多数研究者认为,用修改数据模型(证据体)的方法来解决冲突证据组合问题较为合理.然而,已有的基于修改数据模型的方法仅考虑如何提高冲突证据组合结果的聚焦程度.实际上,它们并没有考虑如何通过修正来消减证据之间的冲突.显然,若融合结...多数研究者认为,用修改数据模型(证据体)的方法来解决冲突证据组合问题较为合理.然而,已有的基于修改数据模型的方法仅考虑如何提高冲突证据组合结果的聚焦程度.实际上,它们并没有考虑如何通过修正来消减证据之间的冲突.显然,若融合结果由冲突证据组合得到,那么其可信性必然较低且会给随后的融合过程带来较大的风险.针对此问题,沿用折扣系数法,该文基于证据距离准则提出了一种折扣系数(可靠度)优化学习模型,优化过程同时考虑提高聚焦程度和消减冲突,通过使折扣修正后组合结果的基本概率赋值(Basic probability assignment,BPA)与直言BPA(Categorical BPA,CBPA)之间的距离最小来寻优,其中证据可靠度大小的序关系作为约束条件,它依据证据的虚假度确定.典型算例验证了所提方法比现有的一些组合方法,在聚焦能力和冲突消减两方面都更合理.展开更多
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...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.展开更多
本文针对杂波条件下多扩展目标的状态估计,目标个数估计,扩展目标形状估计问题,提出了一种基于标签随机有限集(Labelled random finite sets,L-RFS)框架下多扩展目标跟踪学习算法,该学习算法主要包括两方面:多扩展目标动态建模和多扩展...本文针对杂波条件下多扩展目标的状态估计,目标个数估计,扩展目标形状估计问题,提出了一种基于标签随机有限集(Labelled random finite sets,L-RFS)框架下多扩展目标跟踪学习算法,该学习算法主要包括两方面:多扩展目标动态建模和多扩展目标的跟踪估计.首先,结合广义标签多伯努利滤波器(Generalized labelled multi-Bernoulli,GLMB)建立了扩展目标的量测有限混合模型(Finite mixture models,FMM),利用Gibbs采样和贝叶斯信息准则(Bayesian information criterion,BIC)准则推导出有限混合模型的参数来对多扩展目标形状进行学习,然后采用等效量测方法来替代扩展目标产生的量测,对扩展目标形状采用椭圆逼近建模,实现扩展目标形状与状态的估计.仿真实验表明本文所给的方法能够有效跟踪多扩展目标,并且在目标个数估计方面优于CBMeMBer算法.此外,与标签多伯努利滤波(LMB)计算比较表明:GLMB和LMB算法滤波估计精度接近,二者精度高于CBMeMBer算法.展开更多
文摘以一类非线性多传感器动态系统为对象,基于扩展Kalman滤波器(Extend Kalman filter,EKF)介绍三种典型非线性集中式融合算法,并以此为基础研究部分线性动态系统融合理论在非线性系统中的推广与完善.首先,利用EKF的一种信息滤波器形式(Extend information filter,EIF)给出测量值扩维融合、测量值加权融合和顺序滤波融合算法公式,进而研究三种非线性融合算法的估计性能比较以及测量值融合更新次序是否满足可交换性.结果表明:当各传感器的测量特性相同时,集中式测量值扩维和测量值加权融合算法的估计精度功能等价;非线性顺序滤波融合与其他两种融合算法之间不再具备线性多传感器系统中估计功能的完全等价特性;在融合精度不变前提下非线性顺序滤波融合中,各传感器观测更新次序不再完全满足可交换性.4个基于纯方位目标跟踪的数值仿真被用来验证文中所得结论的有效性和正确性.
文摘多数研究者认为,用修改数据模型(证据体)的方法来解决冲突证据组合问题较为合理.然而,已有的基于修改数据模型的方法仅考虑如何提高冲突证据组合结果的聚焦程度.实际上,它们并没有考虑如何通过修正来消减证据之间的冲突.显然,若融合结果由冲突证据组合得到,那么其可信性必然较低且会给随后的融合过程带来较大的风险.针对此问题,沿用折扣系数法,该文基于证据距离准则提出了一种折扣系数(可靠度)优化学习模型,优化过程同时考虑提高聚焦程度和消减冲突,通过使折扣修正后组合结果的基本概率赋值(Basic probability assignment,BPA)与直言BPA(Categorical BPA,CBPA)之间的距离最小来寻优,其中证据可靠度大小的序关系作为约束条件,它依据证据的虚假度确定.典型算例验证了所提方法比现有的一些组合方法,在聚焦能力和冲突消减两方面都更合理.
文摘本文针对杂波条件下多扩展目标的状态估计,目标个数估计,扩展目标形状估计问题,提出了一种基于标签随机有限集(Labelled random finite sets,L-RFS)框架下多扩展目标跟踪学习算法,该学习算法主要包括两方面:多扩展目标动态建模和多扩展目标的跟踪估计.首先,结合广义标签多伯努利滤波器(Generalized labelled multi-Bernoulli,GLMB)建立了扩展目标的量测有限混合模型(Finite mixture models,FMM),利用Gibbs采样和贝叶斯信息准则(Bayesian information criterion,BIC)准则推导出有限混合模型的参数来对多扩展目标形状进行学习,然后采用等效量测方法来替代扩展目标产生的量测,对扩展目标形状采用椭圆逼近建模,实现扩展目标形状与状态的估计.仿真实验表明本文所给的方法能够有效跟踪多扩展目标,并且在目标个数估计方面优于CBMeMBer算法.此外,与标签多伯努利滤波(LMB)计算比较表明:GLMB和LMB算法滤波估计精度接近,二者精度高于CBMeMBer算法.
