导读:本文包含了概率假设密度滤波论文开题报告文献综述及选题提纲参考文献，主要关键词:多目标被动跟踪,概率假设密度,粒子滤波,二维搜索
概率假设密度滤波论文文献综述
王芳,李钢虎,李亚安,张雪,王春玮[1]（2019）在《基于概率假设密度滤波的水下多目标被动跟踪》一文中研究指出针对水下多目标跟踪过程中存在多种干扰因素,如噪声污染、杂波环境、量测数据处理等,本文将概率假设密度滤波应用到水下目标跟踪领域。首先,在单目标匀速运动场景下,提出一种二维搜索法,探究目标估计的均方根误差随2个被动声呐距离和目标初始链距取值变化的规律,为后续目标跟踪中参数选取提供参考。接着,对于多目标编队航行和航迹交叉的运动场景,分别探究目标间距和量测噪声对目标跟踪性能的影响。仿真结果表明,二维搜索法能够有效指导算法参数选取,并且所提算法具有目标数和目标状态估计精度良好的优点。(本文来源于《舰船科学技术》期刊2019年13期）
吴孙勇,宁巧娇,蔡如华,孙希延,潘福标[2]（2019）在《基于箱粒子概率假设密度滤波的弱目标检测与跟踪算法》一文中研究指出针对低信噪比条件下多弱小目标检测前跟踪算法跟踪效率低、计算复杂度高等问题,提出一种基于箱粒子概率假设密度滤波的弱目标检测与跟踪算法.首先,针对由目标的贡献强度和噪声获得的目标强度量测图像,利用均值滤波抑制强度量测图像中的噪声;其次,以不交叉原则挑选出强度值较大区域作为区间量测;最后,利用箱粒子概率假设密度(BOX-PHD)滤波对上述所得的区间量测进行目标跟踪.仿真结果表明,所提出的方法可以提高跟踪性能,且计算效率高.(本文来源于《控制与决策》期刊2019年07期）
杨丹[3]（2019）在《未知场景参数下的概率假设密度滤波多传感器目标跟踪算法研究》一文中研究指出目前,目标跟踪技术广泛应用于导航、制导、交通、监测等领域。随着跟踪环境的日趋复杂,以及传感器技术的进步,多传感器目标跟踪系统已成为目标跟踪领域的研究热点。相较于单传感器目标跟踪系统,多传感器目标跟踪系统具有以下优点:时空覆盖范围更大,跟踪精度和可信度更高,系统的鲁棒性和抗打击性更强等。然而,多传感器目标跟踪系统在实际应用中仍存在许多亟需解决的难题,例如,过高的传输代价与计算负担,非可靠传感器影响的抑制,传感器网络类型的选择等。二十一世纪以来,基于随机有限集(Random Finite Set,RFS)的目标跟踪算法由于弱化了目标和量测间的数据关联,避免了传统多目标跟踪中的组合爆炸问题,因而受到学术界的广泛关注。然而该类算法要求已知场景的先验信息,不准确或不充分的先验信息会导致滤波精度下降和目标数估计不准确等问题。本文基于RFS理论,针对未知场景参数下的多传感器目标跟踪方法开展研究,主要取得了以下成果:1.研究了迭代式多传感器目标跟踪中杂波环境未知的问题。贝叶斯框架下的算法通常假设场景中的杂波强度是先验已知的,如果预设的杂波信息不准确,或场景中的杂波是动态变化的,则滤波效果就会受到严重影响。在迭代势概率假设密度滤波(Iterated Corrector Cardinalized Probability Hypothesis Density,IC-CPHD)算法中,目标跟踪精度伴随迭代会逐步下降,甚至导致滤波发散,目标丢失。针对上述问题,本文提出一种基于狄利克雷过程混合模型(Dirichlet Process Mixture Model,DPMM)杂波估计IC-CPHD算法。该算法先将全部传感器获得的量测作为样本集,再利用DPMM非参数聚类方法,可灵活地得到杂波模型,并且估计杂波的空间分布,最后利用ICCPHD的滤波结果校正参数估计的样本集。仿真结果表明,该算法可以有效地估计场景中的杂波分布,同时也能够很好地抑制样本集中目标量测对杂波估计的影响。2.研究了迭代概率假设密度滤波(IC Probability Hypothesis Density,IC-PHD)中新生目标RFS未知的问题。基于量测驱动的未知新生目标建模方法利用历史量测信息对新生目标进行建模,但由于量测信息中含有大量杂波,不仅影响滤波精度,也会导致计算量过大,并在新生目标出现时存在一定时延。此外,对多传感器系统来说,这种利用全部量测建模的方法还会导致在存活目标周围出现错误的新生目标,影响航迹融合的效果。