导读:本文包含了目标轨迹预测论文开题报告文献综述及选题提纲参考文献，主要关键词:轨迹预测,时间收益因子,HPSO-TPFENN,空战训练测量仪
目标轨迹预测论文文献综述
王新,杨任农,左家亮,徐西蒙,岳龙飞[1]（2019）在《基于HPSO-TPFENN的目标机轨迹预测》一文中研究指出轨迹预测在现代空战中发挥着重要作用。针对传统轨迹预测模型复杂度大,预测精度偏低,数据样本真实性、可靠性差等问题,结合轨迹数据具有时间连续性的特点,提出了基于HPSO-TPFENN的轨迹预测模型。在Elman神经网络的目标函数中引入时间收益因子,并利用杂交粒子群算法(HPSO)对改进的Elman网络进行参数寻优,构造了HPSO-TPFENN神经网络。提出将叁维坐标进行独立预测的方法,并根据空战训练测量仪(ACMI)中记录的真实数据,构建了包括航向角和俯仰角在内的轨迹预测数据样本,建立了基于HPSO-TPFENN的轨迹预测模型。通过仿真实验对比分析了模型进行轨迹预测的精度和实时性,结果表明模型在不同方向的预测误差不超过1%,连续进行595次预测耗时42 ms左右,可以准确、快速地对目标机的轨迹进行预测。(本文来源于《西北工业大学学报》期刊2019年03期）
王家威[2]（2019）在《基于图像处理的移动目标识别与轨迹预测的研究》一文中研究指出近年来,有关计算机视觉领域的目标识别与轨迹预测等方面的研究正不断深入发展和应用。就视频图像而言,通过获取时间序列下的信息,在一定的图像处理后充分挖掘其内部特征,不仅可以用来有效识别目标物体,而且也可以定位移动目标、预测目标未来可能的运动轨迹等。这相比于单一图像中的静态目标更能发现有意义、有价值的信息,而且应用范围更广。本文以视频图像处理为基础,主要就移动目标识别和轨迹预测等相关问题展开了研究,具体的研究内容如下:首先,利用深度学习中的卷积神经网络模型对处理后的视频图像数据集进行目标识别任务。为了避免卷积神经网络训练陷入局部最优状态,使得整体效率变低,以及为了解决原始遗传算法存在的收敛较慢、达到最优解的时间较长等问题,提出了一种基于CNN-IAGA的优化识别方法。该方法改进了遗传算法中的种群适应度,并结合了自适应遗传算法对卷积神经网络的网络参数进行优化。实验结果表明,该方法在选取的数据集中达到了92%的识别准确率,与其他识别方法相比,取得了更好的图像识别效果。其次,在对移动目标进行检测定位、特征提取等工作时,提出了一种目标检测与特征提取(TD-FE)方法。该方法由主体检测和细节检测两部分构成,检测后对最终前景图像进行目标区域标记,提取出特征信息。与其他目标检测方法相比,使用该方法检测目标能够抑制噪声污染、提取出较为清晰完整的目标,提高了前景检测率。此外,还设计和实现了基于TD-FE的图像处理系统,能够更方便地进行本文中的图像处理任务。然后,对前景图像中检测到的目标特征进行量化处理,即将提取出的移动目标的几何特征和运动特征作为它量化后的融合特征,并提出了一种基于图像特征融合的轨迹预测(TP-IFF)方法。该TP-IFF方法研究了Elman神经网络,并结合了Kalman滤波算法和粒子群优化算法,利用粒子群优化算法来优化Elman神经网络的参数和Kalman滤波算法中的随机噪声。将目标融合特征作为Elman神经网络的输入参数,通过大量的网络训练,最终获得移动目标更优的预测位置,从而有效、稳定跟踪目标。在选取的数据集上进行的两组实验结果表明,该方法的预测误差明显小于其他预测方法。最后,通过结合TP-IFF方法和智能交通系统这一应用场景,针对交通领域,创新性地提出了一种基于TP-IFF的车辆碰撞预警机制。(本文来源于《中国矿业大学》期刊2019-04-01）
