基于多目标扩展通用Toffoli门的量子比较器设计

利用多目标扩展通用Toffoli门,提出了经典量子信息比较器的设计构造方法,并对其正确性进行了理论证明,在此基础之上,给出了量子比较器在简单搜索问题中的一个应用。与其它同类量子比较器相比,此比较器通过减少使用辅助位来节约相关量子资源;通过设置多目标扩展通用Toffoli门的控制条件,使得在比较出结果后剩余的门不再起作用,从而提高了运行效率,降低了出错率,增强了比较器的鲁棒性。

信息化环境下独立审计具体目标扩展解析

在目前的审计实务中，信息化环境下的财务报表审计已经开始涉及被审计单位的信息系统、数据库和各种应用软件，审计项目的具体审计目标已经向信息化环境扩展。本文就扩展的具体审计目标进行解析，旨在通过信息化环境下的具体审计目标，概括出信息化环境下独立审计风险的确切来源。

信息化环境下独立审计具体目标扩展解析

信息化环境对传统财务报表的审计目标提出了新的要求，但是总体目标的不变，不意味具体审计目标也不发生变化。事实上，在目前的审计实务中，信息化环境下的财务报表审计已经开始涉及被审计单位的信息系统、数据库和各种应用软件，审计项目的具体审计目标已经向信息化环境扩展。

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。

距离像先验引导的扩展目标检测方法

扩展目标检测通常采用距离像能量积累检测的方法,由于距离像信息掌握不完备,陷落损失会降低检测性能。本文提出一种距离像先验引导的扩展目标检测方法,通过利用距离像包络模先验,对信号进行积累以提升检测性能。该方法考虑了复距离像与复高斯白噪声的相干叠加与相位预测不准的因素,采用将观测数据取模的检测模型,基于似然比检测(Likelihood Ratio Test,LRT)理论推导了低信噪比下的特征平方匹配检测器。该检测器将目标复距离像的包络模与观测数据的包络模进行平方匹配,并通过门限判决来判断目标是否存在。包络模先验的获取是通过从ISAR图像提取二维散射中心,向对应姿态角下的雷达视线方向进行投影,来获得目标近似的一维散射中心模型,再由该模型进一步生成目标距离像的包络模先验。同时,本文从理论与实验两方面分析了能量检测器和特征平方匹配检测器之间的关系,通过散射中心模型重构与暗室测量的方法获取数据进行了实验验证。实验结果表明:在低信噪比下,距离像先验引导的特征平方匹配检测器能有效提升目标的检测性能,并且对先验模型失配的情况具有良好的适应性。

基于神经网络的椭圆扩展目标形态估计

针对复杂环境下由稀疏量测引起的椭圆扩展目标形态估计精度低的问题,提出了一种基于神经网络的形态估计方法。利用神经网络对目标量测进行处理,估计出椭圆扩展目标的轴长,然后结合卡尔曼滤波算法实现目标的跟踪。仿真实验结果表明,通过与基于随机矩阵、乘性误差以及卷积神经网络等模型的算法相比,所提算法的跟踪性能有显著改进。

部分均匀环境下基于几何中心的扩展目标检测

针对部分均匀环境中样本数有限以及样本中包含异常值时的扩展目标检测问题,设计了一类基于几何中心的自适应检测器,其包含两个步骤,第一步,构建基于几何中心广义内积的数据选择器,用以剔除包含异常值的样本数据;第二步,利用基于几何中心的协方差矩阵估计量,构建广义自适应子空间检测器的检测统计量。所设计的检测器利用正定矩阵空间中的几何中心特性,无需获得样本数据的先验概率分布。在分析阶段,根据异常值正确剔除概率、恒虚警特性和检测概率,评估检测器的性能。通过仿真数据和实测数据验证,相比传统检测器,本文提出的检测器具有更好的性能。

扩展目标多特征估计自适应渐进滤波器

针对具有不规则形状的扩展目标跟踪(Extended Target Tracking,ETT)问题,本文提出了一种基于随机超曲面模型的自适应渐进贝叶斯滤波器(Random Hypersurface Model-Adaptive Progressive Bayesian Filter,RHMAPBF).首先,对扩展目标连续状态先验概率密度的局部累积分布进行随机采样,再最小化连续概率密度和狄拉克混合概率密度的局部累积分布之间的修正克莱默冯米塞斯距离得到粒子的最优位置,以自适应地变步长进而渐进更新将粒子迁移到扩展目标后验的密集区域求得更加准确的后验概率密度近似;其次,利用随机超曲面描述任意星凸形扩展目标的量测源分布,提出了星凸形不规则形状扩展目标跟踪自适应渐进滤波器,有效实现了不规则形状扩展目标多特征概率密度信息的递归.最后通过不同噪声水平以及复杂随机环境的扩展目标(Extended Target,ET)和群目标(Group Target,GT)的跟踪仿真实验验证本文方法的有效性.

