基于最大熵模糊聚类的快速数据关联算法

提出了一种新颖的快速数据关联算法,减少了滤波中关联概率的计算量.该算法利用多个并行改进的最大熵模糊聚类对各个目标的有效观测进行聚类,采用聚类得到的模糊隶属度来重建滤波中的联合关联概率,并在联合关联概率中引入了比例因子避免航迹的合并;此外,分析了算法中差异因子的特性,考虑了杂波密度对它的影响,使得能够有效剔除无效观测,进一步减少计算量.仿真实验结果表明,提出的方法是一种有效的快速数据关联算法,跟踪性能要优于现有的数据关联算法.

基于Meanshift聚类-Bhattacharya观测似然度修正的联合概率数据关联改进算法

为降低多目标航迹聚集时联合概率数据关联(JPDA)联合关联事件的计算复杂度,提出一种基于Meanshift聚类-Bhattacharya(Bhy)观测似然度修正的JPDA改进算法。利用Meanshift得到聚类中心,据聚类中心与目标预测量测马氏距离形成跟踪门;提出Bhy似然度矩阵,将Meanshift聚类中心与各量测Bhy距离所表征的观测似然度作为确认矩阵小概率事件划分依据,消除确认矩阵中小概率事件对联合关联事件计算复杂度的影响。实验结果表明:多目标航迹聚集时,该算法在减少计算复杂度同时保持了较高关联精度,跟踪性能明显优于经典JPDA。

一种基于最大熵模糊聚类的数据关联算法

针对联合概率数据关联算法计算量上存在的组合爆炸问题,本文引入最大熵模糊聚类算法实现多目标的数据关联。使用最大熵模糊聚类得到的模糊隶属度表示目标与量测之间的联合互联概率;分析了公共回波对航迹更新的影响,对公共回波的权值进行衰减,对非公共回波的权值进行扩大,避免了航迹合并;此外根据差异因子的特性,给出剔除无效回波的方法,减少了计算量。仿真结果表明,与现有数据关联算法相比,新算法具有更优的跟踪效果。

杂波环境下基于最大熵模糊聚类的JPDA算法

针对杂波环境下的多目标跟踪数据关联存在跟踪精度低、实时性差的问题,提出了一种基于最大熵模糊聚类的联合概率数据关联算法(joint probabilistic data association algorithm based on maximum entropy fuzzy clustering,MEFC-JPDA)。首先,采用最大熵模糊聚类求得的隶属度初步表征目标与有效量测之间的关联概率。其次,采用基于目标距离的量测修正因子对关联概率进行调整,并建立关联概率矩阵。最后,结合卡尔曼滤波算法,对目标的状态进行加权更新。仿真结果表明,所提算法在杂波环境下的跟踪性能相比现有的两种关联算法有较大提升,是一种有效的多目标跟踪数据关联算法。

基于最大熵模糊聚类的快速多目标跟踪算法研究

为了提高杂波环境中多目标跟踪的实时性和精确性,利用最大熵数据模糊聚类方法得到的模糊隶属度表示目标与量测之间的关联概率,同时分析了公共量测对目标的影响,引入影响因子重建互联概率矩阵,结合概率数据关联算法实现多目标的状态估计。该算法避免了对确认矩阵的拆分,解决了联合概率数据关联算法随着目标和回波数目增加而导致的计算量爆炸性增长问题。针对不同杂波密度环境下的临近平行目标和小角度交叉目标的跟踪进行了仿真分析,仿真结果表明:最大熵模糊聚类联合概率数据关联算法是一种有效的快速数据关联算法,在密集杂波环境中跟踪性能依然优于联合概率数据关联算法和经验联合概率数据关联算法,在一定程度上可以避免航迹融合。

支持无线传感器网络多目标跟踪的聚类数据关联算法研究

多源数据关联问题是无线传感器网络中多传感器数据融合的关键技术之一。联合概率数据关联算法是一种跟踪多目标的数据关联算法,它不需要任何关于目标和杂波的先验信息,但与其他有关数据关联算法相比,计算机开销大。基于聚类算法的联合概率数据关联算法在联合概率数据关联算法的基础上,运用模式识别中的聚类思想对传感器所接收到的量测数据进行聚类,减少有效量测的数目,从而简化了有效矩阵,减少了原有算法的计算量。

基于最大熵模糊聚类的新型PHD滤波算法

概率假设密度(PHD)滤波是实现多目标跟踪(MTT)的一种有效算法,然而由于其推导过程使用了泊松近似,因而带来了较大的势估计误差。提出了最大熵模糊多目标粒子‑PHD(MEFMOP‑PHD)滤波算法,利用最大熵模糊聚类算法构造联合概率数据关系(JPDA)算法中的关联概率矩阵,同时结合标签技术与聚矩阵对关联概率矩阵进行修正,从而使算法在节省运算量的同时达到较好的跟踪效果。该滤波算法对PHD密度的近似采用了高斯混合(GM)形式,并通过仿真试验与传统的高斯混合滤波算法进行了比较,最终验证了算法在低检测概率下的优越性。

一种基于模糊聚类的PHD航迹维持算法

针对杂波环境下数量变化的多目标航迹关联问题,提出一种基于模糊聚类的PHD航迹维持算法.该算法充分利用多帧信息,对当前时刻状态进行多步预测,并根据惯性进行加权,然后利用模糊聚类求得当前估计属于每条航迹的隶属度,从而得到最终的航迹.与传统的估计与航迹关联算法不同,该算法在更新每条航迹信息时,不仅仅是简单地对相邻帧之间的对数似然比进行求和,而是通过加权聚类等操作综合考虑了多帧信息.实验结果表明,所提算法能够更好地保持目标航迹,即使在目标出现交叉的地方也能达到很好的跟踪精度,具有较强的鲁棒性和优良的航迹维持性能.

