提出一种基于粒子概率假设密度滤波器(Sequential Monte Carlo probability hypothesis density filter,SMC-PHDF)的部分可分辨的群目标跟踪算法.该算法可直接获得群而非个体的个数和状态估计.这里群的状态包括群的质心状态和形状.为了...提出一种基于粒子概率假设密度滤波器(Sequential Monte Carlo probability hypothesis density filter,SMC-PHDF)的部分可分辨的群目标跟踪算法.该算法可直接获得群而非个体的个数和状态估计.这里群的状态包括群的质心状态和形状.为了估计群的个数和状态,该算法利用高斯混合模型(Gaussian mixture models,GMM)拟合SMC-PHDF中经重采样后的粒子分布,这里混合模型的元素个数和参数分别对应于群的个数和状态.期望最大化(Expectation maximum,EM)算法和马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)算法分别被用于估计混合模型的参数.混合模型的元素个数可通过删除、合并及分裂算法得到.100次蒙特卡洛(Monte Carlo,MC)仿真实验表明该算法可有效跟踪部分可分辨的群目标.相比EM算法,MCMC算法能够更好地提取群的个数和状态,但它的计算量要大于EM算法.展开更多
针对复杂不确定性环境下具有不规则形状的多扩展目标跟踪问题,提出了一种基于星凸形随机超曲面模型(Starconvex RHM)的多扩展目标多伯努利滤波算法.首先,在有限集统计(Finite set statistics,FISST)理论框架下,采用多伯努利随机有限集(M...针对复杂不确定性环境下具有不规则形状的多扩展目标跟踪问题,提出了一种基于星凸形随机超曲面模型(Starconvex RHM)的多扩展目标多伯努利滤波算法.首先,在有限集统计(Finite set statistics,FISST)理论框架下,采用多伯努利随机有限集(MBer-RFS)和泊松RFS(Possion-RFS)分别描述多扩展目标的状态和观测,并给出扩展目标势均衡多目标多伯努利(ET-CBMeMBer)滤波器.其次,利用RHM去描述任意星凸形扩展目标的量测源分布,提出了容积卡尔曼高斯混合星凸形多扩展目标多伯努利滤波器.此外,本文给出了一种多扩展目标不规则形状估计性能的评价指标.最后,通过多扩展目标和具有形状突变的多群目标的跟踪仿真实验验证了本文方法的有效性.展开更多
针对杂波环境下的多个机动目标跟踪问题,本文将多模型概率假设密度(Multiple-model probability hypothesis density,MM-PHD)滤波器和平滑算法相结合,提出了MM-PHD前向–后向平滑器.为了避免引入复杂的随机有限集(Random finiteset,RFS...针对杂波环境下的多个机动目标跟踪问题,本文将多模型概率假设密度(Multiple-model probability hypothesis density,MM-PHD)滤波器和平滑算法相结合,提出了MM-PHD前向–后向平滑器.为了避免引入复杂的随机有限集(Random finiteset,RFS)理论,本文根据PHD的物理空间(Physical space)描述法推导得到了MM-PHD平滑器的后向更新公式.由于MM-PHD前向–后向平滑器的递推公式中包含有多个积分,因此它在非线性非高斯条件下没有解析的表达形式.故本文又给出了它的序贯蒙特卡洛(Sequential Monte Carlo,SMC)实现.100次蒙特卡洛(Monte Carlo,MC)仿真实验表明,与MM-PHD滤波器相比,MM-PHD平滑器能够更加精确地估计多个机动目标的个数和状态,但MM-PHD平滑器存在一定的时间滞后,并且需要耗费更大的计算代价.展开更多
文摘提出一种基于粒子概率假设密度滤波器(Sequential Monte Carlo probability hypothesis density filter,SMC-PHDF)的部分可分辨的群目标跟踪算法.该算法可直接获得群而非个体的个数和状态估计.这里群的状态包括群的质心状态和形状.为了估计群的个数和状态,该算法利用高斯混合模型(Gaussian mixture models,GMM)拟合SMC-PHDF中经重采样后的粒子分布,这里混合模型的元素个数和参数分别对应于群的个数和状态.期望最大化(Expectation maximum,EM)算法和马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)算法分别被用于估计混合模型的参数.混合模型的元素个数可通过删除、合并及分裂算法得到.100次蒙特卡洛(Monte Carlo,MC)仿真实验表明该算法可有效跟踪部分可分辨的群目标.相比EM算法,MCMC算法能够更好地提取群的个数和状态,但它的计算量要大于EM算法.
文摘针对复杂不确定性环境下具有不规则形状的多扩展目标跟踪问题,提出了一种基于星凸形随机超曲面模型(Starconvex RHM)的多扩展目标多伯努利滤波算法.首先,在有限集统计(Finite set statistics,FISST)理论框架下,采用多伯努利随机有限集(MBer-RFS)和泊松RFS(Possion-RFS)分别描述多扩展目标的状态和观测,并给出扩展目标势均衡多目标多伯努利(ET-CBMeMBer)滤波器.其次,利用RHM去描述任意星凸形扩展目标的量测源分布,提出了容积卡尔曼高斯混合星凸形多扩展目标多伯努利滤波器.此外,本文给出了一种多扩展目标不规则形状估计性能的评价指标.最后,通过多扩展目标和具有形状突变的多群目标的跟踪仿真实验验证了本文方法的有效性.
文摘针对杂波环境下的多个机动目标跟踪问题,本文将多模型概率假设密度(Multiple-model probability hypothesis density,MM-PHD)滤波器和平滑算法相结合,提出了MM-PHD前向–后向平滑器.为了避免引入复杂的随机有限集(Random finiteset,RFS)理论,本文根据PHD的物理空间(Physical space)描述法推导得到了MM-PHD平滑器的后向更新公式.由于MM-PHD前向–后向平滑器的递推公式中包含有多个积分,因此它在非线性非高斯条件下没有解析的表达形式.故本文又给出了它的序贯蒙特卡洛(Sequential Monte Carlo,SMC)实现.100次蒙特卡洛(Monte Carlo,MC)仿真实验表明,与MM-PHD滤波器相比,MM-PHD平滑器能够更加精确地估计多个机动目标的个数和状态,但MM-PHD平滑器存在一定的时间滞后,并且需要耗费更大的计算代价.
