基于神經(jīng)動(dòng)力學(xué)的目標跟蹤算法

第26卷第3期深圳大學(xué)學(xué)報理工版Vo. 26 No. 32009年7月JOURNAL OF SHENZHEN UNIVERSITY SCIENCE AND ENGINEERINGJuly2009文章編號:1000-2618(2009)03-0283-06【光電與信息工程】基于神經(jīng)動(dòng)力學(xué)的目標跟蹤算法朱安民,明仲(深圳大學(xué)計算機與軟件學(xué)院,深圳51800)摘要:通過(guò)對神經(jīng)網(wǎng)絡(luò )模型的研究,將神經(jīng)動(dòng)力學(xué)的 Shunting模型應用到目標跟蹤系統中.該算法具有模型簡(jiǎn)單、參數不敏感、網(wǎng)絡(luò )運算不易飽和、算法速度快,且不需要預設工作環(huán)境等優(yōu)點(diǎn),適用于未知動(dòng)態(tài)環(huán)境下的優(yōu)化目標跟蹤. Matlab仿真試驗表明,該算法可解決動(dòng)態(tài)環(huán)境下的目標跟蹤.關(guān)鍵詞:神經(jīng)動(dòng)力學(xué);目標跟蹤;路徑選擇;最短路徑;動(dòng)態(tài)環(huán)境中圖分類(lèi)號:0232文獻標識碼:A目標跟蹤技術(shù)在軍事、工業(yè)過(guò)程控制、醫學(xué)研傳統的線(xiàn)性控制理論或基于模型的控制方法,或因究、交通監控及機器人導航等方面有廣泛應用,是算法過(guò)于復雜而不適合快速變化的環(huán)境.現實(shí)中目自動(dòng)控制、人工智能、計算機應用及機器人學(xué)等領(lǐng)標跟蹤系統面對的是一個(gè)變化多端、動(dòng)態(tài)的未知環(huán)域的重要課題.許多研究小組提出了不同的目標跟境.如何找到一種簡(jiǎn)單實(shí)時(shí)不需建立不同模型,就蹤方法',如Zh2提出連通圖搜索法,在整個(gè)工能穩定、連貫、平滑地描述環(huán)境,且能適應各種動(dòng)作環(huán)境中全面搜索所有可能路徑,并通過(guò)連通圖尋態(tài)無(wú)規律變化的環(huán)境,不需要學(xué)習就能記憶環(huán)境的找最短路徑;OloG3提出適應于未知環(huán)境的Hy-算法呢?本文將著(zhù)力解決這些問(wèn)題bride模型,釆用模糊邏輯方法建立環(huán)境地圖并通過(guò)導航進(jìn)行目標跟蹤; Cheng“提出用可變結構的多1目標跟蹤算法模型粒子過(guò)濾器算法解決局限于公路環(huán)境的目標跟蹤; Cevher提出基于聲學(xué)和視屏狀態(tài)空間的粒子目標跟蹤系統面對的是未知變化的動(dòng)態(tài)環(huán)境過(guò)濾器算法用以解決目標跟蹤問(wèn)題; zengin6提出基于 Shunting模型神經(jīng)動(dòng)力學(xué)的動(dòng)態(tài)活動(dòng)原理,即基于規則的智能知道策略用于無(wú)人駕駛飛行器在未把神經(jīng)網(wǎng)絡(luò )看作一種非線(xiàn)性動(dòng)力學(xué)系統,能實(shí)時(shí)描知環(huán)境下跟蹤移動(dòng)目標; Helle提出超階趨勢場(chǎng)述未知的、變化的環(huán)境. Hodgkin和 Huxley-提出結合高度變換機制進(jìn)行路徑規劃和目標跟蹤;Par-用電子線(xiàn)路元素實(shí)現生物細胞隔膜的方法.生物隔ker8提出基于聲學(xué)傳感器網(wǎng)絡(luò )和雙波陣面的路徑膜兩邊的電壓可通過(guò)方程(1)得到規劃進(jìn)行室內環(huán)境下的目標攔截; Tomono提出將目標位置的不確定性用目標幾何地圖和網(wǎng)格地圖上Cm=-(E,+Vm)g+(ena的分布可能性來(lái)決定;Chen0提出車(chē)輛跟蹤算法Vm)gNa -(e+Vm)ge.