检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于修正贝努利滤波的被动多目标跟踪算法

系统工程与电子技术 2012年第8期34卷 1549-1554页

作者：钟茜怡姬红兵欧阳成西安电子科技大学电子工程学院陕西西安710071

针对势平衡多目标多贝努利(cardinality balanced multi-target multi-Bernoulli,CBMeMBer)滤波中的量测信息弱化问题,提出一种改进的多目标多贝努利(improved multi-target multi-Bernoulli,IMeMBer)滤波。该算法通过对漏检目标的多贝努利随机集进行修正,在解决目标数过估问题的同时,避免了CBMeMBer滤波中的量测信息弱化问题。在此基础上,将高斯粒子滤波引入IMeMBer算法中,通过一组高斯粒子近似多贝努利随机集中元素的概率分布,实现被动测角情况下的多目标跟踪。仿真结果表明,所提算法能够以较小的运算代价达到高斯混合粒子劳势估计的概率假设密度滤波相似的跟踪精度,具有良好的工程应用前景。

关键词：随机有限集概率假设密度滤波多目标多贝努利滤波多目标跟踪

基于多目标不确定性改进的GM-PHD滤波器

在线全文

学校读者我要写书评

暂无评论

兵工学报 2022年第12期43卷 3113-3121页

作者：王奎武张秦虎小龙空军工程大学防空反导学院陕西西安710051 空军工程大学研究生院陕西西安710051

基于随机有限集的高斯混合概率假设密度(GM-PHD)滤波是处理多目标跟踪问题的一种有效方法。GM-PHD滤波器在密集杂波环境中会因估计误差过大而导致跟踪性能的下降,主要是因为没有充分考虑来自多目标量测的不确定性。为此,提出在考虑高斯... 详细信息

基于随机有限集的高斯混合概率假设密度(GM-PHD)滤波是处理多目标跟踪问题的一种有效方法。GM-PHD滤波器在密集杂波环境中会因估计误差过大而导致跟踪性能的下降,主要是因为没有充分考虑来自多目标量测的不确定性。为此,提出在考虑高斯分量权重的情况下,通过分量值改变协方差更新式,并通过引入标签,采用自适应阈值对高斯分量进行合并。理论分析和仿真结果表明:该方法在杂波环境下,目标最优次模式分配距离小,跟踪精度更高;目标数量的估计结果受杂波的影响更小,其估计值更接近真实的目标数量;通过具有不同杂波以及检测概率条件的跟踪场景,证明了该方法的目标数量估计精度和滤波性能明显好于传统算法。

关键词：多目标跟踪随机有限集高斯混合概率假设密度滤波器高斯混合状态估计

基于广义标签多伯努利滤波的可分辨群目标跟踪算法

在线全文

学校读者我要写书评

暂无评论

自动化学报 2017年第12期43卷 2178-2189页

作者：朱书军刘伟峰崔海龙杭州电子科技大学自动化学院系统科学与控制工程研究所杭州310018 信息系统工程重点实验室南京210007

针对杂波条件下可分辨群目标的状态估计、目标个数与子群个数估计问题,提出了一种基于标签随机有限集(Label random finite set,L-RFS)框架下的可分辨群目标跟踪算法,该算法主要包括两个方面:可分辨多群目标动态建模和多群目标的跟踪估... 详细信息

针对杂波条件下可分辨群目标的状态估计、目标个数与子群个数估计问题,提出了一种基于标签随机有限集(Label random finite set,L-RFS)框架下的可分辨群目标跟踪算法,该算法主要包括两个方面:可分辨多群目标动态建模和多群目标的跟踪估计.本文工作主要包括:1)结合图论中的邻接矩阵对可分辨群目标运动进行动态建模.2)利用基于L-RFS的广义标签多伯努利滤波(Generalizes label multi-Bernoulli,GLMB)算法对目标的状态和个数进行估计,并且通过估计邻接矩阵得到群的结构和个数估计.3)通过个数不同、结构不同的三个子群目标在二维平面分别做线性和非线性运动进行算法验证.仿真分析表明本文算法能够准确估计出群目标中各目标的状态、个数以及子群的个数,并且能获得目标的航迹估计.

