计算高效的分布式多传感器PHD融合方法

基于广义协方差交集(GCI)融合理论,提出一种计算高效的分布式多传感器多目标跟踪算法,其中概率假设密度(PHD)滤波器在每个传感器节点运行,进行滤波处理。GCI用于融合多个PHD时,融合密度包括大量融合假设,这些假设随着高斯分量的数量增加呈指数增长。因此,GCI融合在实际运行中往往难以计算。为了提高多传感器融合的运算效率,文中通过距离度量将高斯分量聚类,然后进行孤立。距离度量可计算出目标融合后的密度权重,丢弃权重可忽略不计的融合假设,就能够构建简化的近似密度函数。分析表明,所提出的融合算法相较于传统的GCI融合算法,计算效率能够呈倍数提升。在先后出现12个目标的仿真场景中,通过实验验证了所提融合算法的有效性。

新生参数未知的ET-GM-PHD编队目标跟踪方法

为了解决多个编队在新生目标参数不明确背景下的目标跟踪问题,提出了一种新生目标相关参数未知的编队目标跟踪算法,它可以有效地提高跟踪性能,从而更好地满足需求。通过采用高斯混合概率假设密度(ET-GM-PHD)滤波框架,对PHD参数进行预测,进而分析各个高斯分量之间的相关性,从而筛选出最优的量测集合,最终消除大多数的噪声干扰。再利用在编队目标运动区域内量测分布密集的特性,通过目标检测方法找到其位置并跟踪。最后,仿真实验表明,在新生目标相关参数未知的情况下,提出的方法能够快速有效地跟踪编队目标,具有较好的跟踪性能。

PHD滤波器在多目标检测前跟踪中的应用

检测前跟踪(TBD)用于对低信噪比目标的雷达检测与跟踪.同时,传统的概率假设密度(PHD)滤波器是解决多目标跟踪问题的有效方法,但它不适用于多目标TBD问题.本文通过分析多目标跟踪问题中PHD滤波器的适用模型和假设,提出了针对TBD的"标准"多目标观测模型,并对噪声进行了"泊松化",设计出一种能解决多目标TBD问题的PHD滤波器,从而使得PHD滤波器可以应用在多目标TBD问题之中,并充分发挥其处理多目标问题的优势.数值仿真结果表明,本文算法在估计的准确度和精度上都要优于经典的多目标粒子滤波器.

一种非线性GM-PHD滤波新方法

为了解决目标数未知情况下的多目标跟踪问题,提出了一种非线性条件下的高斯混合概率假设密度滤波新方法.该方法利用三阶球面容积-径向采样规则计算目标状态的概率分布特性,解决了状态方程和观测方程的非线性计算问题,利用模糊门限对滤波器的剪枝方法进行了优化,避免了高斯项数目的指数增长,利用观测数据生成新目标密度,使滤波器具备了对观测空间任意位置随机出现新目标的跟踪能力.通过仿真实验比较了四种非线性高斯混合概率假设密度滤波方法的性能,实验结果验证了提出算法的有效性.

水稻与拟南芥PHDfinger蛋白的系统分析

PHD finger (planthomeodomainfinger)是具Cys4 His Cys3 特征结构的锌指蛋白结构域 ,它广泛存在于植物或动物转录调节蛋白中。此类蛋白在植物或动物蛋白质组中具有多个功能各异的家族成员 ,并在发育中扮演重要的角色。鉴定了水稻 4 4个推定的非冗余PHD finger蛋白 ,并与拟南芥蛋白质组中 4 5个该家族成员进行了比较 ;所构建的 2棵进化树涵盖了这 89个蛋白质 ,暗示水稻、拟南芥与人的PHD

植物同源结构域(PHD结构域)——组蛋白密码的解读器

植物同源结构域(plant homeodomain,PHD结构域),是真核生物中一种进化保守的锌指结构域.多种调控基因转录、细胞周期、凋亡的蛋白质含有PHD结构域.研究表明,PHD结构域涉及多种功能,包括蛋白质相互作用,特别是同核小体组蛋白的作用.目前认为,各种组蛋白修饰(包括甲基化、乙酰化、磷酸化、泛素化等)的模式和组合,调节染色质状态和基因转录活性,并提出了组蛋白密码理论.PHD指结构域能特异性识别组蛋白的甲基化(修饰)密码,可能是组蛋白密码的一种重要解读器.

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.