不完全量测下事件触发水面扩展目标跟踪

已有的水面扩展目标跟踪方法虽然提高了跟踪精度,但增加了通信消耗,而且无法避免不完全量测的干扰。为解决上述问题,依据探测器获取目标信息的机理将量测向量中各分量进行分组,建立不完全量测下由随机矩阵描述的扩展目标测量模型;进而结合目标运动模型,构建不完全量测下水面扩展目标跟踪模型;基于所建立的目标跟踪模型,提出一种多通道解耦的事件触发机制调节探测器与估计中心间的数据传输;基于容积卡尔曼滤波算法,提出一种不完全量测下事件触发水面扩展目标跟踪方法。仿真实验结果表明,所提方法可在保持较高目标跟踪精度的前提下,显著降低通信消耗,同时有效避免不完全量测的干扰。

基于随机超曲面模型的机动星凸形扩展目标跟踪

针对具有强机动性的扩展目标跟踪问题,不仅需要估计目标的运动状态,还要准确识别目标机动过程中的形状变化。由于目标机动和模型的复杂所导致的高维非线性问题,提出了一种基于随机超曲面模型的扩展目标方向自适应跟踪算法。通过使用输入估计检测器对目标机动进行判断,再利用目标机动的大小修正形状参数的先验,其次基于先验信息更新量测,并结合无迹卡尔曼滤波算法,实现对机动扩展目标的状态跟踪和形状识别。利用均方根误差和quasi-Jaccard距离分别对目标质心位置的跟踪质量和形状的跟踪性能进行评价。仿真实验结果证明了该算法的有效性。

一种基于IMM的分布式扩展目标跟踪算法

随着传感器分辨率的提高,将目标视为一个质点可能导致大量信息的丢失,传统点目标跟踪模型不再适用。而扩展目标跟踪算法不仅考虑了目标的运动状态(如位置、速度和加速度),还考虑了目标的扩展状态(如形状、大小和方向等),可获得更准确且完整的目标状态估计。近年来,利用随机矩阵跟踪扩展目标的方法颇受欢迎。实际场景中扩展目标运动复杂多变,可能导致其运动状态和扩展发生突变。多模型算法,如交互多模型(Interactive Multiple Model,IMM)算法,是一种有效的机动目标跟踪方法。本文考虑利用传感器网络以分布式算法实现机动扩展目标的跟踪问题。本文提出了一种基于扩散策略的分布式机动扩展目标跟踪算法,其中,采用随机矩阵法对扩展目标进行建模。该算法拓展了IMM框架,以描述不同扩展特性的扩展目标在不同过程噪声下的运动特性,并进一步研究了一种减小通信量的分布式局部扩散策略。具体地说,在该算法中,每个节点基于IMM框架跟踪机动扩展目标,并采用加权Kullback-Leibler平均实现IMM框架中的数据融合。此外,应用本文所提出的局部扩散策略,每个节点仅与邻居节点交换部分中间估计值,以实现较低通信负担的有效的分布式扩展目标跟踪。仿真实验结果表明,本文所提的基于局部扩散策略的分布式机动扩展目标跟踪算法能够有效地跟踪机动扩展目标,且具有相对较低的网络通信负担。

基于椭圆方向和半轴长度的多伯努利扩展目标跟踪

针对杂波环境下扩展目标外形难以估计、新生目标先验信息未知等问题,在扩展目标势均衡多目标多伯努利(ET-CBMeMBer)滤波器的基础上,开展基于椭圆方向和半轴长度(OAL)的参数化多扩展目标跟踪研究。借助乘性噪声构造考虑目标空间信息的显式量测方程,并推导OAL-CBMeMBer滤波器高斯混合实现的封闭形式解;基于显式的量测方程,利用已知的量测数据自适应构造考虑了质心位置和外形状态的新生目标先验信息,并提出自适应新生OAL-CBMeMBer滤波器。仿真实验结果表明:所提OAL-CBMeMBer滤波器提高了目标数目和状态的估计精度,能够有效地对多扩展目标进行跟踪。

扩展目标跟踪中基于深度强化学习的传感器管理方法

针对扩展目标跟踪(Extended target tracking,ETT)优化中的传感器管理问题,基于随机矩阵模型(Random matrices model,RMM)建模扩展目标,提出一种基于深度强化学习(Deep reinforcement learning,DRL)的传感器管理方法.首先,在部分可观测马尔科夫决策过程(Partially observed Markov decision process,POMDP)理论框架下,给出基于双延迟深度确定性策略梯度(Twin delayed deep deterministic policy gradient,TD3)算法的扩展目标跟踪传感器管理的基本方法;其次,利用高斯瓦瑟斯坦距离(Gaussian Wasserstein distance,GWD)求解扩展目标先验概率密度与后验概率密度之间的信息增益,对扩展目标多特征估计信息进行综合评价,进而以信息增益作为TD3算法奖励函数的构建;然后,通过推导出的奖励函数,进行基于深度强化学习的传感器管理方法的最优决策;最后,通过构造扩展目标跟踪优化仿真实验,验证了所提方法的有效性.