关键词：可分辨群目标跟踪广义标签多伯努利滤波邻接矩阵随机有限集图论

纯方位距离参数化概率假设密度和势概率假设密度滤波器

在线全文

学校读者我要写书评

暂无评论

控制理论与应用 2015年第5期32卷 579-590页

作者：陈辉韩崇昭西安交通大学智能网络与网络安全教育部重点实验室陕西西安710049 兰州理工大学电气工程与信息工程学院甘肃兰州730050

考虑多目标跟踪中量测源的不确定性,本文提出两个基于随机有限集(RFS)的多距离假设纯方位跟踪(BOT)滤波器.首先,详细推导距离参数化高斯混合概率假设密度(PHD)滤波器的递推公式.然后,详细推导距离参数化高斯混合势概率假设密度(CPHD)滤... 详细信息

考虑多目标跟踪中量测源的不确定性,本文提出两个基于随机有限集(RFS)的多距离假设纯方位跟踪(BOT)滤波器.首先,详细推导距离参数化高斯混合概率假设密度(PHD)滤波器的递推公式.然后,详细推导距离参数化高斯混合势概率假设密度(CPHD)滤波器的势分布和强度的递推公式.此外,为跟踪随机出现的目标,提出一种自适应BOT新生目标强度的建立方法.仿真验证了算法的有效性.

关键词：多目标跟踪距离参数化随机有限集新生强度纯方位

在线全文

学校读者我要写书评

暂无评论

视场非完全重叠的分布式雷达多目标跟踪方法

雷达学报（中英文） 2022年第3期11卷 459-468页

作者：达凯杨烨朱永锋付强国防科技大学电子科学学院ATR重点实验室长沙410073

在探测能力、波形设计及天线指向等因素制约下,分布式雷达视场并非完全重合,由此造成的观测信息差异给后续信息融合带来了巨大挑战。该文基于高斯混合实现的集势概率假设密度(CPHD)滤波器,提出了一种视场部分重叠下的分布式雷达多目标... 详细信息

在探测能力、波形设计及天线指向等因素制约下,分布式雷达视场并非完全重合,由此造成的观测信息差异给后续信息融合带来了巨大挑战。该文基于高斯混合实现的集势概率假设密度(CPHD)滤波器,提出了一种视场部分重叠下的分布式雷达多目标跟踪方法。首先,利用多目标密度乘积切分出概率假设密度(PHD)中表征共同观测信息的部分;之后,标准的分布式融合(算术平均或几何平均融合)方法作用于切分出的共同观测目标信息以提升跟踪性能,补偿融合则作用于雷达单独观测目标信息以扩展视场范围。该文方法无须视场先验信息,能够适应雷达视场未知时的分布式融合多目标跟踪场景。仿真实验验证了所提出方法在未知、时变雷达视场下跟踪多目标的性能,表明了该文方法比基于高斯混合的聚类方法性能更好。

关键词：多传感器融合随机有限集分布式雷达多目标跟踪部分重叠视场

基于形状估计的随机集多扩展目标跟踪方法研究

在线全文

学校读者我要写书评

暂无评论

基于形状估计的随机集多扩展目标跟踪方法研究

作者：刘远西安电子科技大学

学位级别：硕士

由于雷达和传感器的分辨率随科技进步而不断提高,得到的同一个目标的量测不止一个,此时,目标需看作是扩展目标,如果仍然使用传统的方法将量测和目标相关联进行跟踪已无法满足现状。近些年,基于随机有限集的多目标跟踪方法由于能够有效... 详细信息

