针对图像序列中多目标检测和跟踪算法结构复杂、计算量大、性能降低等问题,提出一种基于代价参考粒子滤波器组的多目标检测前跟踪(Cost-reference particle filter bank based multi-target track-before-detect, CRPFB-MTBD)算法,将多...针对图像序列中多目标检测和跟踪算法结构复杂、计算量大、性能降低等问题,提出一种基于代价参考粒子滤波器组的多目标检测前跟踪(Cost-reference particle filter bank based multi-target track-before-detect, CRPFB-MTBD)算法,将多目标跟踪问题转换为序贯地检测和跟踪多个单目标的问题.首先,采用代价参考粒子滤波器组序贯地估计所有可能单目标状态序列;其次,基于所有可能单目标状态序列的欧氏距离和累积代价确定目标数量;最后,根据累积代价判断每个目标出现和消失的具体时刻.仿真实验验证了CRPFB-MTBD的优良性能,与基于传统粒子滤波的多目标检测前跟踪算法(Particle filter based multi-target track-before-detect, PF-MTBD)、基于概率假设密度的检测前跟踪算法(Probability hypothesis density based track-before-detect, PHD-TBD)和基于伯努利滤波的检测前跟踪算法(Bernoulli based track-before-detect, Bernoulli-TBD)相比, CRPFB-MTBD的目标状态序列和数量估计结果最佳,且平均单次运行时间极短.展开更多
针对锂电池的荷电状态(state of charge,SOC)估计过程中测量值存在粗大误差的问题,以Thevenin等效电路模型为基础,提出了一种粗大误差补偿粒子滤波(particle filter,PF)算法。该算法可以实时地检测锂电池测量数据中可能存在的粗大误差,...针对锂电池的荷电状态(state of charge,SOC)估计过程中测量值存在粗大误差的问题,以Thevenin等效电路模型为基础,提出了一种粗大误差补偿粒子滤波(particle filter,PF)算法。该算法可以实时地检测锂电池测量数据中可能存在的粗大误差,并对其进行分类与估计,通过补偿机制对异常测量值进行修正,提高算法的抗干扰能力。将该算法应用于锂电池SOC估计过程进行仿真验证,仿真结果表明,该算法具有较强的鲁棒性,在进行锂电池SOC估计时可以有效地抑制粗大误差的影响。展开更多
文摘针对图像序列中多目标检测和跟踪算法结构复杂、计算量大、性能降低等问题,提出一种基于代价参考粒子滤波器组的多目标检测前跟踪(Cost-reference particle filter bank based multi-target track-before-detect, CRPFB-MTBD)算法,将多目标跟踪问题转换为序贯地检测和跟踪多个单目标的问题.首先,采用代价参考粒子滤波器组序贯地估计所有可能单目标状态序列;其次,基于所有可能单目标状态序列的欧氏距离和累积代价确定目标数量;最后,根据累积代价判断每个目标出现和消失的具体时刻.仿真实验验证了CRPFB-MTBD的优良性能,与基于传统粒子滤波的多目标检测前跟踪算法(Particle filter based multi-target track-before-detect, PF-MTBD)、基于概率假设密度的检测前跟踪算法(Probability hypothesis density based track-before-detect, PHD-TBD)和基于伯努利滤波的检测前跟踪算法(Bernoulli based track-before-detect, Bernoulli-TBD)相比, CRPFB-MTBD的目标状态序列和数量估计结果最佳,且平均单次运行时间极短.
文摘针对锂电池的荷电状态(state of charge,SOC)估计过程中测量值存在粗大误差的问题,以Thevenin等效电路模型为基础,提出了一种粗大误差补偿粒子滤波(particle filter,PF)算法。该算法可以实时地检测锂电池测量数据中可能存在的粗大误差,并对其进行分类与估计,通过补偿机制对异常测量值进行修正,提高算法的抗干扰能力。将该算法应用于锂电池SOC估计过程进行仿真验证,仿真结果表明,该算法具有较强的鲁棒性,在进行锂电池SOC估计时可以有效地抑制粗大误差的影响。