第26卷第3期深圳大學(xué)學(xué)報(bào)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)動力學(xué)的目標(biāo)跟蹤算法朱安民,明仲(深圳大學(xué)計(jì)算機(jī)與軟件學(xué)院,深圳51800)摘要:通過對神經(jīng)網(wǎng)絡(luò)模型的研究,將神經(jīng)動力學(xué)的 Shunting模型應(yīng)用到目標(biāo)跟蹤系統(tǒng)中.該算法具有模型簡單、參數(shù)不敏感、網(wǎng)絡(luò)運(yùn)算不易飽和、算法速度快,且不需要預(yù)設(shè)工作環(huán)境等優(yōu)點(diǎn),適用于未知動態(tài)環(huán)境下的優(yōu)化目標(biāo)跟蹤. Matlab仿真試驗(yàn)表明,該算法可解決動態(tài)環(huán)境下的目標(biāo)跟蹤.關(guān)鍵詞:神經(jīng)動力學(xué);目標(biāo)跟蹤;路徑選擇;最短路徑;動態(tài)環(huán)境中圖分類號:0232文獻(xiàn)標(biāo)識碼:A目標(biāo)跟蹤技術(shù)在軍事、工業(yè)過程控制、醫(yī)學(xué)研傳統(tǒng)的線性控制理論或基于模型的控制方法,或因究、交通監(jiān)控及機(jī)器人導(dǎo)航等方面有廣泛應(yīng)用,是算法過于復(fù)雜而不適合快速變化的環(huán)境.現(xiàn)實(shí)中目自動控制、人工智能、計(jì)算機(jī)應(yīng)用及機(jī)器人學(xué)等領(lǐng)標(biāo)跟蹤系統(tǒng)面對的是一個(gè)變化多端、動態(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(biāo)跟境.如何找到一種簡單實(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(wěn)定、連貫、平滑地描述環(huán)境,且能適應(yīng)各種動作環(huán)境中全面搜索所有可能路徑,并通過連通圖尋態(tài)無規(guī)律變化的環(huán)境,不需要學(xué)習(xí)就能記憶環(huán)境的找最短路徑;OloG3提出適應(yīng)于未知環(huán)境的Hy-算法呢?本文將著力解決這些問題bride模型,釆用模糊邏輯方法建立環(huán)境地圖并通過導(dǎo)航進(jìn)行目標(biāo)跟蹤; Cheng“提出用可變結(jié)構(gòu)的多1目標(biāo)跟蹤算法模型粒子過濾器算法解決局限于公路環(huán)境的目標(biāo)跟蹤; Cevher提出基于聲學(xué)和視屏狀態(tài)空間的粒子目標(biāo)跟蹤系統(tǒng)面對的是未知變化的動態(tài)環(huán)境過濾器算法用以解決目標(biāo)跟蹤問題; zengin6提出基于 Shunting模型神經(jīng)動力學(xué)的動態(tài)活動原理,即基于規(guī)則的智能知道策略用于無人駕駛飛行器在未把神經(jīng)網(wǎng)絡(luò)看作一種非線性動力學(xué)系統(tǒng),能實(shí)時(shí)描知環(huán)境下跟蹤移動目標(biāo); Helle提出超階趨勢場述未知的、變化的環(huán)境. Hodgkin和 Huxley-提出結(jié)合高度變換機(jī)制進(jìn)行路徑規(guī)劃和目標(biāo)跟蹤;Par-用電子線路元素實(shí)現(xiàn)生物細(xì)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方程(1)得到規(guī)劃進(jìn)行室內(nèi)環(huán)境下的目標(biāo)攔截; Tomono提出將目標(biāo)位置的不確定性用目標(biāo)幾何地圖和網(wǎng)格地圖上Cm=-(E,+Vm)g+(ena的分布可能性來決定;Chen0提出車輛跟蹤算法Vm)gNa -(e+Vm)ge.對汽車導(dǎo)航,該包括一個(gè)目標(biāo)跟蹤模塊和一個(gè)障礙其中,C為電容;g為電導(dǎo);E為電壓,通過參數(shù)替物規(guī)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(biāo)時(shí)可避開障礙物自動選擇路徑.也Ax1+(B1-x2)S:(t)有學(xué)者提出通過自組織學(xué)習(xí)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(shù)目標(biāo)跟蹤方法都需假定(D+xS,(2環(huán)境的精確數(shù)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(xiàng)目:國家自然科學(xué)基金資助項(xiàng)目(60673122);深圳大學(xué)科研啟動基金資助項(xiàng)目(2007作者簡介: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(bào)理工版第26卷上下限;S;和S是對該細(xì)胞的興奮和抑制輸入,其目標(biāo)值為路徑s:=∑f(x)+∫(x)+1(4)其中,v和是興奮和抑制權(quán)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(dāng)x=B時(shí),x不再增大.總之,x永遠(yuǎn)小于圖2 Shunting網(wǎng)絡(luò)模型活動圖B1,同樣,x1永遠(yuǎn)大于-D1,即在范圍[-D,B1]內(nèi)Fig. 2 The active landscape of Shunting model接下來討論如何利用 Shunting網(wǎng)絡(luò)模型解決動網(wǎng)格結(jié)點(diǎn)狀態(tài)用 Shunting網(wǎng)絡(luò)模型方程描述為態(tài)目標(biāo)跟蹤的路徑選擇問題首先,利用 Shunting dx-Ax+(B-x)([+2m]”)網(wǎng)絡(luò)模型描述目標(biāo)跟蹤的動態(tài)環(huán)境.將目標(biāo)跟蹤的工作區(qū)間網(wǎng)格化,形成一個(gè)離散型拓?fù)浣Y(jié)構(gòu)圖,跟蹤目標(biāo)的位置和障礙物的位置可通過各種傳感器獲其中,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(shù)字化到網(wǎng)格化的拓?fù)浣Y(jié)構(gòu)圖上,如圖1.然正數(shù);k是神經(jīng)元i的所有鄰接神經(jīng)結(jié)點(diǎn)的總數(shù).函后,利用 Shunting網(wǎng)絡(luò)模型對該工作區(qū)間進(jìn)行動態(tài)數(shù)[]·和[]的定義為=max1,0,[門]=描述,即網(wǎng)格的每一個(gè)結(jié)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(biāo),則l1=E;若為障礙物,則l1=-E;其他情況,l1=0.目標(biāo)這里E是一個(gè)非常大的常正數(shù),大于其所有支線輸入總和.神經(jīng)元i到神經(jīng)元j的興奮連接權(quán)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(shù)f(a為單調(diào)遞減函數(shù),例如:若0