改进的多模型粒子PHD和CPHD滤波算法

多模型粒子概率假设密度(Probability hypothesis density,PHD)滤波是一种有效的多机动目标跟踪算法,然而当模型概率过小时,该算法存在粒子退化问题,而且它对目标数的泊松分布假设会夸大目标漏检对其势估计的影响.针对上述问题,本文提出一种改进算法.该算法并不是简单地对模型索引进行采样,而是用粒子拟合目标状态的模型条件PHD强度,在不对噪声做任何先验假设的前提下,通过重采样实现存活粒子的输入交互,提高了滤波性能.在此基础上,进一步将算法在Cardinalized PHD(CPHD)的框架下加以实现,提高其目标数估计精度.仿真实验表明,所提算法在滤波性能和目标数估计精度方面均优于传统的多模型粒子PHD算法,具有良好的工程应用前景.

面向快速多目标跟踪的协同PHD滤波器

考虑到存活目标与新生目标在动态演化特性上的差异性,提出了面向快速多目标跟踪的协同概率假设密度(collaborative probability hypothesis density,CoPHD)滤波框架。该框架利用存活目标的状态信息,将量测动态划分为存活目标量测集与新生目标量测集,在两个量测集分别运用PHD组处理更新基础上建立了处理模块的交互与协同机制,力图在保证跟踪精度的同时提高计算效率。该框架由于采用PHD组处理方式而具有状态自动提取功能。进一步给出了该框架的序贯蒙特卡罗算法实现。仿真结果表明,该算法在计算效率以及状态提取精度上具有明显优势。

PHD粒子滤波中目标状态提取方法研究

采用概率假设密度(PHD)粒子滤波进行多目标跟踪时,各时刻的目标状态表现为大量的加权粒子,需以一定方法从该粒子近似中提取出来。该文提出一种增强的目标状态提取方法,先以k-means算法对粒子进行空间分布的聚类,再于各类中寻找粒子权的峰值位置作为目标状态的估计。仿真结果表明:由于综合利用了粒子的权值和空间分布信息,该算法具有比现有算法更小的目标状态估计误差。

基于ET-PHD滤波器和变分贝叶斯近似的扩展目标跟踪算法

针对未知测量噪声协方差情况下的多扩展目标跟踪问题,利用扩展目标概率假设密度(ET-PHD)滤波器和变分贝叶斯(VB)近似理论,提出了一种标准ET-PHD滤波器的扩展方法及其解析的实现方法。首先,根据标准ETPHD滤波器的目标状态方程和测量方程,定义了目标状态和测量噪声协方差的增广状态变量及二者的联合转移函数;然后,根据标准ET-PHD滤波器,构建了扩展的ET-PHD滤波器的预测和更新公式;最后,在线性高斯假设的条件下,利用高斯和逆伽马(IG)混合分布表示目标的联合后验强度函数,从而给出了扩展ET-PHD滤波器的解析实现。仿真结果表明:所提算法能提供可靠的跟踪结果,可有效地处理未知测量噪声协方差环境中的多扩展目标跟踪问题。

基于PHD滤波和数据关联的多目标跟踪

针对杂波环境下的多目标跟踪,概率假设密度(probability hypothesis density,PHD)滤波不能提供目标航迹信息的问题,提出一种基于PHD滤波和数据关联的多目标跟踪方法。利用PHD滤波消除杂波并得到各个时刻的目标个数和目标状态估计。将PHD滤波的结果重新定义为量测数据,通过数据关联进一步消除虚警和漏警并给出目标航迹。仿真结果表明,该算法可以在有效地提高杂波环境下多目标跟踪精度的同时提供各目标航迹信息。

结合聚类的GM-PHD滤波器辐射源群目标跟踪

群目标跟踪是一种情况更为复杂的多目标跟踪问题,由于军事辐射源目标经常出现雷达关机的情况,因此常用的多目标跟踪方法对于这类辐射源群目标的跟踪效果并不理想。为此,结合聚类技术提出了一种改进的高斯混合概率假设密度(Gaussian mixture-probability hypothesis density,GM-PHD)滤波器跟踪方法。该方法在GM-PHD滤波器的更新过程中,通过引入群中心产生的虚拟量测信息以提高目标跟踪性能,但不进行量测集划分。获得单一个体目标的估计状态后利用Jensen-Shannon divergence计算其相似度,然后再对估计目标进行聚类以实现群目标的跟踪。最后通过对相邻时刻的群中心轨迹点进行关联匹配,从而获得群目标的完整运动轨迹。仿真实验结果表明,所提方法能够对辐射源群目标进行有效跟踪,并具有较好的目标跟踪性能。

基于高斯混合PHD滤波的多机动扩展目标跟踪

针对多机动椭圆目标的跟踪问题进行研究,建立一种非线性跳变马尔科夫系统模型,继而提出一种新的扩展目标高斯混合概率假设(ET-GM-PHD)滤波算法。新算法引用无损变换(UT)法,解决模型的非线性性,采用一种基于距离的启发式分区策略对观测集合进行了分区,该分区策略简便易操作而且能很大程度地降低算法的计算量。仿真实例表明:新算法比未进行分区的标准GM-PHD滤波算法更加强健有效。

