基于Transformer复杂运动辨识的机动星凸形扩展目标跟踪方法

针对复杂的机动扩展目标跟踪问题,利用Transformer网络设计了一种有效的星凸不规则形状机动扩展目标跟踪方法。首先,该文研究利用alpha-shape算法建立了星凸形状的变化模型,实现了静态场景下的星凸形扩展目标的形状估计。然后,通过对目标状态转移矩阵进行重新设计,结合Transformer网络对机动扩展目标运动状态转移矩阵进行实时估计,实现了对复杂机动目标运动过程的精准跟踪。进一步地,将估计得到的形状轮廓与运动状态进行融合,最终实现了对星凸形机动扩展目标的实时跟踪。最后,通过构造复杂的机动扩展目标跟踪场景,利用多重性能指标测试算法对形状和运动状态的综合估计性能,验证了算法的有效性。

扩展目标跟踪Student’s t逆Wishart平滑算法

脉冲干扰和离群量测信息等因素通常会导致异常的厚尾噪声,这使得以高斯假设为前提的扩展目标跟踪(ETT)估计器的性能急剧降低,针对该问题该文提出一种基于扩展目标随机矩阵模型(RMM)的Student’s t逆Wishart平滑(StIWS)算法。首先,将目标的运动状态以及过程噪声和量测噪声建模为Student’s t分布以表征异常噪声对扩展目标概率分布的影响,将目标扩展状态建模为服从逆Wishart分布的随机矩阵。然后,在Student’s t贝叶斯平滑框架下,详细推导了能在扩展目标的多重特征动态演变的过程中有效估计目标状态的StIWS算法。最后,通过扩展目标跟踪的仿真实验结果和真实场景实验结果验证了所提算法的有效性。

基于物理信息神经网络的气动数据融合方法

为了解决训练传统深度神经网络对大数据的依赖问题,气动数据中包含的物理结构信息需要被充分利用。物理信息神经网络(physics-informed neural network,PINN)是一种非监督的学习算法,采用深度神经网络直接逼近流场偏微分方程的解,因此适用于气动数据的建模。然而训练PINN时,损失函数反映的是抽样点处神经网络所拟合的偏微分方程值的偏差,对于复杂的非线性偏微分方程,这一偏差不能准确反映神经网络所拟合的函数与微分方程解函数的偏差,而且用神经网络拟合初始条件和边界条件时,不可避免存在拟合误差,误差随空间和时间累计,这使PINN的建模精度相比传统的模型没有优势。为了解决这些问题,本文把PINN与流场的计算流体动力学(Computational Fluid Dynamics,CFD)仿真结果进行融合,在流场抽样点处的损失函数中增加了PINN在该点的输出与流场在该点的CFD值偏差,从而提高了神经网络的建模精度。根据CFD仿真时使用的模型,融合方式采用瞬时模式或时均模式。测试结果表明该方法能够有效提高PINN的建模精度。

水平集高斯过程的非星凸形扩展目标跟踪算法

针对复杂环境下的非星凸形不规则形状扩展目标跟踪问题,该文提出基于能量泛函的水平集高斯过程扩展目标跟踪算法。首先,利用水平集随机超曲面模型(Level-Set RHM)通过多边形方法对形状内部进行建模。然后,用高斯过程(GP)学习Level-Set建模输入与输出的非线性映射关系,以求得边界函数最大值,并进一步推导Level-Set与GP相融合的非线性量测方程。在最优非线性滤波的框架下,最终推导得到水平集高斯过程(Level-Set GP)算法,并利用面积差作为不规则形状扩展目标形状估计的评价指标。仿真实验表明了所提算法对非星凸形不规则形状扩展目标形状估计的有效性。