對汽車(chē)導航,該包括一個(gè)目標跟蹤模塊和一個(gè)障礙其中,C為電容;g為電導;E為電壓,通過(guò)參數替物規避模塊; Glasius r提出 Hopfield神經(jīng)網(wǎng)絡(luò )模換,可得分路方程型,在跟蹤目標時(shí)可避開(kāi)障礙物自動(dòng)選擇路徑.也Ax1+(B1-x2)S:(t)有學(xué)者提出通過(guò)自組織學(xué)習產(chǎn)生實(shí)時(shí)路徑的神經(jīng)網(wǎng)絡(luò )模型.但至今大多數目標跟蹤方法都需假定(D+xS,(2環(huán)境的精確數學(xué)模型已知,并忽略干擾,采用基于其中,x是電壓;A為被動(dòng)衰減率;B;和D是電壓的收稿日期:2008-04-09;修回日期:2009-04-11基金項目:國家自然科學(xué)基金資助項目(60673122);深圳大學(xué)科研啟動(dòng)基金資助項目(2007作者簡(jiǎn)介:朱安民(1964-),男(漢族),江西省上高縣人,深圳大學(xué)副教授、博土.E-muilYH中國煤化工CNMHG284深圳大學(xué)學(xué)報理工版第26卷上下限;S;和S是對該細胞的興奮和抑制輸入,其目標值為路徑s:=∑f(x)+∫(x)+1(4)其中,v和是興奮和抑制權值;F和是興奮和抑制輸入.分路網(wǎng)絡(luò )模型的狀態(tài)取決于興奮輸入障礙物S'、抑制輸入S:和狀態(tài)X本身.從上述方程可見(jiàn)跟蹤爺10x;隨S;增加而增大,x;越接近B;,其值增大速度越慢;當x=B時(shí),x不再增大.總之,x永遠小于圖2 Shunting網(wǎng)絡(luò )模型活動(dòng)圖B1,同樣,x1永遠大于-D1,即在范圍[-D,B1]內Fig. 2 The active landscape of Shunting model接下來(lái)討論如何利用 Shunting網(wǎng)絡(luò )模型解決動(dòng)網(wǎng)格結點(diǎn)狀態(tài)用 Shunting網(wǎng)絡(luò )模型方程描述為態(tài)目標跟蹤的路徑選擇問(wèn)題首先,利用 Shunting dx-Ax+(B-x)([+2m]”)網(wǎng)絡(luò )模型描述目標跟蹤的動(dòng)態(tài)環(huán)境.將目標跟蹤的工作區間網(wǎng)格化,形成一個(gè)離散型拓撲結構圖,跟蹤目標的位置和障礙物的位置可通過(guò)各種傳感器獲其中,x是神經(jīng)網(wǎng)絡(luò )中神經(jīng)元i的狀態(tài),A、B和D是得并數字化到網(wǎng)格化的拓撲結構圖上,如圖1.然正數;k是神經(jīng)元i的所有鄰接神經(jīng)結點(diǎn)的總數.函后,利用 Shunting網(wǎng)絡(luò )模型對該工作區間進(jìn)行動(dòng)態(tài)數[]·和[]的定義為=max1,0,[門(mén)]=描述,即網(wǎng)格的每一個(gè)結點(diǎn)被看作一個(gè)神經(jīng)元,每max-1,01.([]+∑/:1x])和[]分別為興奮和抑制輸入障礙物神經(jīng)元i的外部輸入l定義為:若為目標,則l1=E;若為障礙物,則l1=-E;其他情況,l1=0.目標這里E是一個(gè)非常大的常正數,大于其所有支線(xiàn)輸入總和.神經(jīng)元i到神經(jīng)元j的興奮連接權值向量u定義為w=f(q-q|)·其中,|q:-q,表示在向量空間中,位置矢量q到q正向量的模.函數f(a為單調遞減函數,例如:若0