基于改进联合概率数据关联的AUV定位算法

基于水下无线传感器网络的位置估计是解决水下自主机器人定位问题的有效方法,然而由于水下无线传感器网络中的传感器节点一般部署在开放水域中,外来的恶意节点在基于到达时间的网络信道中注入恶意噪声延迟会对定位精度产生不利影响。针对这个问题,本文提出了一种改进联合概率数据关联算法。首先,我们考虑了一种异构的网络架构,包括水面浮标节点、水下信标节点和待定位的AUV目标节点,并获取网络架构中信标节点和AUV之间的距离测量;然后,我们设计了一种基于矩阵相似度的恶意噪声识别机制,识别并丢弃受恶意噪声污染的距离测量,并且对检测为未受到恶意噪声污染的距离测量进行分组,利用最小二乘法完成对AUV的初步定位;接着,为了丰富所得到的样本测量点以提高AUV的定位精度,我们在预测点以及检测出未受到恶意噪声污染的测量点的附近生成一系列服从高斯分布的虚拟测量;最后,对这些测量点进行数据关联处理与更新,完成对AUV目标节点的精确定位。仿真结果表明,所提出的定位方法与其他工作相比,在有恶意噪声攻击的情况下仍能保持较好的定位精度。

基于证据理论的联合概率数据关联算法

数据关联是目标跟踪技术中的核心部分,多目标情况下的数据关联技术更是研究的重点,由于多目标量测之间的互相干扰、外部环境干扰以及传感器性能等客观因素的约束,使得量测信息部分存在着相应的量测误差,密集环境中的多目标跟踪比较困难。针对这个问题,提出的新算法利用联合概率数据关联方法进行密集杂波环境下的数据关联,结合证据理论的思想对多传感器量测信息进行优化组合,有效地减小了量测误差对跟踪目标的影响。通过仿真结果可以看出,改进算法大大提高了跟踪精度,并具有良好的抗干扰能力,适用于解决工程实际问题。

一种改进的联合概率数据关联算法

联合概率数据关联算法(JPDA)是密集杂波环境下一种有效的多目标跟踪算法,但该算法的复杂度会随着目标和观测值的增加而显著增长。为了减少JPDA算法所需要的存贮空间和计算时间,提出了一种改进的联合概率数据关联算法(I-JPDA)。首先通过合理选取跟踪门门限的阈值,去除小概率事件,然后再根据跟踪门内目标的关联概率对关联事件的概率密度值进行衰减,计算出跟踪门内各目标的关联概率。经过理论分析和仿真试验,证明了该方法在保证跟踪成功率的同时,还具有算法简单、计算量小和易于工程实现等优点。

基于幅值信息的联合概率数据关联粒子滤波算法

针对非线性非高斯环境下多目标被动跟踪的低可观测问题,将粒子滤波、联合概率数据关联和量测的幅值信息相结合,提出了一种基于幅值信息的联合概率数据关联粒子滤波算法。将联合概率数据关联算法中的关联似然与幅值似然比相结合,利用粒子滤波算法进行跟踪滤波,用幅值量测来改善低可观测条件下的目标跟踪性能。仿真结果表明,该算法提高了数据关联的可靠性和目标跟踪的精度。

改进的联合概率数据关联算法(JPDA)对红外目标与诱饵的辨别

红外诱饵干扰作为常见的影响红外跟踪能力的干扰手段发展的越来越先进,如何有效的排除红外诱饵的干扰一直是红外目标跟踪的难题。文中在研究了红外目标与诱饵干扰的特征差异的基础上,首次提出了将多目标跟踪策略应用于红外抗干扰跟踪中,建立了一种可以融合多个特征的改进型联合概率数据关联(JPDA)的数据关联算法。最后,利用该算法对抗干扰过程进行了仿真,仿真结果表明:与现有的抗干扰手段相比,该数据关联方法对解决红外干扰形成的假目标、目标遮挡等红外目标识别的难题,不仅实时性好,而且准确率高。

