基于模型类型匹配PHD滤波器和TBM的多目标联合跟踪分类

为了解决杂波和漏检下多目标的联合跟踪与分类问题,提出了模型类型匹配概率假设密度(probability hypothesis density,PHD)滤波器,同时将其与多传感器的可转移信度模型(transferable belief model,TBM)框架相结合,并用多个运动学雷达和粒子滤波递推实现。该算法对飞行器的先验信息进行估计,从而替代了属性传感器。在预测阶段,根据模型和类型对PHD滤波器进行粒子匹配;传感器得到观测结果后进行粒子权重的更新;再根据粒子对应的权重得到目标的后验状态-模型-类型分布;这些PHD滤波器可以同时得到目标的状态和类型;结合TBM和航迹粒子标签算法,得到多个传感器的融合结果。仿真表明,本文提出的模型类型匹配PHD滤波器的性能比传统多模型PHD滤波器更精确,同时多传感器的TBM框架也全面提升了算法的性能。

一种基于证据融合的高可靠性产品可靠性评价方法

如何综合来自不同信息源的信息进行可靠性评价是高可靠产品可靠性分析领域的研究热点.针对存在随机不确定性和认知不确定性时高可靠产品的可靠性评价问题,结合证据理论提出了一种新的评价模型.鉴于不同可靠性信息源对产品可靠性指标的贡献不同,利用K—L交叉熵定义各个信息源的权重,对每个信息源生成的基本概率分配函数(BPA)进行修正.然后,将修正后的BPA按照D—S证据组合规则进行融合,进而利用可转移信度模型(TBM)对合成后的BPA进行概率测度的转换,从而实现对高可靠产品可靠性的度量.最后,以某型号电子器件的寿命评估为例,验证了本文提出的评价方法的可行性和有效性.