由于雷达和传感器的分辨率随科技进步而不断提高,得到的同一个目标的量测不止一个,此时,目标需看作是扩展目标,如果仍然使用传统的方法将量测和目标相关联进行跟踪已无法满足现状。近些年,基于随机有限集的多目标跟踪方法由于能够有效地解决传统跟踪方法中出现的一些难题,并且在计算复杂度方面明显优于传统算法,所以受到了广泛学者的认同。本文主要针对扩展目标中基于形状估计的随机集多目标跟踪方法展开研究。主要研究内容如下:1.针对K-means聚类划分方法过分依赖初始中心点以及效率低的问题,提出了一种基于均值漂移聚类的改进划分方法。该方法将高斯函数作为内核函数,采用均值漂移方法求出吸引盆,并将吸引盆进行合并,最后将噪声孤点去除,得到最终的量测划分集合。该方法不需要给出具体的聚类数目和中心点,可得到良好的划分效果。2.针对距离划分方法在目标相邻时无法进行准确划分的问题,提出了一种基于距离划分的改进方法。该方法在距离划分的基础上进行二次划分,使用极大似然估计来估计每个划分集合中的目标数,对目标数大于1的划分集合进行再划分,从而将每个扩展目标的量测划分开。该方法可以有效地处理目标相邻或交叉时距离划分无法区分的情况。3.针对现有扩展目标的建模使用椭圆建模而无法分辨星形形状的问题,提出了一种基于星凸型随机超曲面的伽玛高斯混合势概率假设密度扩展目标跟踪算法(SRHM-GGM-CPHD)。该算法将扩展目标的形状建模为星凸形,并将其嵌入到伽玛高斯混合CPHD滤波器框架中,完成对多个扩展目标的跟踪。该算法在质心位置和扩展形状的估计精度方面要优于传统的基于随机矩阵的伽玛高斯逆威舍特CPHD滤波器。

关键词：随机有限集扩展目标势概率假设密度量测划分星凸形随机超曲面

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于随机超曲面的多扩展目标跟踪算法研究

基于随机超曲面的多扩展目标跟踪算法研究

作者：裴佳西安电子科技大学

学位级别：硕士

随着传感器分辨率的不断提高,单个目标可占据传感器的多个分辨单元,目标在每个采样时刻可产生多个量测,称该目标为扩展目标。此时,采用数据关联的点目标滤波模型由于复杂度过高和模型不匹配而不再适用,难以充分发挥高分辨率传感器的优... 详细信息

随着传感器分辨率的不断提高,单个目标可占据传感器的多个分辨单元,目标在每个采样时刻可产生多个量测,称该目标为扩展目标。此时,采用数据关联的点目标滤波模型由于复杂度过高和模型不匹配而不再适用,难以充分发挥高分辨率传感器的优势。近年来,基于随机有限集(RFS)的多扩展目标跟踪方法回避了数据关联,直接对多目标进行跟踪,极大地降低了计算复杂度,受到了国内外学者的广泛关注。本论文以RFS为理论基础,针对PHD滤波和CBMeMBer滤波中目标扩展状态估计的问题,开展基于随机矩阵模型和随机超曲面模型的滤波方法研究,具体研究内容如下:1.针对椭圆扩展目标,结合CBMeMBer滤波,提出一种基于随机矩阵模型的扩展目标跟踪算法,即伽玛高斯逆威沙特CBMe MBer(GGIW-CBMeMBer)滤波。该算法将目标的量测率建模为伽玛概率分布,运动状态建模为高斯分布,扩展状态建模为逆威沙特分布,通过对增补状态的预测和更新实时估计目标的运动状态、扩展状态和量测率。仿真实验表明,GGIW-CBMeMBer滤波可有效地跟踪扩展目标,且与GGIW-PHD滤波相比更为准确。2.针对椭圆扩展目标,将随机超曲面模型嵌入到CBMeMBer滤波中,提出一种基于随机超曲面的扩展目标跟踪算法,即随机超曲面伽玛高斯CBMeMBer(RHM-GGM-CBMeMBer)滤波。该算法利用尺度因子获得量测源的可能集合,再从中随机选取量测源,合理地表达了目标先验信息的缺乏情况。尺度因子的选择并非依赖于目标的扩展形状,因此该算法并不是一种层次算法。在目标状态的表达上,将椭圆的形状参数融入到运动状态向量中,避免了对矩阵的处理。仿真实验表明,所提RHM-GGM-CBMeMBer滤波的跟踪性能均优于RHM-GGM-PHD滤波和GGIW-CBMeMBer滤波。