改进联合概率数据关联的视频多目标快速跟踪

针对监控范围较大、目标外观特征少的视频多目标数据关联及跟踪问题,本文仅利用目标运动特征,提出了一种基于联合概率数据关联(joint probabilistic data association,JPDA)的复杂情况下视频多目标快速跟踪方法.首先采用murty算法求JPDA的最优K个联合事件,大大降低了计算复杂度;然后根据JPDA的关联概率讨论目标的运动情况,分析在多目标新出现、遮挡、消失、分离(前景检测存在目标碎片)等复杂情况下当前帧量测与跟踪目标的数据关联问题,获取复杂运动的多目标跟踪轨迹.在多个监控视频上的实验结果表明,该方法能大大提高跟踪性能,实现复杂情况下的视频多目标快速跟踪.

联合概率数据关联中双门限跟踪算法研究

基于拟方向的基本思想 ,提出了一种方向跟踪门 ,并给出了此方向跟踪门的具体构造方法。将椭圆跟踪门和方向跟踪门相结合 ,获得了基于双门限的跟踪算法 ,以此来减少可行联合事件的个数 ,达到降低联合概率数据关联计算量的目的。对此跟踪方法进行了仿真研究 ,给出了仿真结果 ,并对如何减少可行联合事件的个数进行了实例验算。

一种改进的多传感器多目标跟踪联合概率数据关联算法研究

联合概率数据关联(JPDA)算法对单传感器多目标跟踪是一种良好的算法,但对于多传感器多目标跟踪的情况,特别是目标较为密集时,计算量剧增,会出现计算组合爆炸现象。因此,提出了一种改进算法,即对多传感器多目标量测进行同源划分,将多传感器对多目标的跟踪问题简化为单传感器对多目标的跟踪问题,然后将JPDA当作一种组合优化问题,采用连续型Hopfield神经网络求解关联概率。经仿真研究表明,该方法不仅克服了JPDA算法在多传感器多目标跟踪问题中的缺陷,还提高了跟踪精度。

一种改进的联合概率数据关联算法的研究

针对联合概率数据关联算法需要知道目标总数并要对矩阵差分,且计算量呈指数增长的问题,提出了一种模糊多门限概率关联算法,该算法利用测量与目标的关联概率来替代概率数据关联算法中可行联合事件概率的计算,改善性能的同时又减少了计算量。仿真结果表明该算法能有效的解决密集目标跟踪环境下的数据融合精度和收敛性问题,且计算量小。

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。

一种改进的联合概率数据关联算法

针对联合概率数据关联算法在跟踪多机动目标时跟踪精度不高、计算量较大等问题,提出了一种新的联合概率数据关联算法。引入"当前"统计模型,并针对"当前"统计模型中机动频率和加速度方差不能自适应调整的问题进行了改进,实现了机动频率和加速度方差自适应。针对联合概率数据关联算法在跟踪多机动目标时,随着目标数的增多,算法计算量急剧增大的问题,提出了改进算法。改进算法避开了联合概率数据关联算法中由确认矩阵计算关联矩阵的过程,直接从确认矩阵计算关联概率。仿真实验结果表明:所提算法有效提高了多目标的跟踪精度,降低了算法计算量。

基于多传感器的多目标联合概率数据关联被动跟踪算法

文章根据多传感器被动跟踪的特征，对传统的联合概率数据关联算法进行了修改，给出了求解联合事件概率的方法。利用同类数据的特点，采用了位置量测合并的方法，避免了计算量的增加。还开发了适用的生成可行矩阵的Ｍａｔｌａｂ程序。最后，进行了Ｍｏｍｔｅ Ｃａｒｌｏ。仿真实验，验证了文中算法能够很好地对多个目标进行精确跟踪。

适于复杂信息融合系统的近似联合概率数据关联算法

文中在B.Zhou提出的直接概率计算(DC)和近似概率计算(AC)算法基础上提出了一种新的近似多传感器多目标联合概率数据关联算法。近似概率法是以一个目标为中心的近似聚为构造互联事件的起点,并在计算中将 DC和 AC结合得到的一种全邻的点迹-航迹关联算法。它能有效地提高目标点迹-航迹的关联正确率,在计算时耗上较完全联合概率法快得多,能满足工程中实时性的要求,将其在杂波下目标密集、航迹复杂的数据融合系统中进行实验,对关联正确率,关联耗时等与最近邻法进行了比较,效果较好。