基于椭圆随机超曲面模型CPHD滤波器的多扩展目标跟踪算法

复杂场景下多扩展目标跟踪在自动驾驶、目标识别等领域具有很高的应用价值。文中提出了一种基于椭圆随机超曲面模型(ERHM)的势概率假设密度(CPHD)滤波器。首先,基于有限集统计理论,利用CPHD滤波器建立多扩展目标的贝叶斯滤波框架;然后,采用ERHM描述扩展目标的量测源分布,并利用无迹变换嵌入CPHD滤波流程;最后,仿真实验结果表明,ERHM-CPHD滤波器对椭圆扩展目标的跟踪性能优于传统的伽马高斯逆威沙特CPHD滤波器,在杂波密度较高、目标新生的位置比较确定的场景或者扩展目标数目较多时,对扩展目标的参数估计更为准确。所提方法在高分辨率雷达多目标跟踪方面具备很好的运用前景。

考虑能源可持续发展的电力系统多目标扩展规划

揭示了能源可持续发展标准对电力系统规划的影响,在该标准的基础上,建立综合考虑电力系统投资运行成本、温室气体排放量和能源多元化的多目标电力系统扩展规划模型。将低碳电力技术成本、碳排放成本以及需求侧管理成本加入成本目标函数,通过建立多目标规划的折中模型寻找不同目标之间的最优方案。利用该模型对某地区的电力系统扩展规划进行研究,并阐述了研究结果。

基于扩展模型的高分辨雷达目标检测前跟踪

在雷达目标检测优化中,由于高分辨雷达会随目标距离、方向的变化而变化,具有很大的随机性,需要进行实时判断,导致传统的基于目标运动连续性原理的高分辨雷达目标检测前跟踪算法,适应性不强,造成跟踪发散。为此提出一种采用目标扩展模型的高分辨雷达目标检测前跟踪算法,给出目标的动力学模型及高分辨雷达的观测方程。通过空间分布模型描述扩展目标,采用空间分布概率形式检测目标散射中心的可能位置,给出目标上点源的空间扩展分布函数。通过目标初始存在概率及存在状态转移矩阵对下一时刻粒子的存在状态进行预测。依靠目标的初始分布进行采样获取新生粒子的状态预测,完成对粒子权重的计算,对目标进行检测和状态估计,从而实现目标跟踪。仿真结果表明,所提算法具有很高的跟踪性能。

采用改进粒子滤波的雷达扩展目标检测前跟踪

在雷达回波的距离——多普勒数据上,建立了粒子滤波所需的系统动态模型和观测模型,将传统的点目标模型改进为更接近于实际的线形扩展目标模型,并推导出了新模型的似然比函数.同时,为了减少粒子数,对传统的粒子滤波(PF)算法进行了改进.由于模型的匹配和检测前跟踪(TBD)算法在时间上的积累功能,所提算法提高了雷达对低信噪比目标的检测概率.仿真结果表明,该算法能稳定地检测到信噪比为1 dB的目标.

采用随机矩阵的多扩展目标滤波器

针对杂波环境下多扩展目标的运动状态和形状信息的联合估计跟踪的问题,提出了一种基于随机矩阵的扩展目标跟踪算法。该算法采用具有噪声基于密度的空间聚类(DBSCAN)划分与预测划分相结合的联合划分算法对量测集进行划分,然后采用联合概率数据关联(JPDA)的软关联思想建立量测簇与扩展目标之间的对应关系,最后采用随机矩阵法对扩展目标进行估计获得运动状态和形状信息,特点是:将量测集划分为互不相交的几个簇,以使每个簇中的量测源于同一目标或杂波;建立量测簇与扩展目标之间的关联关系及状态更新。联合划分算法与DBSCAN划分的比较仿真实验表明,在有距离相近目标时采用联合划分算法比采用DBSCAN划分的滤波器的跟踪效果好得多。所提多扩展目标滤波器与ET-GMPDH滤波器的仿真实验表明,所提算法有较高的跟踪精度、较大的检测概率及较小的虚警概率。

高斯背景下距离扩展目标的恒虚警率检测

对宽带高分辨率雷达(HRR)中的距离扩展目标进行检测,若还采用分辨雷达的检测方案,目标回波的全部能量得不到充分利用,会影响雷达的检测性能。提出了一类基于二进制积累的距离扩展目标检测算法,推导出了它们的平均虚警概率和平均检测概率的数学解析式,并进行了性能分析和比较。这些方法较常规低分辨雷达方法可获得目标信噪比8个多分贝的性能改善,且这些次优积累的高分辨雷达距离扩展目标检测方法具有易于工程实现的优点。