检索结果-南通市图书馆

基于广义标签多伯努利滤波器的传感器管理方法研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于广义标签多伯努利滤波器的传感器管理方法研究

作者：牛彪长安大学

学位级别：硕士

传感器管理技术一直是多目标跟踪领域中的热点研究课题。随着多源信息融合技术的高速发展,传感器管理技术面临着巨大的需求与挑战。因此,对于传感器管理技术的研究具有重大的理论意义与工程价值。多目标跟踪中的传感器管理问题,它本质... 详细信息

传感器管理技术一直是多目标跟踪领域中的热点研究课题。随着多源信息融合技术的高速发展,传感器管理技术面临着巨大的需求与挑战。因此,对于传感器管理技术的研究具有重大的理论意义与工程价值。多目标跟踪中的传感器管理问题,它本质上是一个时变联合决策与估计的过程。研究中一般通过合理的优化决策控制过程,控制有限的传感器来最大程度的获取跟踪目标信息。近些年来,基于有限集统计(Finite set statistics,FISST)的传感器管理方法由于其坚实的数学基础和深厚的研究背景而备受关注。鉴于此,本文基于有限集统计理论,利用广义标签多伯努利滤波器对多目标跟踪中的传感器管理进行深入研究。主要研究内容如下:1)针对多目标跟踪中的传感器管理问题,基于FISST理论,在部分可观察马尔可夫决策过程(Partially Observed Markov Decision processes,POMDP)框架下,研究了相应的传感器管理方法。首先,基于箱粒子实现形式的广义标签多伯努利(BOX-Generalized Labled Multi-Bernoulli,BOX-GLMB)滤波器实现多目标状态的滤波估值。在传感器管理方案求解时,根据Rényi信息增量与多目标贝叶斯滤波器表达式,基于马尔科夫特性联合推导出贝叶斯滤波器基于Rényi信息增量的评价函数。然后设计区间采样的方法对多目标概率密度进行采样,用一组带权值的粒子去近似多目标统计特性,并利用箱粒子重采样对粒子权重进行更新,继而通过蒙特卡罗(MC)方法近似推导出BOX-GLMB滤波器基于Rényi信息增量的表达式。仿真实验验证了算法的有效性。2)研究了基于Rényi信息增量与战术重要性描绘函数(Tactical Significance Map,TSM)的战场单传感器管理算法。首先,采用目标战术重要性描绘函数(TSM)度量跟踪目标的威胁度。其次,在多目标跟踪滤波中使用箱粒子实现形式的广义标签多伯努利滤波器(BOX-GLMB)来估计目标状态。然后,根据滤波状态计算每个目标的TSM函数值,并选取TSM函数值最大的目标作为威胁度较大的目标。最后,使用Rényi信息增量作为传感器评价函数,以最大威胁目标的信息增益最大化为传感器管理准则来实现基于战场环境的单传感器管理。仿真实验验证了所提算法的有效性。

关键词：传感器管理有限集统计广义标签多伯努利滤波器 Rényi信息增量蒙特卡罗 TSM函数

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

一步数据关联GLMB扩展目标跟踪算法

西安电子科技大学学报 2020年第5期47卷 137-143页

作者：李翠芸李洋姬红兵石仁政西安电子科技大学电子工程学院陕西西安710071

针对传统的扩展目标跟踪算法在目标近邻场景中由于量测不可分导致跟踪性能下降的问题,提出了一种基于一步数据关联的扩展目标跟踪算法。该算法用乘性噪声模型对目标进行建模,将联合概率数据关联理论中的一步数据关联处理方法与广义标签... 详细信息

针对传统的扩展目标跟踪算法在目标近邻场景中由于量测不可分导致跟踪性能下降的问题,提出了一种基于一步数据关联的扩展目标跟踪算法。该算法用乘性噪声模型对目标进行建模,将联合概率数据关联理论中的一步数据关联处理方法与广义标签多伯努利滤波器相结合,实现在量测难以划分情况下的多扩展目标跟踪。仿真实验表明,该算法能够在交叉、近邻场景中实现对目标的有效跟踪,并且在估计精度方面优于传统的基于量测划分的扩展目标跟踪算法。