刘创[3]（2019）在《无人驾驶车辆多目标容错跟踪与轨迹预测研究》一文中研究指出无人驾驶车辆在行车途中不仅要捕捉周围静止环境的信息,更重要的是获取运动障碍的信息,其中首要的关注对象是行人和其它车辆。基于摄像头采集的图像序列,通过多目标跟踪可以获取视野中每个目标在图像上的历史轨迹框,联合其他传感器如激光雷达,可以得到目标在真实世界中的历史运动轨迹,根据目标的历史轨迹可以进行合理的轨迹预测,用于无人驾驶车辆避障策略的制定。现实环境中的多目标跟踪存在诸多问题,比如因为车体抖动使得摄像头采集到的图像产生模糊,因为检测算法的不稳定导致的漏检等等。因此,本文针对多目标跟踪可能存在的一些实际问题进行改进,在原始的跟踪系统上增加了多个容错改进模块,在提升精度的同时使得其鲁棒性更强。并基于多目标跟踪得到的结果,对现实环境中的车辆运动轨迹进行预测,探究了多目标跟踪的实际用途。本文主要的研究工作和成果如下:1)针对原始多目标跟踪系统中可能存在的检测失效问题做了容错,对遮挡目标跟踪算法做了改进。多目标跟踪系统的性能很大程度上取决于检测算法的优劣,一旦检测算法失效将使得多目标跟踪的性能大大降低。因而本文考虑通过MIL滤波器来对检测算法进行容错,在检测器失效的情况下采用MIL滤波器来跟踪已经存在的目标,减少漏检。现实环境中的多目标跟踪因为目标众多、背景繁杂,使得目标遮挡的情况常有发生。本文对原始的卡尔曼滤波预测算法进行修正,采用指数变化的方式拟合目标框的变化率,同时还提出了一种基于邻近目标变化信息的运动背景补偿策略,来消除因背景运动导致的遮挡预测漂移。在MOT和KITTI数据集上分别进行了实验,证明了改进方案的有效性。2)针对摄像机可能采集到模糊图像导致多目标跟踪效果变差的问题做了容错,提出了一种基于生成对抗网络的图像去模糊算法。现实环境中,无人驾驶车辆在行驶途中可能因路面凹凸不平导致相机采集到的图像产生运动模糊,使得对前方障碍物的跟踪效果变差,影响后续的导航规划。本文基于深度学习对模糊图像进行恢复,以原始生成对抗网络为基础,提出了基于残差逼近的生成对抗网络,同时加入了新的损失函数,在图像去模糊数据集GOPRO上得到了较好的效果。针对所提出的图像去模糊算法,本文将其增加在多目标跟踪系统中作为前置容错模块,在KITTI数据集上对其进行有效性验证,结果证明本文增加的模糊图像容错模块确实可以增加多目标跟踪系统的抗模糊能力。3)提出了一种基于注意力机制的车辆运动轨迹预测算法。多目标跟踪得到目标在图像层面的历史运动轨迹框,联合其他距离传感器即可获取目标在真实世界坐标系中的历史运动轨迹。本文基于原始的Convolution Social LSTM网络进行改进,采用横向的注意力机制获取邻居车辆相对目标车辆的重要性,对邻居信息进行加权求和得到全局的特征,与采用卷积池化提取的局部特征相加得到完整的邻居特征,用于后续预测轨迹。同时在预测轨迹时对传统的Encoder-Decoder结构进行改进,引入针对历史轨迹的纵向注意力机制,在预测的每一个时刻都采用与其最为相关的历史节点信息。在NGSIM提供的US101和180数据集上进行实验验证,结果表明本文改进的算法能得到更为精确的预测轨迹。(本文来源于《浙江大学》期刊2019-01-10）