采用粒子滤波和模糊聚类法的非线性多目标跟踪

提出一种新的非线性多目标跟踪方法,用模糊聚类算法实现数据关联,采用粒子滤波实现对各目标的独立跟踪.首先利用最大熵模糊聚类对目标和观测数据进行关联,采用模糊隶属度重建多目标滤波中的联合关联概率矩阵.然后利用粒子滤波适于处理非线性问题的特点,通过联合关联信息,采用粒子滤波独立对各目标进行滤波,实现对目标状态的更新.最后,将该算法应用于多传感器多目标纯方位角跟踪.仿真结果表明,相比于联合概率数据关联算法及MEF-JPDAF,新算法具有更高的跟踪精度.

基于联合概率关联的雷达信号分选方法

信号分选是电子侦察的重要组成部分,在愈发复杂的电磁环境中变得尤为重要。文中提出一种基于联合概率数据关联的雷达信号分选方法,该方法在信号处理的过程中将雷达参数从测量域转换到概率域,将脉冲描述字与聚类中心的距离转换为关联概率,通过关联概率来对落入关联门限内的雷达参数分别进行更新,对参数相近或交叠的雷达信号能达到良好的分选效果。文中设置12部雷达信号,分别有脉冲重复间隔(PRI)固定(常规)、PRI抖动、PRI参差、捷变频雷达,其中脉宽、到达角有参数相同的雷达,载频有参数相近的雷达,仿真结果表明,对文中设置参数,平均正确匹配率为94%。

基于目标预测值模糊化的模糊数据关联算法

对传统模糊数据关联算法进行了分析,针对其利用最大隶属值赋值原则对目标进行跟踪时可能存在误跟或跟错的情况,提出了基于目标预测值模糊化的模糊数据关联算法。首先将预测航迹进行距离模糊化,建立联合关联区并舍去关联区以外的点迹,降低模糊数据关联分割矩阵的维数;然后对分割矩阵运用整体最优原则,将问题转化为0-1规划问题,实现数据的模糊关联;最后对算法进行仿真,结果表明:采用新算法能有效改进传统算法的缺陷,提高数据关联的可靠度。

基于m-best数据关联和小轨迹关联多目标跟踪算法

视频多目标跟踪中目标较多时,联合概率数据关联算法计算量大,实时性差。由于遮挡等问题,联合概率数据关联算法得到的往往是目标的轨迹片段。针对上述问题,首先利用线性规划自适应迭代求解m个最优联合事件简化联合概率数据关联算法,然后提出基于Kalman滤波及外推法的双向运动预测计算轨迹间的距离矩阵,用近邻传播聚类对目标的轨迹片段进行关联。实验结果表明,本文提出的方法在目标多且容易发生遮挡的情况下仍能够实时有效的跟踪,提高了跟踪准确度,具有一定的抗干扰能力。

以直觉模糊熵改进权重的模糊数据关联算法

针对多中心点的观测数据存在不确定性的问题,首先将观测数据和预测数据进行直觉模糊化,然后利用直觉模糊熵改进直觉模糊集的数据权重,再计算直觉模糊集之间的加权距离以获得观测与预测数据的隶属度,最后依次搜索最大隶属度实现观测与预测的关联。通过实例将改进的直觉模糊C-均值聚类(IFCM)算法应用于数据关联计算,计算结果表明,存在模糊观测数据情况下,可以比较好的处理距离的权重信息,并得到更好的处理结果,实例证明算法是可行的。

基于改进PDA的弱点状多目标交叉运动跟踪算法

采用独立跟踪区域的划分和公共量测点数据的去藕聚类技术,将原本只适用于单目标跟踪的概率数据关联(PDA)算法改造成能够在强杂波环境中跟踪多个点状目标交叉运动的情况。该算法比传统基于JPDA(联合数据关联)的多目标跟踪算法的计算量和复杂度都小。仿真试验表明,该跟踪算法具有高精度的跟踪性能。

杂波背景下自适应IMM机动目标跟踪算法

针对杂波背景下多机动目标跟踪问题，提出一种基于时变转移概率交互式多模型（IMM）的模糊数据关联跟踪算法。首先，针对传统IMM算法模型转移概率假设为常数导致模型间过度竞争的问题，基于贝叶斯理论，推导出一种时变模型转移概率IMM算法，增强了优势模型的利用率；其次，针对传统JPDA算法由于聚矩阵拆分而导致的计算组合爆炸问题，利用模糊聚类的方法，直接计算相关波门内候选量测与目标间的关联概率，用概率加权对目标进行状态和协方差的更新。仿真实验表明：算法对不同机动目标的跟踪适应性得到增强，相比传统的JPDA算法，在保证跟踪精度的基础上其时间性能比较优越，是一种较为实用的工程应用算法。

一种混合的多机动目标跟踪算法研究

提出了一种混合的多机动目标跟踪算法:交互多模型模糊联合概率数据关联算法(IMM-FJPDA),该算法将交互多模型算法(IMM)和模糊联合概率数据关联算法(FJPDA)相结合,它克服了IMM-JPDA算法计算量大和IMM-FDA算法在强杂波环境中跟踪精度差的问题。给出了基于模糊C均值(FCM)算法的多机动目标跟踪步骤。仿真结果表明IMM-FJPDA算法跟踪精度与IMM-JPDA算法相当,但计算量明显减小,提高了跟踪实时性。