集中式多传感器概率最近邻域算法

本文以对算法实时性要求较高的实际场合为背景研究了集中式多传感器多目标跟踪问题,理论分析了该环境下现有经典算法的优缺点;在此基础上,研究了基于概率最近邻域算法的集中式多传感器多目标跟踪算法:提出了并行处理结构的集中式多传感器概率最近邻域算法,该算法首先利用概率最近邻域算法中最近邻量测源自目标的概率完成多目标数据互联,在各传感器送来的观测数据中获取一个与各目标航迹统计距离最小的量测,然后利用各个量测的统计距离以及其源于目标的概率将这些量测整合为一个等效量测,最后获得融合中心的状态估计;提出了顺序处理结构的集中式多传感器概率最近邻域算法,该算法利用离目标最近的量测源于目标的概率判断各传感器是否应参与融合中心的状态估计过程,降低了计算量。蒙特卡罗仿真结果表明:与经典的顺序多传感器联合概率数据互联算法相比,上述两种算法的耗时降低了50%以上,且在跟踪背景杂波适中的情况下能够有效跟踪目标。为了进一步验证上述两种算法的有效性和实用性,本文采用实测数据对算法进行验证,实测数据的处理结果表明在对算法实时性要求较高的实际场合下并行和顺序两种处理结构的集中式多传感器概率最近邻域算法的性能均优于顺序多传感器联合概率数据互联算法。

基于最近邻的集中式多传感器多目标跟踪算法

经典的集中式多传感器多目标跟踪算法通常计算量较大，经常难以满足系统的实时性要求，工程上实现起来比较困难，为进一步扩大集巾式多传感器的应用范嗣，使其在对算法实时性要求较高、跟踪精度要求较小的实际场合中广泛应用。文章基于最近邻域思想，研究了并行处理结构的集中式多传感器最近邻域算法，并从算法跟踪精度、实时性、有效跟踪率3个方面对其与经典的顺序多传感器联合概率数据互联算法进行了仿真比较。经仿真验证，并行处理结构的集中式多传感器最近邻域算法实时性提高了60％以上，且在跟踪背景杂波适中的情况下能够有效跟踪目标。

基于概率最近邻域算法的分布式多传感器多目标跟踪算法

为进一步扩大分布式多传感器的应用范围,基于概率最近邻域思想,研究了分布式多传感器概率最近邻域算法,并对其与分布式多传感器联合概率数据互联算法进行了性能仿真分析。经仿真验证,分布式多传感器概率最近邻域算法能够解决多传感器多目标跟踪问题,且实时性有较大提高。

黑龙江省单一及混作农作物种植结构提取研究

以2012年MODIS数据产品250 m精度的MOD13Q1数据为数据源,采用Savitsky-Golay滤波法提取并平滑NDVI时间序列曲线,提取11种物候关键值,利用AMP,Start,Length三种物候关键值,采用面向对象分类方法的隶属度函数法提取出黑龙江省农用地范围,然后选取AMP,Start,Length,Left,Base,Right,Small七种物候关键值,采用面向对象分类方法的标准最邻近法,提取出黑龙江省单一及混作农作物的种植结构共十种。