针对上述问题,本文提出一种PHD迭代的量测集划分算法。该算法首先利用单传感器的量测集建模一个标签混合RFS的PHD。再通过迭代滤波的方法对量测集进行划分,获得由新生目标产生的量测集和去除杂波的量测集。利用新生目标量测对新生目标PHD建模,再用去除杂波的量测集进行PHD更新。仿真结果表明,该算法能够准确地对新生RFS进行建模,在新生目标信息先验未知的场景中具有良好的跟踪精度和较低的计算复杂度。3.研究了IC-PHD滤波中量测噪声未知的问题。场景中的量测噪声通常假设为零均值的高斯白噪声,然而传感器系统可能存在平移误差,并且量测噪声协方差也可能是未知的,因此,对于同一个目标,不同传感器获得的量测可能差异较大。在这种情况下,如果量测噪声的参数设置不准确,则会导致在迭代滤波时出现目标权值降低,进而出现目标丢失的问题。针对上述问题,本文基于变分贝叶斯(Variational Bayesian,VB)推理,提出了一种能够同时估计量测噪声均值和协方差的标签IC-PHD滤波算法。该算法利用变分法对似然函数中的量测噪声协方差和多目标状态解耦合,同时利用传感器之间的误差差异,近似求解传感器的量测噪声均值。仿真结果表明,该方法能够正确估计均值非零的量测噪声的参数,获得准确的融合航迹。4.研究了分布式多传感器系统中传感器可靠性未知的问题。迭代滤波尽管具有易扩展和计算复杂度低的优势,但对传输带宽要求高,且滤波效果与迭代顺序相关。同时,当传感器系统中存在性能较差的传感器时,迭代滤波的估计精度和可靠性就会大幅下降。针对上述问题,本文提出一种基于D-S(Dempster-Shafer)证据理论的分布式多传感器融合算法。该算法首先利用标签VB-PHD对局部传感器进行滤波,同步估计航迹信息和量测噪声协方差,然后用D-S推理来确定局部传感器的航迹与融合航迹之间的对应关系。最后,依据估计的量测噪声协方差计算航迹质量参数,作为目标状态融合的权值。仿真结果表明该算法在低检测概率、高量测噪声、目标交叉等复杂的场景中都能获得良好的融合结果。以上四部分内容相辅相成,对于解决复杂环境中的多传感器系统架构与算法选择,提供了理论依据和技术支撑。(本文来源于《西安电子科技大学》期刊2019-03-01）
刘江义,王春平[4]（2019）在《基于双马尔科夫链的势概率假设密度滤波》一文中研究指出针对已有的基于双马尔科夫链(PMC)模型的势概率假设密度(PMC-CPHD)滤波算法无法实现的问题,将PMC-CPHD算法改进为多项式形式以便于算法的实现,并给出了改进算法的高斯混合(GM)实现。实验结果表明给出的GM实现能够有效实现多目标跟踪,并且比基于PMC模型的概率假设密度(PMC-PHD)算法的GM实现提高了目标个数估计的稳定性。(本文来源于《电子与信息学报》期刊2019年02期）
彭聪,王杰贵,张坤[5]（2018）在《基于概率假设密度滤波的多扩展目标跟踪技术》一文中研究指出随着传感器分辨率的提高,扩展目标跟踪已成为了一个研究热点,概率假设密度(Probability Hypothesis Density,PHD)滤波是一种基于随机有限集理论的多目标跟踪滤波,突破了传统的基于数据关联的多目标跟踪算法带来的组合爆炸问题,在多目标跟踪领域广受关注。主要介绍了扩展目标跟踪的研究现状,研究了将PHD滤波应用于多扩展目标跟踪的关键技术,并探讨分析了基于PHD滤波的多扩展目标跟踪中存在的问题和研究方向。(本文来源于《电子信息对抗技术》期刊2018年06期）
裴家正,黄勇,董云龙,何友,陈小龙[6]（2019）在《杂波背景下基于概率假设密度的辅助粒子滤波检测前跟踪改进算法》一文中研究指出在杂波背景条件下,现有的基于概率假设密度(PHD)滤波的粒子滤波检测前跟踪(TBD)算法,存在对密集多目标数目估计不准,使用粒子数目较多会造成维数灾难的问题。因此,该文引入两层粒子的概念,将基于平行分割(PP)理论的辅助粒子滤波(APF)应用于基于概率假设密度的检测前跟踪(PHD-TBD)算法中,提出基于概率假设密度滤波的平行分割辅助粒子滤波检测前跟踪(APP-PF-PHD-TBD)算法以提高目标数目及状态估计精度。仿真实验证明,相对于现有基于PHD的粒子滤波检测前跟踪算法,该算法在目标数目和状态估计精度上具有显着的性能优势,在密集目标场景下,优势尤为突出。最后,利用导航雷达实测所得海杂波背景数据证明,该算法在应用中性能更加优异。(本文来源于《雷达学报》期刊2019年03期）