关键词：扩展目标跟踪乘性噪声模型二阶扩展卡尔曼滤波算法数据关联广义标签多伯努利滤波器

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于随机有限集的可分辨群目标跟踪算法研究

基于随机有限集的可分辨群目标跟踪算法研究

作者：朱书军杭州电子科技大学

学位级别：硕士

群目标由多个相互协作的目标组成,并且保持着一定结构进行运动。随着传感器技术的不断发展,原来不可分辨的群目标呈现出可分辨的属性,群目标跟踪算法的研究也越来越重要。跟踪估计主要包括获得目标的量测,并对量测进行滤波和估计。因此... 详细信息

群目标由多个相互协作的目标组成,并且保持着一定结构进行运动。随着传感器技术的不断发展,原来不可分辨的群目标呈现出可分辨的属性,群目标跟踪算法的研究也越来越重要。跟踪估计主要包括获得目标的量测,并对量测进行滤波和估计。因此,需要对群目标进行动态建模,并采用合适的算法对群目标进行跟踪估计。现在对群目标的动态建模主要是将群目标中的各成员的状态进行简单的结合,但是该方法不能充分体现出群目标各成员之间的依赖关系。目前的群目标跟踪研究主要集中在不可分辨群目标或者部分可分辨群目标上,如果将不可分辨群目标的跟踪方法应用于可分辨群目标,会导致估计过于粗糙从而丢失许多结构信息。为了解决上述问题,本文使用图理论结合标签随机有限集(L-RFS)理论,并且引进目标的可分辨系数,给出在可分辨情况下群目标新的动态建模方法和跟踪估计方法,主要工作包括:(1)可分辨群目标的动态建模。根据群结构与图结构的相似性,利用描述有向图的方法对群进行描述,即使用邻接矩阵来描述群。再通过邻接矩阵判断群中各成员的依赖关系。由于头结点起到领导作用,因此可以对头结点进行独自建模。再建立其它依赖于头结点的子结点的动态模型,并依次建立其它结点的动态模型。(2)群目标可分辨系数。由于雷达的分辨率会随着探测距离的增大而变低,使获得的量测误差变大。假设该误差服从正态分布,而正态分布的均值到边缘的距离大概为标准差?的3倍,因此,本文令群目标的可分辨距离i,jr为3 3i j?(10)?,其中i和j表示目标i和目标j。当群目标中各对成员的距离大于i,jr时,认为群目标是可分辨的。(3)可分辨群目标的跟踪算法的研究。第一步,由于起始阶段群目标之间的协作关系未知,因此假设群目标之间是独立的并采用广义标签多伯努利(GLMB)滤波算法获得各目标的状态估计和轨迹估计以及目标的个数估计。第二步,在获得群目标中各成员的状态估计基础上,通过计算每时刻的偏差矩阵估计获得邻接矩阵估计,并通过邻接矩阵得到群的结构关系。再利用图论中连通图的概念获得各时刻子群的个数估计。

关键词：可分辨群目标图理论标签随机有限集广义标签多伯努利滤波器

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GLMB的多扩展目标跟踪算法研究

基于GLMB的多扩展目标跟踪算法研究

作者：李洋西安电子科技大学

学位级别：硕士

随机集理论为多目标跟踪提供了简洁的贝叶斯递推形式,有效避免了数据关联,降低了计算复杂度。其中以标签随机集为基础的广义标签多伯努利（Generalized Labeled Multi-Bernoulli,GLMB）滤波器能够解决航迹识别问题,实现真正意义上的多... 详细信息

