识别都是非常关键的步骤，它们决定了模型的质量。结构识别的相关工作包括规则数的确定、结构参数的选择和模糊空间划分，即关于前件特征变量的决策问题。

一组特性可能包含足够的信息来体现目标的运动趋势，当一个模型建模问题由特征定义时，特征的数量可能相当大，其中许多特征可能是不相关的或多余的。因为不相关的信息被缓存在特征的整体中，这些不相关的特征可能会降低使用所有特征的建模的性能，在粒子滤波时由于采用模型的规则数和模型的冗余度高，使得造成的粒子退化程度较高。

发明内容

因此，本发明提供了一种type-2直觉模糊决策的TSK模糊模型粒子滤波方法及系统，克服了现有技术中模型的规则数和模型的冗余度高造成的粒子退化程度高的缺陷。

第一方面，本发明实施例提供一种type-2直觉模糊决策的TSK模糊模型粒子滤波方法，包括如下步骤：利用type-2直觉模糊决策目标函数，选出能够体现运动目标的特性的最优特征集；构建TSK模糊模型，将所述最优特征集作为输入，基于TSK模糊模型的前件隶属函数计算每条规则的权重，并利用加权求和的方法得到多条模糊规则的状态融合结果作为TSK模糊模型的输出；基于状态融合结果构建粒子滤波的重要密度函数，并从重要密度函数中抽取粒子进行滤波更新。

在一实施例中，所述利用type-2直觉模糊决策目标函数，选出能够体现运动目标的特性的最优特征集的步骤，包括：通过降岭函数进行运动目标初选特征集中的各特征相似度计算；根据相似度构建基于type-2直觉模糊决策的目标函数，选出能够体现运动目标的特性的最优特征集。

在一实施例中，所述各特征相似度计算包括：速度相似度计算、新息相似度计算、航向角相似度计算及时间间隔相似度计算。

在一实施例中，所述根据所述相似度构建基于type-2直觉模糊决策的目标函数，选出能够体现运动目标的特性的最优特征集的步骤，包括：对各特征相似度进行融合；基于type-2直觉模糊决策的目标函数，选取出直觉模糊决策分数大于预设阈值的特征，构成所述最优特征集。

在一实施例中，预设阈值其中，Q+1为初选特征集中所有特征的个数。

在一实施例中，在TSK模糊模型构建过程中，使用基于相关熵和时空信息的模糊C回归聚类算法对前件参数进行识别，后件参数使用强跟踪算法进行估计。

在一实施例中，所述根据所述重要密度函数进行粒子滤波的步骤，包括：从所述重要密度函数中进行抽样，得到粒子状态集；计算粒子状态集中粒子的权值，并对权值进行标准化处理；基于所述标准化的权值及所述粒子状态集，计算粒子的状态及协方差。