杨丹[7]（2018）在《基于混合闭偏正态概率假设密度滤波的多目标跟踪》一文中研究指出目标跟踪是根据传感器所得到的观测数据进而对目标的位置信息以及目标的参数信息进行估计和预测的过程,在军事、航空航天、雷达导航、安防监控以及智能交通等方面有着重要的应用价值和发展前景。本文研究了基于概率假设密度滤波的多目标跟踪问题,主要工作如下:(1)针对GM-PHD滤波假设目标以及量测噪声均服从高斯分布,不能完全反应真实场景的问题,提出在PHD滤波器中引入闭偏正态(Closed Skew Normal,CSN)分布,对高斯分布进行扩展,推导出混合闭偏正态概率假设密度(The Closed Skew Normal Mixture Probability Hypothesis Density,CSNM-PHD)滤波,并进行仿真实验。结果表明,CSNM-PHD滤波综合性能优于GM-PHD滤波,可更好地跟踪目标状态和估计目标数目,且跟踪效果较好。(2)为给目标跟踪提供准确可靠的量测数据,本文针对运动目标检测中的ViBe算法易产生“鬼影”现象而造成多检,以及其对噪声、光照和动态环境适应性差的问题,提出ViBeImp算法。在背景模型初始化时,用多帧平均法给出初始背景,采用该初始背景构建初始背景样本模型。在前景检测过程中,采用背景差分法、帧差法与OTSU算法相结合给出半径阈值的自适应计算方法。同时,根据背景差分法找出运动区域,只对运动区域进行前景判断和模型更新,降低了算法的计算复杂度,并与其它几种改进算法在25个不同场景视频进行测试对比,实验结果表明,ViBeImp算法无论是视觉效果还是客观评价指标都具有优越性。(3)针对视频跟踪目标数目变化、目标状态变化及视频背景环境变化造成跟踪困难的问题,提出一种基于CSNM-PHD滤波的视频目标跟踪算法。采用ViBeImp算法获得准确可靠的目标位置和大小信息作为量测,用初始帧检测结果初始化CSNM-PHD滤波,同时将量测输入CSNM-PHD滤波的更新步骤进行更新,使得跟踪算法在复杂场景下可更准确地跟踪目标。在不同的视频场景下进行测试,并与GM-PHD滤波进行对比,实验结果表明,ViBeImp算法与CSNM-PHD滤波相结合的视频跟踪算法可处理目标数目及状态变化等情况,并可稳定且可靠地跟踪目标,实现具有鲁棒性的视频多目标跟踪。(本文来源于《西安理工大学》期刊2018-06-30）
程轩[8]（2018）在《基于概率假设密度滤波的群目标跟踪算法研究》一文中研究指出目标跟踪是现实世界中的基本问题。随着现代探测技术的发展、武器装备的进步、目标及环境复杂性的增加,目标跟踪系统面临诸多新问题与新挑战,密集多目标场景下的跟踪问题包括群目标跟踪问题越来越多地得到人们的关注。群目标由一组空间距离较近且运动特性相似的目标构成。本文依据雷达分辨率的高低,将群目标跟踪分为不可分辨群目标跟踪和可分辨群目标跟踪两个方面,并结合随机有限集(RFS)框架下的滤波算法,对这两个方面进行研究,主要工作包括:(1)不可分辨群目标跟踪算法研究。针对群内目标不可分辨的情况,考虑直接对群整体进行跟踪。对基于椭圆随机超曲面模型(RHM)的高斯混合概率假设密度(GMPHD)群目标跟踪算法进行研究,并针对其在群目标交叉时刻量测划分不准确,划分数多、运算量大的问题,提出一种基于均值漂移(MS)和双层群结构(BGS)模型的GMPHD群目标跟踪算法。通过使用MS算法进行量测划分,大幅减少了量测划分数,降低了运算量;同时,针对群目标交叉时刻的漏估问题,提出一种BGS模型,通过构建第二层群结构模型,探索不同群间的关系,并将该信息反馈回量测划分步以指导下一时刻的量测划分。改进后的算法解决了群目标交叉时刻的漏估问题,减少了量测划分数,降低了算法的运算量。(2)可分辨群目标跟踪算法研究。在群内目标可以分辨的情况下,如果单纯采用不可分辨群目标跟踪算法对目标进行跟踪,将导致估计结果过于粗糙,丢失许多关于群结构的信息,而这些信息将可能对后续的判断与决策起到至关重要的作用。针对这种情况,我们采用演化网络模型对群结构进行建模,并与箱粒子PHD滤波器结合对群目标进行跟踪。算法可以动态地获得群内每个目标的状态和群结构特性,进而实现对群整体的稳定跟踪。在此基础上,为了提高算法的估计性能,引入了目标数的势分布,提出一种基于演化网络模型的箱粒子CPHD群目标跟踪算法,相比于传统的粒子CPHD群目标跟踪算法,所提算法大幅减少了采样所需的粒子数,降低了运算量;而与箱粒子PHD群目标跟踪算法相比,所提算法在强杂波环境和低检测概率环境下均具有更好的估计性能。(本文来源于《西安电子科技大学》期刊2018-06-01）
