导读:本文包含了概率假设密度滤波器论文开题报告文献综述及选题提纲参考文献，主要关键词:多扩展目标,转换量测,概率假设密度,随机矩阵
概率假设密度滤波器论文文献综述
陈辉,赵维娓[1]（2019）在《一种多扩展目标非线性高斯逆Wishart概率假设密度滤波器》一文中研究指出针对非线性多扩展目标跟踪问题,提出了一种基于修正无偏转换量测(modified unbiased converted measurement, MUCM)的高斯逆威沙特概率假设密度(Gaussian inverse Wishart probability hypothesis density, GIW-PHD)滤波器.首先,该方法利用MUCM将雷达非线性量测转换为笛卡尔坐标系下的伪线性量测,并用统计方法得到转换量测误差的协方差矩阵.然后,给出MUCM-GIW-PHD滤波算法的具体实现过程,继而在非线性条件下对多扩展目标的运动参数和形状参数进行联合估计.最后,仿真实验验证了算法的有效性.(本文来源于《兰州理工大学学报》期刊2019年03期）
李翠芸,王精毅,姬红兵,刘远[2]（2019）在《基于星凸随机超曲面的扩展目标伽马高斯混合势概率假设密度滤波器》一文中研究指出针对杂波和检测不确定情况下扩展目标形状估计精度低的问题,提出了一种基于星凸随机超曲面模型(SRHM)的扩展目标伽马高斯混合势概率假设密度(CPHD)滤波器.该算法在高斯混合概率假设密度滤波的框架下,首先将目标形状建模为星凸随机超曲面,然后通过CPHD滤波估计出目标的质心位置和目标数目,最后通过将已估计的目标质心位置作为目标形状的中心点来结合量测对目标形状进行估计.其中,算法通过自适应估计尺度变换因子对形状边界进行约束优化,解决了星凸随机超曲面模型存在的边界形状不规则的问题.设计扩展目标个数未知以及含有杂波的实验场景,实验结果验证了该算法的有效性和可行性.(本文来源于《控制理论与应用》期刊2019年05期）
刘江义,王春平,王暐[3]（2019）在《基于双马尔可夫链的概率假设密度滤波器》一文中研究指出隐式马尔可夫链(hidden Markov chain,HMC)是传统多目标跟踪的理论基础。在分析了HMC模型的局限性基础上,介绍了更具普适性的双马尔可夫链(pairwise Markov chain,PMC)模型,对基于PMC模型的概率假设密度(PMC-probability hypothesis density,PMC-PHD)滤波算法进行了推导,并对其高斯混合(Gauss mixture,GM)实现进行了改进,利用椭圆波门给每一个高斯分量建立一个对应的缩减量测集合来对其进行更新。仿真实验证明在杂波密度较大的场景中,PMC-PHD滤波器GM实现的改进在不影响跟踪精度的情况下运行时间缩短为原来的叁分之一;仿真实验还证明在HMC模型场景下PMC-PHD滤波器针对邻近目标的跟踪性能要优于HMC-PHD滤波器。(本文来源于《系统工程与电子技术》期刊2019年05期）
张丽尧[4]（2018）在《未知型模参数条件下带势概率假设密度滤波器的多目标跟踪》一文中研究指出近年来,越来越多专家投身于基于随机有限集(Random Finit Set,RFS)的多目标跟踪技术的研究中,多目标跟踪也被应用于军事和应用等领域。但是目标的跟踪环境随着科学技术的不断发展而变得日益复杂,为了适应这样的跟踪环境,各种多目标的应用系统对多目标跟踪的精度和性能等方面也提出了更高的要求,这对于原有的目标跟踪理论和方法来说是一个更大的挑战。所以,对多目标跟踪技术进行更深入的研究显的意义重大。在多目标跟踪过程中,多目标跟踪算法的性能和跟踪精度会受到很多因素的影响,比如量测的不确定性和目标的不确定性,其中,假定某些模型参数是先验已知的,但在实际跟踪环境中这些参数的真实取值与假设值并不吻合,这样就会导致目标的误跟或失跟。