张强,张振标[4]（2018）在《基于曲线拟合的机动目标轨迹预测算法研究》一文中研究指出针对嵌入式态势显示设备,因带宽资源有限、网络延迟、过长的数据分发时间间隔,和数据包丢失等原因引起机动目标轨迹更新慢、态势显示延迟问题。文章研究了机动目标轨迹渐变的特性,提出一种基于最小二乘曲线拟合的轨迹预测算法,该算法能够随着机动目标的移动,动态更新采样点并拟合轨迹方程,进而预测机动目标短期内可能到达的位置。仿真实验结果表明,该算法能有效提高轨迹显示实时性且预测精度较高。(本文来源于《信息化研究》期刊2018年06期）
张凯,熊家军,李凡,付婷婷[5]（2018）在《基于意图推断的高超声速滑翔目标贝叶斯轨迹预测》一文中研究指出为解决高超声速滑翔目标机动给探测防御造成的困难,研究基于意图推断的贝叶斯轨迹预测方法。首先对目标进行动力学建模,利用气动参数设计机动模式集。假定高超声速滑翔目标必定攻击某目标,结合飞行意图合理构造意图代价函数,借鉴贝叶斯理论迭代推导机动模式和运动状态递推公式。通过蒙特卡洛采样实现轨迹预测算法。仿真结果表明,算法能有效提高目标机动不确定条件下轨迹预测的精度,当多目标可能被打击时,通过对预测轨迹进行在线重新规划,降低目标误判给轨迹预测造成的不利影响。(本文来源于《宇航学报》期刊2018年11期）
陈旭璇,万潇月,叶桦[6]（2019）在《基于机载光电平台的目标跟踪与轨迹预测算法》一文中研究指出针对利用机载光电平台进行"空对空"目标跟踪时,跟踪效果受环境影响较大且全遮挡情况下目标容易跟丢的问题,在传统Cam Shift算法的基础上,提出了一种动态的基于多特征融合与相对Kalman模型的目标跟踪与轨迹预测算法。采用融合颜色、纹理、梯度特征的方式构建目标模板,提高了模型的描述能力;跟踪过程中引入特征模板动态更新环节,保证了算法的长期稳定性;在全遮挡的情况下,利用背景中心点以及飞行目标与该中心点的差值分别构建Kalman模型,并采用二次遮挡判断方法,大大降低了误判和丢帧概率。实验结果表明,所提算法具有较高的准确性、实时性与稳定性。(本文来源于《电光与控制》期刊2019年03期）
仲莲花[7]（2018）在《基于轨迹预测的无线传感网目标跟踪技术研究》一文中研究指出目标跟踪技术是无线传感器网络中的重要研究领域。由于目标跟踪系统的规模大、能耗多、应用广泛等特点,许多学者在研究目标跟踪精度的同时,致力于寻找最合适的网络构建模型、最准确的轨迹预测线路和最优的系统能量消耗策略。为了提高系统的跟踪精度、降低网络时延、减少系统的能耗开销,本文提出了一种基于轨迹预测的能量有效的无线传感网目标跟踪技术(ETTA,A Type of Energy-efficient Target Tracking Approach based on Prediction in Sensor Networks),具体内容如下:首先,针对不规则的目标跟踪区域,本文对无线传感器网络以“网格”的形式进行了合理划分,并将网络内的节点按照合理的规则划分成簇,采用簇内节点协作的方式对目标进行精确定位、轨迹预测及实时跟踪;同时,本文设计了合理的节点睡眠调度策略,使未参与跟踪的节点能主动进入休眠状态,从而降低了网络能耗,延长了网络的生命周期。接着,通过对经典的RSSI和APIT技术的改进,本文提出了一个在节点稀疏区域也能做到精确定位的定位算法;为了提高目标跟踪系统的鲁棒性和容错性,本文在网络边界节点能否及时发现目标、网格之间如何实现对目标的轨迹预测与实时跟踪、目标离开当前网络后是否能被及时发现等方面,均作出了相应的考虑和分析。最后,考虑到目标跟踪过程中难免会发生跟丢目标等意外,本文设计了一个目标恢复机制,此机制不仅能有效地预防目标丢失的发生,还能在目标丢失后及时地重新定位到目标,显着地降低了目标丢失等意外造成的不良后果,同时提高了整个目标跟踪系统的稳定性和可扩展性。(本文来源于《南京邮电大学》期刊2018-11-14）