王春平,刘江义,杨文兵[9]（2018）在《基于概率假设密度滤波的多目标跟踪算法》一文中研究指出概率假设密度(PHD)滤波算法在雷达、红外以及可见光等传感器的多目标跟踪中研究越来越广泛。主要研究了基于PHD滤波的多目标跟踪算法的发展现状,简要介绍了PHD滤波算法的基本原理及其在目标运动模型、多检测情况、杂波分布规律假定等方面的研究进展,概述了PHD滤波的实现方法及研究进展,介绍了PHD滤波的主要应用领域,着眼提高目标跟踪精度和实时性的发展要求提出了PHD滤波的展望。(本文来源于《火力与指挥控制》期刊2018年05期）
杨丹,姬红兵,张永权[10]（2018）在《未知杂波条件下样本集校正的势估计概率假设密度滤波算法》一文中研究指出在贝叶斯框架下的多目标跟踪算法中,总是假设杂波的先验信息是已知的。然而,实际应用中,杂波分布一般是未知的,假设的杂波分布往往与实际情况匹配度差,难以保证滤波精度。针对该问题,该文研究了未知杂波势估计概率假设密度(CPHD)滤波算法。首先,提出一种基于狄利克雷过程混合模型(DPMM)类的未知杂波CPHD算法,该算法能够自动选取合适的类数对杂波进行描述,有效降低了杂波空间分布估计的误差。此外,提出样本集校正的思想,并将其引入所提算法,通过去除样本集中由真实目标产生的量测,较好地解决了杂波数过估和目标数低估的问题。与传统算法相比,所提算法的滤波精度更接近于杂波信息匹配情况下的性能,仿真结果验证了其优越性与鲁棒性。(本文来源于《电子与信息学报》期刊2018年04期）
概率假设密度滤波论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对低信噪比条件下多弱小目标检测前跟踪算法跟踪效率低、计算复杂度高等问题,提出一种基于箱粒子概率假设密度滤波的弱目标检测与跟踪算法.首先,针对由目标的贡献强度和噪声获得的目标强度量测图像,利用均值滤波抑制强度量测图像中的噪声;其次,以不交叉原则挑选出强度值较大区域作为区间量测;最后,利用箱粒子概率假设密度(BOX-PHD)滤波对上述所得的区间量测进行目标跟踪.仿真结果表明,所提出的方法可以提高跟踪性能,且计算效率高.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
概率假设密度滤波论文参考文献
[1].王芳,李钢虎,李亚安,张雪,王春玮.基于概率假设密度滤波的水下多目标被动跟踪[J].舰船科学技术.2019
[2].吴孙勇,宁巧娇,蔡如华,孙希延,潘福标.基于箱粒子概率假设密度滤波的弱目标检测与跟踪算法[J].控制与决策.2019
[3].杨丹.未知场景参数下的概率假设密度滤波多传感器目标跟踪算法研究[D].西安电子科技大学.2019
[4].刘江义,王春平.基于双马尔科夫链的势概率假设密度滤波[J].电子与信息学报.2019
[5].彭聪,王杰贵,张坤.基于概率假设密度滤波的多扩展目标跟踪技术[J].电子信息对抗技术.2018
[6].裴家正,黄勇,董云龙,何友,陈小龙.杂波背景下基于概率假设密度的辅助粒子滤波检测前跟踪改进算法[J].雷达学报.2019
[7].杨丹.基于混合闭偏正态概率假设密度滤波的多目标跟踪[D].西安理工大学.2018
[8].程轩.基于概率假设密度滤波的群目标跟踪算法研究[D].西安电子科技大学.2018
[9].王春平,刘江义,杨文兵.基于概率假设密度滤波的多目标跟踪算法[J].火力与指挥控制.2018
[10].杨丹,姬红兵,张永权.未知杂波条件下样本集校正的势估计概率假设密度滤波算法[J].电子与信息学报.2018