因此本文对基于自适应的多目标跟踪算法做了简单的综述,介绍了未知杂波、未知检测概率、未知新生目标强度、未知目标信噪比的带势概率假设密度(Cardinality Probability Hypothesis Density,CPHD)滤波器的滤波算法。其中如何在跟踪目标的过程中自适应的估计目标的检测概率、杂波数目和其空间分布是提高多目标跟踪算法性能的重要课题。在Mahler提出了能够自适应得到杂波率的CPHD滤波器和能够自适应得出目标检测概率的CPHD滤波器的基础上。针对未知杂波的CPHD滤波器和未知目标检测概率的CPHD都含有多个杂的积分项不能得到闭合的解析解的问题,本文中采用了高斯混合的实现方式给出这些滤波递复归的封闭形式。详细介绍了这两种滤波器高斯混合实现的滤波过程和代码编写过程,并在第叁章和第四章的最后给出Matlab仿真实验。(本文来源于《长安大学》期刊2018-04-02）
蒋冬梅[5]（2018）在《用于SLAM算法的蚂蚁聚类概率假设密度滤波器》一文中研究指出针对传统的概率假设密度SLAM(PHD-SLAM)算法因粒子退化和耗尽导致估计精度低的问题,提出一种基于蚂蚁聚类的概率假设密度SLAM(ant-PHD-SLAM)算法。其主要的特点:用ant-PHD滤波器实现对地图特征状态和数目的估计,用移动蚂蚁估计器完成对机器人位姿的后验估计。与传统SLAM算法相比,新提出的SLAM算法用人工蚂蚁代替简单的粒子去实现对目标的估计,得益于蚂蚁强大的搜索机制,新算法的估计精度得到明显提高。通过仿真实验,将所提出的算法与传统PHD-SLAM算法进行比较,结果表明所提出算法有效提高了机器人定位估计精度和构图精度。(本文来源于《工业控制计算机》期刊2018年03期）
陈安娜[6]（2018）在《基于标签概率假设密度滤波器的抗交叉眼干扰方法》一文中研究指出交叉眼干扰利用波前扭曲引起跟踪雷达瞄准点转向虚拟的强干扰方向,使得雷达的角度测量与跟踪失效。为对抗交叉眼干扰,文中在随机有限集理论(random finite set,RFS)的基础上,引入标签概率假设密度(probability hypothesis density,PHD)滤波器用于判断目标的真实位置。将真实目标和干扰建模视为两个不同的信号,通过预测、校正、重采样、状态估计、航迹提取给目标和干扰分配不同的标签,实现对目标与干扰的正确区分。仿真表明标签PHD滤波器能够在交叉眼干扰存在的情况下正确识别估计出目标的状态信息且估计误差较小。(本文来源于《弹箭与制导学报》期刊2018年02期）
刘备[7]（2017）在《基于概率假设密度滤波器的传感器控制策略的研究》一文中研究指出随着科学技术的快速发展,大量高性能的传感器和各种先进的信息处理技术不断得到应用,使得深层次的传感器控制成为可能。同时,由于现代战争的迫切需求,以及多源信息融合系统日益增强的复杂性,各类目标跟踪系统都对传感器控制提出了更高的要求,与其相关的理论和方法均面临着更加严峻的挑战。因此,对于传感器控制策略的研究具有重大的理论价值和现实意义。基于随机有限集(Random finite set,RFS)的多目标跟踪方法因其可以避免传统多目标跟踪方法中的数据关联而被人们广泛关注。概率假设密度(Probability hypothesis density,PHD)滤波器是其中最具代表性的近似多目标滤波器。