使用联合概率数据互连滤波器的改进的多目标角跟踪 …

联合概率数据互连皮器用于多个运动目标的角跟踪。为了改进性能。在数据互 方面,除了角量测外,该滤波器还使用功率量测。用ＭＵＳＩＣ算法获得了这些量测。由使不同轨迹的蒙特卡洛仿真来评估本算法的跟踪性能。     

多目标跟踪的数据互联——使用分层博尔兹曼机求解

数据互联是确定多目标跟踪算法中的量测源和分配概率β_i~t问题,其中β_i~t是表示第i个量测来自第t个目标这一事件的概率。本文介绍使用一个分层博尔兹曼机求解数据互联问题的新并行计算方法。研究证明,如果能得到充分多的二元神经元层数,就可以用任意小的误差计算互联概率。特别是,证明了概率β_i~j等于分层的两维网络中神经元v(i,j)激发的相对频率。文中还介绍一些简单的跟踪例子,这些例子将对用于精确的数据互联解的博尔兹曼算法的性能与使用Hopfield神经网络的另一种并行算法的性能进行比较。     

神经网络辅助多目标跟踪数据融合

多目标跟踪(MTT)算法包括卡尔曼滤波和数据关联算法等,而数据关联算法又是最重要、最困难的方面.联合概率数据关联(JPDA)算法对单传感器多目标跟踪是一种良好的算法,但对于多传感器多目标跟踪的情况,特别是目标较为密集时,计算量剧增.提出了一种改进的方法,一方面将神经网络引入到卡尔曼滤波器中,提高滤波器的自适应能力,减小卡尔曼滤波器的估计误差从而改善多目标跟踪精度;另一方面用神经网络辅助JPDA提高正确关联概率,减小计算量.经仿真研究表明,该方法是行之有效的.     

使用并行博尔兹曼机计算互联概率

在传统的估计理论中,确切地知道量测与哪些参数或者状态互联。但是,在多目标跟踪这样的问题中,事先不知道量测将与哪一个目标的状态矢量互联。因此,为了实现跟踪算法,必须得到量测源于给定目标的概率估计。当可以用序列算法精确求解这种数据互联问题时,对于大量的目标和杂波点,这种方法可能变得难以处理。本文介绍使用并行博尔兹曼(Boltzmann)机求解数据互联问题的新计算方法。该方法证明,如果能得到充分数量的并行博尔兹曼机,就可以用任意小的误差计算互联概率。第i个量测源于第j个目标的概率β~ji可通过观察神经元v(i,j)在两维网络各层中“激活”的相对频率简单地得到。本文还介绍一些简单的例子,以便对博尔兹曼算法和精确的数据互联解的性能进行比较,还与使用霍普菲尔德(Hopfield)神经网络的另一种并行方法的性能进行了比较。     

基于粒子群算法的WSN多目标跟踪能量均衡算法

为了满足无线传感网络下多目标跟踪对于跟踪精度与网络寿命的需求,提出一种基于粒子群算法和势均衡多目标多伯努利滤波（cardinality balanced multi-target multi-bernoulli filter,CBMeMBer）的多目标跟踪能量均衡算法。算法通过粒子群算法计算网络能量中心,围绕能量中心形成传感器簇从而改善网络结构,在CBMeMBer滤波的基础上,借助Cauchy-Schwarz散度作为评价函数优化传感器节点量测更新顺序,以保证多目标跟踪精度。通过仿真结果证明算法在多目标跟踪精度与网络能量均衡性上的优势。     

PDF多目标跟踪器

本文介绍用于多目标跟踪问题的概率密度函数(pdf)方法。输入数据是来自前端探测器的随时间变化的量测。期望的输出是出现的目标数目和每个目标的参数。同样的方法以前已用于时间延迟探测和跟踪问题并适用于多目标跟踪问题。本方法可取代以量测为基础的传统“互连”和“跟踪”方法。     

粒子PHD滤波存活粒子采样新方法

针对多目标跟踪粒子概率假设密度滤波算法中存活粒子的重要性密度采样问题,给出一种结合最新量测信息的存活粒子重要性密度采样新方法.该方法根据最新量测集中的各个最测与目标粒子的单步预测状态的似然值,以概率选取量测值,利用无迹变换获得粒子的重要性密度函数,并对其进行采样实现粒子概率假设密度滤波中存活粒子的采样,有效地减轻了粒子的退化现象. 3目标跟踪仿真试验中,当目标模型与跟踪算法使用的目标模型不匹配时,采用所提出的存活粒子采样方法的粒子概率假设密度滤波算法最优子模式分配距离下降约70km.论文给出的存活粒子采样新方法显著地提高了多目标跟踪粒子概率假设密度滤波算法的鲁棒性.     