随机集理论为多目标跟踪提供了简洁的贝叶斯递推形式,有效避免了数据关联,降低了计算复杂度。其中以标签随机集为基础的广义标签多伯努利（Generalized Labeled Multi-Bernoulli,GLMB）滤波器能够解决航迹识别问题,实现真正意义上的多目标跟踪。随着传感器分辨率的提高,点目标跟踪理论不再适用,将目标形状考虑在内的扩展目标跟踪受到国内外学者的广泛关注,迅速发展成目标跟踪研究的热门领域。本文对GLMB滤波器在多扩展目标跟踪中的应用进行研究,主要研究内容如下:1.针对距离划分算法计算复杂度高导致跟踪实时性差的问题,在GLMB滤波框架中用基于密度峰值的快速量测划分（Fast Density Peak-based Clustering,FDPC）算法对量测划分,提出FDPC-GLMB多扩展目标跟踪算法。该算法计算量测的局部密度和密度距离,根据这两个参数判定量测来源,剔除杂波并将来自同一目标的量测进行聚类。与传统量测划分算法相比,该算法只用一个最有效划分结果更新目标状态,能够有效降低计算负担,确保目标跟踪的实时性。此外,针对近邻场景中因量测划分不准确导致目标数低估、目标质心状态出现较大偏差的问题,采用K-means聚类和模糊C均值聚类对FDPC-GLMB算法进行改进。仿真实验表明,改进算法能够在近邻场景中对量测进行准确划分,有效提高对目标数及目标质心状态的估计精度。2.针对随机矩阵建模方法无法拟合不规则目标扩展形状的问题,提出基于星凸随机超曲面的GLMB算法,在此基础上,针对低信噪比环境下量测信息偏少导致形状估计较差的问题,采用EM算法对形状参数多次迭代更新,提出基于EM星凸随机超曲面的GLMB算法。所提算法采用星凸随机超曲面对目标扩展形状建模,在GLMB理论框架下寻找全局最优关联假设,利用该假设中的量测对目标质心状态和扩展形状分别进行更新。仿真实验表明,所提算法在目标质心状态和扩展形状的估计精度方面优于传统的基于随机矩阵的扩展目标跟踪算法。3.针对运动模型选取不当导致估计精度下降的问题,将联合跟踪分类算法应用到GLMB扩展目标跟踪理论中,分别提出基于随机矩阵的GLMB扩展目标联合跟踪分类算法以及基于目标扩展量测的GLMB扩展目标联合跟踪分类算法。所提算法根据不同特征对目标进行分类,在跟踪过程中调整目标种类概率,针对不同种类的目标,采用相应的多模型GLMB滤波算法对目标质心状态进行预测更新。仿真实验表明,所提算法能够有效提高目标状态的估计精度。

关键词：扩展目标跟踪广义标签多伯努利滤波器量测划分星凸随机超曲面多模型方法联合跟踪分类

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L-RFS的可分辨群目标跟踪算法研究

基于L-RFS的可分辨群目标跟踪算法研究

作者：赵智陕西科技大学

学位级别：硕士

群目标由多个存在协作关系的子目标构成。根据传感器分辨率的高低和群目标的结构组成,群目标可分为可分辨与不可分辨群。近年来随着传感器分辨率的提升,可分辨群目标跟踪已经成为国内外广泛关注的热点,但是总的来说,现有的跟踪算法存在... 详细信息

群目标由多个存在协作关系的子目标构成。根据传感器分辨率的高低和群目标的结构组成,群目标可分为可分辨与不可分辨群。近年来随着传感器分辨率的提升,可分辨群目标跟踪已经成为国内外广泛关注的热点,但是总的来说,现有的跟踪算法存在如下的问题:第一,跟踪大批次集群目标时,现有方法的计算复杂度呈指数增加,同时也增加了集群结构估计难度;第二,可分辨群的结构参数未知,增加了群目标的状态估计难度;第三,不同的子群之间可能会发生合并/分裂行为,导致群成员之间的协作关系变得复杂,估计难度变大。针对以上三个问题,本文基于标签随机有限集(L-RFS)框架,主要研究内容包括:(1)基于串行广义标签多伯努利(GLMB)滤波器的大批次多结构群目标跟踪算法研究针对现有方法在跟踪大批次群目标过程中,计算复杂度呈指数增加的问题,研究了一种基于串行GLMB滤波器的大批次多结构集群目标跟踪算法。该算法首先引入图论来建模可分辨群目标之间的关系,并使用阈值法及邻接表将大批次多结构集群目标划分为多个子群,然后依次串行地跟踪相应子群目标,最后合并获得大批次多结构集群目标的跟踪结果。另外,为了提升最优次模式分配(OSPA)度量方法的计算效果,给出了一种平均OSPA度量方法。仿真实验表明:串行GLMB算法既保持了较高的估计准确率,又花费了较少的计算时间。(2)偏差向量未知条件下的群参数和目标状态联合估计算法研究针对结构参数偏差向量未知条件下的可分辨群目标跟踪问题,研究了一种基于GLMB滤波器和递归最小二乘(RLS)算法相结合的两阶段估计方法。第一阶段,使用K-Means聚类获取子群的等效量测,以此通过GLMB滤波器估计各子群中心点状态;第二阶段,使用RLS算法估计群目标之间的偏差向量和各目标状态。另外,还使用群目标之间速度与位置偏差向量的内积来估计群结构;使用邻接矩阵特征值的个数来估计子群个数。仿真实验表明:两阶段算法较GLMB算法的OSPA误差更小,性能更加稳定,并且还可以估计群个数。(3)可分辨群目标合并/分裂跟踪算法研究针对存在合并/分裂条件下的可分辨群目标跟踪问题,研究了一种基于迭代自组织数据分析方法(ISODATA)和GLMB滤波器的可分辨群目标合并/分裂跟踪算法。建立了群目标合并和分裂的判断准则:根据群成员与子群中心点之间的距离判断是否发生分裂行为;根据子群中心点之间的距离判断是否发生合并行为。该方法能够动态地估计可分辨群目标的状态、个数、子群结构及子群个数。仿真实验表明:该算法能够较好地估计群合并/分裂场景中可分辨群目标的状态、个数、内部结构以及子群个数。综上所述,本文基于L-RFS框架,针对三个问题:大批次多结构群目标跟踪问题,结构参数偏差向量未知条件下的可分辨群目标跟踪问题,以及存在合并/分裂条件下的可分辨群目标跟踪问题,分别研究了三种算法:基于串行GLMB滤波器的大批次多结构群目标跟踪算法,偏差向量未知条件下的群参数和目标状态联合估计算法,以及基于ISODATA算法和GLMB滤波器的可分辨群目标合并/分裂跟踪算法。仿真结果验证了本文所提算法的可行性和有效性。本文的研究成果具有积极的理论研究意义和实际应用价值。