谢彬,张琨,张云纯,蔡颖,蒋彤彤[8]（2018）在《基于轨迹相似度的移动目标轨迹预测算法》一文中研究指出传统的轨迹预测算法训练模型时需要耗费大量时间,且时空复杂度高、执行效率低,不能满足实时预测的需求。为此,提出一种改进的移动目标轨迹预测算法。基于欧氏距离进行轨迹相似度计算以提高预测准确性和实效性,根据最小描述长度原理对预测后的轨迹进行简化,优化运算效率。实验结果表明,该算法能准确预测移动目标的轨迹,并且具有较低的算法复杂度,适用于海量数据背景下的移动目标轨迹预测。(本文来源于《计算机工程》期刊2018年09期）
张凯,熊家军[9]（2018）在《高超声速滑翔目标多层递阶轨迹预测》一文中研究指出为给高超声速滑翔目标态势与威胁评估、拦截防御等提供先验知识,提出一种多层递阶轨迹预测方法。该方法借鉴多层递阶预测理论对预测模型进行随机补偿,将轨迹预测问题分解成气动参数和模型误差的混合预测以及在此基础上对目标轨迹的预测。方法首先利用气动参数增广状态向量进行动力学建模,对气动参数和模型误差进行混合估计,根据参数估计值进行时间序列预测。然后,在参数预测的基础上,利用动力学模型积分预测目标轨迹。仿真设计了2种有规律的飞行模式仿真场景,分析跟踪与预测时间对预测精度的影响,结果表明算法具有稳定可靠的轨迹预测能力。(本文来源于《现代防御技术》期刊2018年04期）
赵甘霖[10]（2018）在《基于小脑模型神经网络的目标轨迹预测》一文中研究指出利用目标的历史位置信息,对目标的轨迹进行预测有着广泛的应用,例如数字化战场、智能交通、物流监测、电子商务等等。在很多应用场景中预测目标轨迹对进一步决策可以起到关键作用。本文对快速移动目标的轨迹预测问题进行研究,使用改进的小脑模型神经网络提高了预测系统的速度和精度,解决了现有预测系统在获取的数据时间间隔不统一时预测精度低,接收数据有限时难以快速给出准确预测结果的问题。本文在充分研究了现有的线性目标轨迹预测方法和非线性目标轨迹预测方法的基础上,利用小脑模型神经网络的方法预测目标轨迹,主要研究内容如下:首先在总结各种非线性目标轨迹预测方法和线性目标轨迹预测方法的基础上,从网络的结构和原理两方面说明小脑模型神经网络在目标轨迹预测上的优势。其次结合实际应用场景,根据真实导弹飞行的情况,模拟导弹的运动轨迹。接着利用导弹的弹道模型提取小脑模型神经网络的训练数据与验证数据。结合应用实例分析小脑模型的缺陷:一方面局部收敛可能会降低网络的泛化能力,使网络的非线性逼近能力下降;另一方面,如果增加输入维度提高网络的精确度又可能使网络学习速度变慢;最后针对以上缺陷,在传统小脑模型神经网络网络结构上添加权值可变的递归单元,解决网络非线性逼近能力下降的问题;结合迁移学习思想,使用离线学习的方法训练网络,将离线训练的网络权值直接作为在线预测系统的初始权值,提高网络在预测不同目标时的收敛速度。网络利用模拟的目标轨迹进行训练,然后给出预测结果。在MATLAB平台仿真预测目标运动的轨迹,同时将预测结果通过各项数据指标与其他预测方法进行比较。实验结果表明改进的小脑模型神经网络结合迁移方法后在目标轨迹预测上有更好的性能。(本文来源于《哈尔滨工程大学》期刊2018-05-01）
目标轨迹预测论文开题报告
（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：