多目标跟踪中数据互连的有效算法

该有效算法是为计算联合概率数据互连滤波器(JPDAF)中量测原点的后验概率而开发的。这种算法的遗传平行性使其适应于在多处理机系统中实现。用这种算法把JPDAF中每个量测原点的后验概率分解成两部分。第一部分的计算很普通,而第二部分的计算用本文开发的算法并证明与稳定度有关。分析在一般情况和最坏情况下该算法的计算复杂性。算法分析可使我们得出该算法在一般情况下比其他现有算法更有效。     

基于神经网络的机动多目标数据关联算法

虽然JPDA被公认为是杂波多目标环境下跟踪效果最理想的数据关联算法之一,但在密集回波情况下其计算量易出现组合爆炸现象,难于实时处理。通过对Hopfield网络解决TSP问题的研究,探讨用神经网络解决联合概率数据关联(JPDA)中数据运算的组合爆炸问题的办法     

恶劣环境中多个雷达目标跟踪器的评估

本文评估雷达在真实的恶劣环境中跟踪多目标的跟踪算法(MTT)的性能。由加拿大和美国的防御部门联合收集由6架F-18战斗机和其他目标产生的实际的密集间隔的机动雷达数据,支持这个实际的MTT算法评估研究。本文定义一组性能指标,以便比较次优最接近邻近值(SNN)、全局最接近邻近值(GNN)和各种联合概率数据互连(JPDA)MTT跟踪器。获得的有趣结果是所有这些MTT算法呈现出非常接近的性能。此外,还观察到理论上有效的PDA/JPDA跟踪器的加权和方法在跟踪密集间隔目标方面性能。总的讲,基于芒克莱斯算法的GNN滤波器在跟踪性能和稳健性方面有最好的性能。     

神经网络在目标跟踪数据融合中的应用

卡尔曼滤波是大多数多目标跟踪算法的基本组成部分,其余组成部分通常包含若干形式的数据互联方法。这里打算把神经网络加到正规的卡尔曼滤波器中,使此神经网络提供滤波所需要的自适应能力。这样,卡尔曼滤波器的估计误差将会减小,从而改进了多目标跟踪的解。仿真结果表明此方法是有效的。     

神经网络最小二乘估计器

Hopfield和Tank证明几种最优化问题能用Hopfield网络快速求解,而Hopfield网络是简单的类似神经元模拟处理机的递推网络。使用Hopfield网络时,目标函数的自变量收敛于超立方体的顶点。因此,它们的应用严格地限于决策最优化问题。在本文中,我们将研究目标函数自变量是实数的问题。基于Hopfield网络的概念,推导了求解最小二乘估计问题的神经网络。用这个网络,目标函数可能收敛于超立方体内的任何点,给出一个具有极大速度的实值解。由于所选择的能量函数的凸状性质,不会出现收敛到局部最小值的问题。我们还介绍了空间迭代搜索方法,以便找到可能存在于空间内任意点的最优解。最后,给出了求解线性系统和参数估计问题的模拟结果。     

跟踪大量重叠目标的多分配算法

本文叙述用于跟踪大量密集(和重叠)物体的使用多分配的数据互连新技术。从促进该项工作的一个生物医学问题入手,即从一个图像序列跟踪一组纤维细胞(组织)单元来说明该算法。由于它们互相靠近以及难于从质量不好的图像序列精确地分割出图象,这些单元实际上是密集物体(CSO)。该算法介绍了一种新的二叉迭代多分配方法,它利用了带有修正成本的递减尺寸的逐个一对一分配。导出根据当前分配级“深度”和跟踪结果调整的成本函数。用所得到的分配来形成,保持和终止具有修正型概率数据互连(PDA)滤波器的航迹,除互连多个量测到单条航迹之外,它还可以处理多条航迹对单个量测的竞争。给出估计结果并与标准二维一对一分配算法的结果相比较。说明了迭代的多分配产生较好的量测到航迹互连。本文介绍的算法可用于其他一般的跟踪问题,包括密集空中交通警戒和控制。     

随机多假设跟踪的最大似然法

在多目标多量测环境中,量测-航迹分配的知识一般不适于跟踪算法。在本文中,对量测-航迹分配问题,采用了严格的概率方法。不象在传统多假设跟踪(MHT)算法那样,把量测分配给航迹;相反地,使用由期望最大化(EM)方法导出的最大似然(ML)算法估计每次量测属于每个航迹的概率。这些量测-航迹的概率估计对于调用随机多假设跟踪(PMHT)算法的多目标跟踪器是固有的。PMHT算法在计算上是切实可行的,因为它既不要求量测-航迹分配的计算,也不要求修剪。     