本文正是在基于RFS的理论体系下,对多目标跟踪中的传感器控制方法进行了深入研究,主要的研究内容如下:1)针对多目标跟踪中的传感器控制问题,在部分可观测马尔可夫决策过程(Partially observable Markov decision processes,POMDPs)的理论框架下,首先,基于RFS建模给出基于信息论的传感器控制的一般方法,其次,依据PHD滤波器和势概率假设密度(Cardinalized PHD,CPHD)滤波器的统计假设条件去推导柯西施瓦兹(Cauchy-Schwarz,CS)距离的表达式,研究利用CS距离作为传感器控制的评价函数,进而求取多目标滤波器递推过程中的信息增益。2)结合多目标跟踪问题给出序贯蒙特卡罗概率假设密度(Sequential Monte Carlo Probability hypothesis density,SMC-PHD)滤波器的实现形式,利用加权粒子去表征多目标的一阶统计矩,同时采用启发式方法选取传感器控制方案的集合,基于前述所推导的以多目标统计矩(PHD)表示的多目标CS距离,求解出传感器控制集合中不同决策方案信息增益的具体数值,继而以信息增益最大化为评价准则去决策最终的传感器控制方案。仿真结果表明,基于CS距离的传感器控制算法能够根据当前的滤波结果不断地调节传感器自身的位置,进而完成使得全局目标跟踪性能最优这一目标,所提控制方案的多目标跟踪效果要优于其他几种控制方案。3)研究了基于目标威胁度的传感器控制方法。对战场环境中影响目标威胁度的因素进行深入分析,利用战术重要性标绘(Tactical Significance Map,TSM)函数量化目标距离、航向、速度对目标威胁度的影响。同时利用TSM函数值确定不同时刻最大威胁度的目标,并以最大威胁度目标在递推滤波过程中的CS距离作为评价函数,以最大威胁目标的信息增量最大化为准则,实现基于目标威胁度的传感器控制。仿真实验验证了算法的有效性。(本文来源于《兰州理工大学》期刊2017-06-12）
徐从安,何友,夏沭涛,程俊图,董云龙[8]（2016）在《基于随机摄动再采样的粒子概率假设密度滤波器》一文中研究指出作为概率假设密度滤波的典型实现方式,粒子概率假设密度滤波器无需线性高斯等先验假设,因而在多目标跟踪中得到了广泛的应用。为解决粒子退化问题并保持粒子规模,该滤波器引入了重采样机制,然而,该重采样机制易引起粒子多样性耗尽,导致粒子贫化问题产生。为解决这一问题,该文提出一种新的基于随机摄动再采样的粒子概率假设密度滤波器。首先,全面分析了粒子概率假设密度滤波因粒子贫化问题导致目标失跟的过程。然后设计了一种随机摄动再采样算法,该算法在重采样导致粒子多样性缺失时,根据源粒子的位置与复制次数随机产生相应数目的新粒子,并对源粒子进行删减,其可在保留源粒子信息的前提下保持粒子的多样性。最后,该文将该算法纳入概率假设密度滤波框架,提出了一种新的粒子概率假设密度滤波器。仿真结果表明该滤波器在不显着增加运行时间的前提下能够克服粒子贫化问题,相比标准的粒子概率假设密度滤波器具有更好的跟踪性能。(本文来源于《电子与信息学报》期刊2016年11期）
王双英[9]（2016）在《基于高斯混合概率假设密度滤波器的多扩展目标跟踪》一文中研究指出随着传感器技术的不断发展,扩展目标跟踪技术在导弹定位、战场监视、智能交通以及医疗诊断等军事和民用领域的应用日益凸显。对于杂波环境下的扩展目标跟踪问题,由于单个扩展目标在每一个采样时刻产生多个量测,需要解决的首要问题就是量测集划分。能否正确划分扩展目标量测集,直接决定了后续的扩展目标状态估计性能。本文在扩展目标量测集划分的基础上,利用高斯混合概率假设密度滤波算法实现对多扩展目标的跟踪。针对扩展目标量测集划分问题,本文利用了两种扩展目标量测集的划分方法,即距离划分和K-means++划分,首先对扩展目标的观测集进行划分。其次在Matlab环境下,利用高斯混合概率假设密度滤波算法分别对两种划分方法实现的扩展目标跟踪进行仿真。