近年来,有关计算机视觉领域的目标识别与轨迹预测等方面的研究正不断深入发展和应用。就视频图像而言,通过获取时间序列下的信息,在一定的图像处理后充分挖掘其内部特征,不仅可以用来有效识别目标物体,而且也可以定位移动目标、预测目标未来可能的运动轨迹等。这相比于单一图像中的静态目标更能发现有意义、有价值的信息,而且应用范围更广。本文以视频图像处理为基础,主要就移动目标识别和轨迹预测等相关问题展开了研究,具体的研究内容如下:首先,利用深度学习中的卷积神经网络模型对处理后的视频图像数据集进行目标识别任务。为了避免卷积神经网络训练陷入局部最优状态,使得整体效率变低,以及为了解决原始遗传算法存在的收敛较慢、达到最优解的时间较长等问题,提出了一种基于CNN-IAGA的优化识别方法。该方法改进了遗传算法中的种群适应度,并结合了自适应遗传算法对卷积神经网络的网络参数进行优化。实验结果表明,该方法在选取的数据集中达到了92%的识别准确率,与其他识别方法相比,取得了更好的图像识别效果。其次,在对移动目标进行检测定位、特征提取等工作时,提出了一种目标检测与特征提取(TD-FE)方法。该方法由主体检测和细节检测两部分构成,检测后对最终前景图像进行目标区域标记,提取出特征信息。与其他目标检测方法相比,使用该方法检测目标能够抑制噪声污染、提取出较为清晰完整的目标,提高了前景检测率。此外,还设计和实现了基于TD-FE的图像处理系统,能够更方便地进行本文中的图像处理任务。然后,对前景图像中检测到的目标特征进行量化处理,即将提取出的移动目标的几何特征和运动特征作为它量化后的融合特征,并提出了一种基于图像特征融合的轨迹预测(TP-IFF)方法。该TP-IFF方法研究了Elman神经网络,并结合了Kalman滤波算法和粒子群优化算法,利用粒子群优化算法来优化Elman神经网络的参数和Kalman滤波算法中的随机噪声。将目标融合特征作为Elman神经网络的输入参数,通过大量的网络训练,最终获得移动目标更优的预测位置,从而有效、稳定跟踪目标。在选取的数据集上进行的两组实验结果表明,该方法的预测误差明显小于其他预测方法。最后,通过结合TP-IFF方法和智能交通系统这一应用场景,针对交通领域,创新性地提出了一种基于TP-IFF的车辆碰撞预警机制。
（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。
目标轨迹预测论文参考文献
[1].王新,杨任农,左家亮,徐西蒙,岳龙飞.基于HPSO-TPFENN的目标机轨迹预测[J].西北工业大学学报.2019
[2].王家威.基于图像处理的移动目标识别与轨迹预测的研究[D].中国矿业大学.2019
[3].刘创.无人驾驶车辆多目标容错跟踪与轨迹预测研究[D].浙江大学.2019
[4].张强,张振标.基于曲线拟合的机动目标轨迹预测算法研究[J].信息化研究.2018
[5].张凯,熊家军,李凡,付婷婷.基于意图推断的高超声速滑翔目标贝叶斯轨迹预测[J].宇航学报.2018
[6].陈旭璇,万潇月,叶桦.基于机载光电平台的目标跟踪与轨迹预测算法[J].电光与控制.2019
[7].仲莲花.基于轨迹预测的无线传感网目标跟踪技术研究[D].南京邮电大学.2018
[8].谢彬,张琨,张云纯,蔡颖,蒋彤彤.基于轨迹相似度的移动目标轨迹预测算法[J].计算机工程.2018
[9].张凯,熊家军.高超声速滑翔目标多层递阶轨迹预测[J].现代防御技术.2018
[10].赵甘霖.基于小脑模型神经网络的目标轨迹预测[D].哈尔滨工程大学.2018
标签：轨迹预测; 时间收益因子; HPSO-TPFENN; 空战训练测量仪;