关键词：随机有限集扩展目标随机矩阵随机超曲面多目标多伯努利

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

复杂环境下基于随机集的多目标跟踪算法研究

复杂环境下基于随机集的多目标跟踪算法研究

作者：郑学弢西安电子科技大学

学位级别：硕士

多目标跟踪问题由于其在军事、民事中的广泛应用前景,受到了国内外专家学者的高度重视,但由于滤波过程中需要处理诸多不确定信息,尤其是需要解决复杂的数据关联问题,因此多目标跟踪也是理论研究及实际应用中的难点问题。近几年,基于随... 详细信息

多目标跟踪问题由于其在军事、民事中的广泛应用前景,受到了国内外专家学者的高度重视,但由于滤波过程中需要处理诸多不确定信息,尤其是需要解决复杂的数据关联问题,因此多目标跟踪也是理论研究及实际应用中的难点问题。近几年,基于随机集的多目标跟踪方法由于无需解决数据关联问题,为多目标跟踪提供了全新的思路,因此给多目标跟踪领域带来了新的发展契机。但关于这种方法的科研工作尚处于理论研究阶段,如何将基于随机集的多目标跟踪方法应用于实际复杂环境是一项值得研究的课题。本文重点研究了在未知杂波、未知检测概率以及量化量测等复杂环境下的基于随机集的多目标跟踪方法。主要工作如下：首先,研究了两种基本的基于随机集的多目标跟踪算法：概率假设密度（PHD）算法和势概率假设密度（CPHD）算法,并详细阐述了未知杂波密度环境下的CPHD滤波。但由于其目标数估计是由整体观测数与杂波数相减得到,容易造成误差累积,本文指出了此算法在目标与杂波之间存在势分布分配失衡问题,提出了一种基于联合势分布修正的改进算法,较好地解决了未知杂波密度环境下的多目标跟踪问题。其次,针对未知检测概率问题,研究了检测概率估计方法,提出了一种极限检测概率估计法,有效地改善了估计方法的准确性;分析和研究了未知检测概率条件下的CPHD滤波,针对其中存在的两个问题：使用贝塔分布描述检测概率的失准问题以及对于检测概率估计的延迟问题,提出了一种改进算法,将极限检测概率估计方法融合到一般CPHD算法中,并根据预测检测状况的特殊性,给出了一种主动检测概率预测方法,在不增加算法复杂度的同时,提高了跟踪性能和检测概率估计精度。最后,研究了最近开始逐渐受到关注的非传统量测问题：量化量测,针对现有算法仅能处理单目标的情况,提出了一种量化量测条件下的多目标跟踪算法,以PHD算法为基础,使用预测观测分布近似实际分布,并根据量化方案进行截断,以获得对量化量测的似然函数的求解,实现了量化量测环境下基于随机集的多目标跟踪,仿真实验验证了算法的有效性。

关键词：多目标跟踪随机有限集未知杂波密度未知检测概率量化量测

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于无迹粒子PHD滤波的序贯融合算法

系统工程与电子技术 2011年第1期33卷 30-34页

作者：孟凡彬郝燕玲张崇猛周卫东哈尔滨工程大学自动化学院黑龙江哈尔滨150001 天津航海仪器研究所天津300131

针对在杂波、漏检和非线性情况下,粒子概率假设密度滤波(particle probability hypothesis density filter,P-PHDF)算法估计精度不高、滤波发散及粒子退化等问题,提出了一种基于无迹粒子概率假设密度滤波(unscented particle-PHDF,UP-PH... 详细信息

针对在杂波、漏检和非线性情况下,粒子概率假设密度滤波(particle probability hypothesis density filter,P-PHDF)算法估计精度不高、滤波发散及粒子退化等问题,提出了一种基于无迹粒子概率假设密度滤波(unscented particle-PHDF,UP-PHDF)的序贯融合算法。利用无迹粒子滤波(unscented particle filter,UPF)实现PHDF,由UKF算法得到更好更优的重要性密度函数并从中采样,使粒子的分布更接近多目标概率假设密度分布;另外,为进一步提高滤波算法的性能,实现基于雷达和红外传感器的UP-PHDF序贯融合算法,通过两传感器交替滤波保证目标状态的可观测性。在复杂环境下,仿真结果表明该算法的估计精度和稳定性明显优于单传感器P-PHDF算法。

关键词：随机有限集多目标跟踪无迹粒子滤波概率假设密度滤波序贯融合