关键词：可分辨群目标跟踪可分辨群结构估计未知结构参数群合并/分裂标签随机有限集广义标签多伯努利滤波器

基于随机有限集的杂波估计与多扩展目标跟踪问题研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于随机有限集的杂波估计与多扩展目标跟踪问题研究

作者：陈一梅杭州电子科技大学

学位级别：硕士

扩展目标跟踪问题一直是国内外广泛关注的热点问题,扩展目标跟踪存在如下特点:第一,目标在一个采样周期内产生多个量测点,并且这些量测通常位于传感器(例如雷达)同一个分辨单元内,增加了扩展目标个数估计的难度;第二,扩展目标的形状通... 详细信息

扩展目标跟踪问题一直是国内外广泛关注的热点问题,扩展目标跟踪存在如下特点:第一,目标在一个采样周期内产生多个量测点,并且这些量测通常位于传感器(例如雷达)同一个分辨单元内,增加了扩展目标个数估计的难度;第二,扩展目标的形状通常是未知的,甚至可能随时间变化,导致目标形状估计难度增大。本文以随机有限集为理论基础,首先提出了基于RFS的杂波强度估计算法,然后建立了扩展目标的散射点模型,最后提出了一种杂波条件下基于标签随机有限集(Labelled random finite sets,L-RFS)框架下的多扩展目标跟踪估计算法。具体研究内容如下:(1)基于RFS的未知杂波强度估计算法。在很多情况下,目标跟踪受到密集,不均匀和随时间变化的杂波干扰,这将严重恶化未知杂波环境下的跟踪性能。本文考虑未知杂波的检测率和杂波率,引入有限混合分布(FMD)来拟合未知的杂波分布,然后采用吉布斯采样和贝叶斯信息准则(BIC)来估计杂波参数。(2)扩展目标散射点建模。随着现代传感器技术的不断发展,雷达分辨率的日益提高使得我们能够从单个目标中获得多个散射点信息,即一个扩展目标在一个采样周期内产生不止一个量测点,这就需要建立扩展目标散射点模型。首先,通过多伯努利RFS对扩展目标散射点状态进行建模,状态用具有参数集{(r(i),p(i))}i=1 M的多Bernoulli分布模型来表示,假设扩展目标散射点个数满足泊松分布,散射点参数服从高斯分布,通过图理论方法来实现扩展目标散射点结构建模。(3)杂波条件下多扩展目标的跟踪估计算法。算法主要包括多扩展目标的动态建模和多扩展目标的跟踪估计两部分。通过对研究内容(1)进行扩展,本文结合GLMB滤波器建立了扩展目标的量测有限混合模型,利用Gibbs采样和BIC准则推导出有限混合模型的参数来对多扩展目标量测进行估计,通过获取扩展目标的等效量测来替代扩展目标量测,对扩展目标形状采用椭圆逼近建模,实现扩展目标状态和形状的估计。

关键词：扩展目标未知杂波估计 Gibbs采样有限混合模型标签随机有限集广义标签多伯努利滤波器