一种新的SMC-PHD滤波的多目标状态估计方法

针对现有的应用于多目标跟踪概率假设密度粒子滤波器的目标状态估计方法不能很好地解决目标密度较高情况下的多目标状态估计问题,提出了一种新的基于粒子标签的多目标状态估计方法。该方法利用附加在每个粒子上的身份标签将粒子分为不同的粒子群,粒子群的个数与概率假设密度粒子滤波器的目标估计个数相同。随后根据粒子与最近量测的似然函数估计目标的运动状态,使得粒子概率假设密度滤波器在目标密集的情况下仍能准确地估计出目标状态。仿真试验表明,论文所提方法在目标密度较大情况下能够较好地估计出多目标状态,并提高了目标关联的准确性。

强杂波环境下的LGM-PHDF算法

为解决LGM-PHDF算法在强杂波环境下,错误率和时间复杂度增加的问题,提出一种改进算法。在预测步骤结束后,使用量测信息和预测信息得到残差向量,通过椭球门限技术得到与目标真实状态接近的有效量测;在更新步骤中,只使用有效量测对高斯项进行更新,使用标签管理机制更新目标航迹。仿真结果表明,在强杂波环境中,改进算法降低了计算复杂度,具有更好的跟踪精度。

基于PHD的多扩展目标联合检测、跟踪与分类算法

针对杂波和噪声背景下空间距离较近的扩展目标数目和状态难以估计的问题,提出了基于扩展目标概率假设密度滤波器(ET-PHD)的多目标联合检测、跟踪与分类算法,并给出了该算法基于粒子滤波的实现方法.算法在滤波器中引入了属性量测信息,预测阶段的粒子按照其类别进行传播,更新阶段对所有粒子进行联合更新,更新结束后将粒子按照类别进行分类,各类别的粒子集表示了其相应类别目标的PHD分布.该算法具有模块化结构,计算复杂度为O(mn).数值仿真场景包含两类扩展目标并行运动和两类扩展目标交叉运动.结果表明,该算法可以同时估计扩展目标的类别、数目和状态,并且平均最优次模式分配距离相比传统算法的降低幅度超过50%.

基于边缘卡尔曼滤波的GM-PHD多目标被动跟踪算法

针对杂波干扰条件下,非线性、个数时变的多目标被动跟踪问题,提出一种基于边缘卡尔曼滤波的高斯混合概率假设密度(PHD)滤波算法。采用边缘化变换计算目标状态的概率分布特性,获得目标状态及其协方差矩阵估计的闭式解,解决目标模型非线性问题。利用量测信息生成新生目标强度,使滤波器具备对观测空间任意位置随机出现新目标的跟踪能力。实验结果表明,与扩展卡尔曼PHD算法、无迹卡尔曼PHD算法和容积卡尔曼PHD算法相比,该算法在生成目标轨迹、目标个数估计和跟踪精度等方面有更好的性能。

针对交叉目标场景的带标签GM-PHD改进算法

在多目标跟踪系统中,当目标航迹较为接近或交叉时,使用带标签高斯混合概率假设密度(GM-PHD)算法会出现目标漏检的现象。为此,提出一种改进算法来解决存在交叉目标情况下的多目标跟踪问题。在更新结束后对估计得到的高斯项标签进行管理,若估计目标数目减少,则需要判断目标航迹是否较为接近或者交叉。若目标接近或交叉,则对高斯项进行标签管理和权值重置,并重新估计目标状态和航迹,否则将目标减少视为正常的目标消亡现象,直接进行航迹管理。实验结果表明,与无标签算法及常规带标签算法相比,该算法可以更好地解决由目标交叉导致的漏检问题,并具有更高的稳定性。

多元假设检验GMPHD轨迹跟踪

由于在军事和民事领域逐步广泛的应用,数目不定的多目标跟踪技术正受到越来越多的关注。概率假设密度(PHD)滤波方法,特别是具有闭式递归的高斯混合概率假设密度(GMPHD)技术,在噪声和漏警等影响下仍能形成优越的群目标跟踪性能。然而PHD滤波器并不能实现多目标航迹跟踪,而其与传统数据互联的结合,复杂度高且跟踪效果不尽如人意。在该文中,各目标的航迹信息以假设形式表述,数据互联则是通过使用经典的多元假设检测方法判决假设矩阵实现。其与GMPHD的结合不仅实现了数据互联和轨迹管理,还因为积累时间信息大大降低了杂波干扰的影响。实验结果证明,该算法可以对多个目标所形成的轨迹实施正确跟踪,同时,计算量的大幅度降低带来了跟踪系统可实现性的提高。