多扩展目标跟踪中基于多特征优化的传感器控制方法

针对多扩展目标的优化跟踪问题,该文在有限集统计(FISST)理论框架下,提出一种能够综合优化多扩展目标跟踪性能的传感器控制方法。首先,该文给出加权广义最优子模式分配(WGOSPA)距离构造多扩展目标跟踪多特征估计在其统计平均周围的广义离差,进而研究提出多特征融合下的传感器控制最优决策方法,并利用序贯蒙特卡罗(SMC)技术研究传感器控制最优决策过程的数值求解方法,然后利用伽马高斯逆威沙特多伯努利(GGIW-MBer)滤波器实现所提出的传感器控制策略。最后通过仿真实验验证了所提算法的有效性。

多扩展目标跟踪优化中基于威胁规避的无人机路径规划策略

为了降低无人机执行侦察任务时被摧毁的概率,该文提出一种有效减少威胁的路径规划算法。首先利用高分辨率机载雷达对多扩展目标进行稳健的跟踪估计,然后根据三向决策规则对各目标按威胁进行分类,并利用模糊理想解相似性排序技术(TOPSIS)的方法计算目标威胁度,综合多任务决策联合优化(联合评估目标威胁度和目标跟踪质量)作为评价准则对无人机进行路径规划。仿真实验表明,模糊威胁度评估方法在多扩展目标跟踪环境下是有效的,所提无人机路径规划算法是合理的,在不损失目标跟踪精度的条件下有效降低了目标威胁度。

一类非线性动态系统的非参数GFRF 模型辨识(英文)

本文对一类用多项式描述的非线性动态系统提出使用ＧＦＲＦ模型类的非参数辨识算法．这种算法的显著特点是需要很小的计算量和存储空间，而且辨识精度较高．仿真结果表明这种非参数模型辨识算法是有效的，而且由辨识方法获得的模型一般具有很好的泛化能力，因而是一种具有重要应用前景的实用方法．

共同杂波环境下多目标量测数据的误差传递与校正

在目标跟踪领域,如何提高目标航迹估计精度是一个重要问题．传统做法是基于目标量测数据进行滤波或者融合以减小随机误差．奉文提出了基于误差相关性提高估计精度的新思路．在强相关条件下,依据误差基本理论,研究了多目标之间量测数据误差传递和校正的概念、原理和方法,建立并给出了各关键步骤的算法．仿真实验表明,多目标量测数据误差之间具有相关性时,可以进行误差的传递和校正．如果相关性较强,则校正后量测数据精度能够得到较大幅度的提高．

红外搜索跟踪系统的数据关联算法研究

针对红外搜索跟踪系统(IRST)在单站情况下,对目标进行纯方位跟踪时存在的问题,提出一种数据关联算法.首先根据红外探测器的量测信息特点,从不同角度构造多组证据;然后采用证据组合规则对这些信息进行综合;最后通过极大化基本可信度赋值函数(BPAF)得到关联结果.这种基于D-S证据理论的数据关联算法,由于合理利用多源量测信息,有效地克服了传统方法处理数据不确定性时存在的问题.蒙特卡罗仿真结果表明,该算法具有较好的关联效果.

多传感信息融合与自动化

综述多传感信息融合技术的概念、发展的起因、主要研究内容、现有的理论和方法 ,同时还就其在工业机器人、汽车自动导航与驾驶、身份识别、多目标跟踪、人工智能等自动化领域的应用进行了讨论 .作者对于这一新兴研究方向未来的发展趋势作了展望 ,并就信息融合的一般理论、主要方法论、存在的问题等进行了探讨 .

基于广义频率响应函数的非线性控制系统稳定性研究

基于Ｖｏｌｔｅｒｒａ级数的广义频率响应函数（ＧＦＲＦ）或称非线性传递函数，为研究非线性系统提供了新的思路，它是对线性频率分析方法的推广，其最重要的价值是实验可验证性．一些学者已经对非线性传递函数理论进行了研究，在非线性控制系统仿真、非线性系统辨识、ＧＦＲＦ计算方法，以及非线性传递函数理论的工业应用等方面取得了一些有意义的成果．但到现在为止，对具有无限项ＧＦＲＦ的非线性系统的．稳定性研究还没有涉及．本文基于广义频率响应函数，提出了一类非线性控制系统的开环稳定性判据条件．作者首先用ＧＦＲＦ方法描述了非线性控制系统，然后给出了该类系统的输入输出稳定性判据，进而讨论了四种特殊情况下的稳定性条件．最后，利用大量的仿真例子对结论进行了验证．