未知新生目标强度的多目标概率假设密度滤波算法

针对标准概率假设密度滤波器要求,新生目标强度作为先验信息需已知的工程限制,提出一种未知新生目标强度的多目标概率假设密度算法。该算法以概率假设密度滤波器为基础,通过充分利用目标运动信息及其与监视区域的相对关系来获取源于潜在新生目标的量测,并以此建模下一时刻滤波器所需的新生目标强度。仿真结果表明,所提算法在含有未知新生目标跟踪场景具有鲁棒的滤波性能,且其跟踪精度和计算代价均优于相关多目标PHD滤波器。     

密集杂波环境下用于多目标跟踪的改进PDA算法

概率数据关联(PDA)算法在密集波环境下跟踪单目标时具有良好的效果,但当跟踪多目标时,由于未能考虑相邻目标间的相互影响,因此效果不佳,针对PDA算法的不足,基于多目标跟踪中相邻目标间相互影响的特点,提出了一种新的改进概率数据关联(NIPDA)算法.新算法引入量测J属于目标t的概率Bjtk,并用其对关联概率进行修正,从而在计算互联概率时考虑了相邻目标间的影响.仿真结果表明,新算法在计算量与PDA算法相近的情况,提高了目标跟踪成功率.     

雷达与声数据的融合

洛克希德·桑德斯公司正在研究综合声与雷达数据的融合过程。声和雷达数据是高度互不相关的,它们可提供有关每个目标的互补信息。因此,融合过程使之有可能利用组合分类器的输出产生一种可信度高的目标识别(可靠的ID),分类器的输出包括:声波形、雷达信号特征和航迹形状 而由单个分类器进行可靠的识别是不可能的。通过融合过程可以减少目标位置误差和改善量测与航迹的互连过程。 由于融合过程是高度非线性和自适应的,因此,仿真是必不可少的。用多次重复的具有嵌入式传感器模型的仿真来建立多目标情景,以便激励融合过程。在仿真情景期间,用测量的声和雷达数据产生传感器输出的逼真描述。融合过程对分类和传统的跟踪器使用了神经网站。使用与目标ID有关的数据,以便选择最优的跟踪器参数。 对雷达和声数据的特定实例,验证了使用仿真来设计传感器融合处理的方法。然而,这种方法对于各类型的传感器或数据融合也是有价值的。例如:可在非军事应用中使用仿真,在这种应用中有关复杂系统状态的多源数据可用来控制其他数据和收集并做出最优决策。一般,仿真可用任务级指标,如成本、生存概率和杀伤概率来评定融合过程的好处。仿真对于优化融合过程的任何自适应“子部件”如神经网络来说是必不可少的。     

改进CHNN神经网络航迹关联算法

航迹关联和航迹融合是分布式数据融合的重点。基于Hopfield神经网络的航迹关联算法是建立在每个传感器都发现相同目标的基础上的,但是在实际应用中往往不是这样。改进了基于连续型神经网络的广义航迹关联算法,进一步地,该算法可以推广到多个传感器的情形。为了加速Hopfield神经网络的收敛速度,重新定义马氏距离。计算机仿真表示,改进算法适用于多传感器航迹关联问题,且适用于密集目标航迹交叉的情形。     

多目标数据关联的神经网络方法

数据关联是多目标跟踪的关键问题。基于 Hopfield神经网络的 JPDA是解决这一关键问题的有效方法之一 ,但此方法的难点在于优化系数的整定。提出一种改进算法 ,用于解决优化系数在线自适应整定问题。首先重新构造了李雅普诺夫能量函数 ,接着引入变化的优化系数因子 ,并给出了优化系数求解的迭代公式 ;最后对已有和改进的算法进行了仿真研究。结果表明改进的方法和原有的方法相比 ,一方面具有在线整定优化系数的功能 ,另一方面可以获得和原有算法非常接近的估计误差。     

用于目标机动检测的神经网络

用于跟踪机动和非机动目标的算法有很多[1]—[4]。对机动目标和非机动目标可以使用不同的算法。检测目标机动的能力能为给定的态势提供良好的算法。通常采用一些特定的技术实现机动检测。神经网络为实现目标机动检测提供了一种新工具。已经为这种应用开发测试了两个不同的网络。一个网络使用方位数据,另一个网络使用滤波器残差。方位数据先被仿真,然后被滤波,以便为这两种网络提供所需要的输入。使用反向传播算法训练每个网络,该算法是一种被资料证明的普通梯度下降训练算法[5]。已经研究了很多不同的多层感知结构。这里介绍的两种结构能在训练和测试时提供最好的性能。对这两个网络进行了相互比较,并且与一个特定的门限算法进行了比较,给出了相对性能数据。这项研究结果表明,利用神经网络实现目标机动检测是可能的。