仿真结果表明,与K-means++划分方法相比,距离划分的扩展目标跟踪性能较好。针对杂波环境下,由于多个扩展目标产生量测数巨大以及杂波的存在导致的量测不确定性,使得前述方法中的量测划分过程不能得到理想结果的问题。为了提高利用量测集划分实现扩展目标跟踪的精度,本文利用了一种基于近邻传播聚类的扩展目标量测集划分方法。该量测划分方法首先采用密度分析技术对量测集进行预处理,将杂波量测和扩展目标量测分开,其次使用近邻传播聚类技术对扩展目标量测集进行划分,从而减少了划分数目。最后利用高斯混合概率假设密度滤波算法对该划分方法实现的多扩展目标跟踪进行仿真研究。仿真结果表明,与前两种划分方法相比,该算法使扩展目标的跟踪性能有很大提升。(本文来源于《长安大学》期刊2016-04-28）
陈辉,韩崇昭[10]（2015）在《纯方位距离参数化概率假设密度和势概率假设密度滤波器》一文中研究指出考虑多目标跟踪中量测源的不确定性,本文提出两个基于随机有限集(RFS)的多距离假设纯方位跟踪(BOT)滤波器.首先,详细推导距离参数化高斯混合概率假设密度(PHD)滤波器的递推公式.然后,详细推导距离参数化高斯混合势概率假设密度(CPHD)滤波器的势分布和强度的递推公式.此外,为跟踪随机出现的目标,提出一种自适应BOT新生目标强度的建立方法.仿真验证了算法的有效性.(本文来源于《控制理论与应用》期刊2015年05期）
概率假设密度滤波器论文开题报告
（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：
针对杂波和检测不确定情况下扩展目标形状估计精度低的问题,提出了一种基于星凸随机超曲面模型(SRHM)的扩展目标伽马高斯混合势概率假设密度(CPHD)滤波器.该算法在高斯混合概率假设密度滤波的框架下,首先将目标形状建模为星凸随机超曲面,然后通过CPHD滤波估计出目标的质心位置和目标数目,最后通过将已估计的目标质心位置作为目标形状的中心点来结合量测对目标形状进行估计.其中,算法通过自适应估计尺度变换因子对形状边界进行约束优化,解决了星凸随机超曲面模型存在的边界形状不规则的问题.设计扩展目标个数未知以及含有杂波的实验场景,实验结果验证了该算法的有效性和可行性.
（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。
概率假设密度滤波器论文参考文献
[1].陈辉,赵维娓.一种多扩展目标非线性高斯逆Wishart概率假设密度滤波器[J].兰州理工大学学报.2019
[2].李翠芸,王精毅,姬红兵,刘远.基于星凸随机超曲面的扩展目标伽马高斯混合势概率假设密度滤波器[J].控制理论与应用.2019
[3].刘江义,王春平,王暐.基于双马尔可夫链的概率假设密度滤波器[J].系统工程与电子技术.2019
[4].张丽尧.未知型模参数条件下带势概率假设密度滤波器的多目标跟踪[D].长安大学.2018
[5].蒋冬梅.用于SLAM算法的蚂蚁聚类概率假设密度滤波器[J].工业控制计算机.2018
[6].陈安娜.基于标签概率假设密度滤波器的抗交叉眼干扰方法[J].弹箭与制导学报.2018
[7].刘备.基于概率假设密度滤波器的传感器控制策略的研究[D].兰州理工大学.2017
[8].徐从安,何友,夏沭涛,程俊图,董云龙.基于随机摄动再采样的粒子概率假设密度滤波器[J].电子与信息学报.2016
[9].王双英.基于高斯混合概率假设密度滤波器的多扩展目标跟踪[D].长安大学.2016
[10].陈辉,韩崇昭.纯方位距离参数化概率假设密度和势概率假设密度滤波器[J].控制理论与应用.2015