一般相关量测噪声线性系统的递推状态估计

为了得到具有一般相关量测噪声线性系统的递推滤波算法 ,将该问题转化为具有相关量测单值随机向量的滤波问题 ,根据单值随机向量的线性无偏最小方差估计算法 ,导出了量测噪声为一般相关鞅差序列的线性系统的最优递推状态估计滤波算法 .通过数值仿真 ,将该算法与假定量测噪声不相关时的Kalman滤波算法进行了比较 ,证明了该算法的有效性 .

一般相关量测噪声下线性系统的平滑估计算法

提出了具有一般相关量测噪声的线性系统的平滑估计算法 ,该算法是在系统正向和逆向滤波估计结果的基础上 ,利用线性无偏最小方差估计获得的 .由于量测噪声的相关性 ,使得其后验均值不一定等于其先验均值 ,而它的后验均值又无法通过计算得到 ,因而提出的算法是一个次优算法 .在正、逆向滤波结果已知时 ,所提出的算法计算量小 ,易于实现 .仿真实例说明 ,该算法的估计结果要优于正、逆向滤波估计结果 ,以及量测噪声不相关的Kalman平滑估计结果 .

基于广义频率响应函数的非线性控制系统的闭环稳定性研究(英文)

本文基于广义频率响应函数，讨论了一类非线性控制系统的闭环稳定性问题，给出了输入输出频域稳定性判据条件，最后，利用仿真例子对结论进行了验证．

非线性控制系统综合的频域逆系统方法研究

提出一种不需已知系统微分方程模型的非线性系统综合方法。首先得到对象非线性传递函数的估计 ,然后利用非线性补偿算法构造前馈补偿器 ,使复合系统具有近似线性系统的特性 ,最后采用常规线性系统反馈控制的方法进行控制。仿真结果表明 。

智能感知的现状与未来

本文简要介绍智能感知的概念及其发展现状,包括基于深度学习的特征提取、类生物机制的多源异构信息融合方法等,也对其未来的发展进行了展望.

基于Volterra级数的非线性系统的镇定设计

基于Ｖｏｌｔｅｒｒａ级数理论，针对一类非线性系统，首先给出了一般非线性系统可镇定的充分条件，接着讨论了纯输入纯输出系统的镇定设计，最后，用实例仿真来验证其有效性。

序言

上世纪七八十年代,美国科学家提出了一个称为'多传感信息融合'(Multisensor information fusion)或'多源信息融合'(Multi-source information fusion)的全新概念,并迅速扩大到世界范围内,成为当今信息技术领域的一个研究热点.所谓多源信息融合,就是提出一些理论和方法,对具有相似或不同特征模式的多源信息进行处理,以获得融合信息.简单地说,将多种传感器获得的数据进行所谓的'融合处理'。

利用不确定度的冲突证据组合

D-S(Dempster-Shafer)证据理论在信息融合中有着广泛的应用.针对证据理论中高冲突证据组合出现反直观结果问题,提出一种新的证据组合方法.依据证据体不确定度生成权重,并基于所获权重修正待组合证据体再利用Dempster规则完成证据组合.算例分析表明所提方法是合理有效的.

基于证据方差的加权证据组合

DS证据理论在决策级信息融合中有着广泛应用.针对证据组合时的某些反直观结果问题提出一种新的基于证据方差的序贯式加权证据组合方法.首先基于Jousselme证据距离定义了证据方差.每一步证据组合时,依据当前既有证据组合结果序列的方差及当前步新证据加入后的序列方差来生成权重.基于所获权重修正新到证据及前一步组合结果,最后利用Dempster规则完成当前步证据组合.算例分析表明所提方法是合理有效的.