基于联合概率数据关联算法的红外弱小目标跟踪

针对在云天背景下运动的红外弱小目标,从数据关联的角度,利用联合概率数据关联算法实现多个红外弱小目标的跟踪。实验结果表明,在杂波环境下,联合概率数据关联算法可以稳健地跟踪多个红外弱小目标的目标状态,跟踪效果好。

一种基于目标检测和联合概率数据关联的多目标跟踪方法

针对多目标跟踪问题,提出了一种基于目标检测和联合概率数据关联的方法。将目标检测的结果作为系统的观测值,采用联合概率数据关联方法对它们在时间上做数据关联,最后采用卡尔曼滤波对关联好的观测值和状态值做滤波、跟踪。

基于粒子群及混沌算法的联合概率数据关联研究

联合概率数据关联算法(JPDA)是一种能够在杂波环境下对多目标进行数据关联的算法。随着回波与杂波数目的增加其计算量呈指数上升。虽然有一些类JPDA的方法可以减少其计算量,但在杂波环境下其准确性仍难以保证。本文将JPDA中关联矩阵的求解等效为多维分配问题,通过粒子群及混沌算法等智能算法的应用来提高算法的准确性。

基于联合概率数据关联和粒子滤波的多目标跟踪算法

数据关联一直是多目标跟踪中的核心问题,是实现多目标有效跟踪的关键。介绍了多目标跟踪的基本原理以及联合概率数据关联的基本原理,并且将粒子滤波引入到联合概率数据关联模型中,提出了联合概率数据关联-粒子滤波算法来实现多目标跟踪。仿真结果表明,此算法可以很好的实现固定数目多目标跟踪。

基于网格连通的联合概率数据关联算法

联合概率数据关联算法具有良好的多目标跟踪性能,但其计算量会随着跟踪目标数和有效量测数的增多而呈指数增长,因此实时性差,难以在工程中应用。在保证准确率和精度的前提下减小确认矩阵的维数,提出了一种关联区域预处理的方法。对目标空间进行网格划分,通过网格的选取形成连通域,再对每个连通域中的目标采用联合概率数据关联算法,从而大量减少关联时间。仿真实验表明,基于网格连通的联合概率数据关联算法具有较强的实时性。

一种改进的联合概率数据关联算法

对于多目标跟踪问题,数据关联是其核心部分,联合概率数据关联算法(JPDA)是多目标跟踪的典型方法。当目标较为密集,计算量剧增,会出现计算组合爆炸现象,而其本质就在于确认矩阵拆分成可行矩阵的计算量。为了降低JPDA的计算量,本文提出了一种改进的JPDA算法,在拆分确认矩阵时引入分支定界算法的思想,以确定每个目标的最后一个回波。当搜索到最后一个回波时停止搜索,执行下一个目标回波的搜索,直至结束。利用该改进算法对杂波环境下多目标跟踪进行仿真实验,结果表明,该算法使其时间代价减少。

基于联合概率数据融合的多目标车辆安全跟随

为了实现密集杂波环境下多目标车辆安全跟随,提出多源传感器数据融合的多目标车辆跟踪算法与纵向避撞预警策略.针对多源传感器观测序列因采样周期、采样起始时刻、通信时延差异等引起的时间异步,以及空间上存在不同维度、不同坐标系的问题,给出时间配准与空间融合的软同步方法.采用基于改进的联合概率数据关联(JPDA)的单一传感器多目标状态估计算法对目标轨迹进行滤波估计,能够在保证有效关联的同时,在一定程度上降低计算复杂度.基于多源传感器联合概率数据融合(MSJPDA)序贯滤波算法对目标的运动状态进行序贯更新,将最后一级的输出作为融合中心的最终状态估计,再根据威胁估计模型对追尾危险的发展态势进行评估与分级.实车试验与仿真结果验证了该算法的可行性与有效性.