导读:本文包含了有限集统计学论文开题报告文献综述及选题提纲参考文献，主要关键词:多目标跟踪,随机有限集,有限集统计学,概率假设密度
有限集统计学论文文献综述
许建,黄放明[1]（2014）在《基于有限集统计学的多目标跟踪方法》一文中研究指出介绍了近年来国内外基于有限集统计学(FISST)的多目标跟踪方法相关研究的进展和现状。首先,给出了基于FISST的多目标跟踪问题描述;其次,介绍了基于FISST的单传感器和双传感器多目标跟踪理论和方法;最后,理论分析和仿真表明该方法具有计算复杂度低等优点。(本文来源于《指挥信息系统与技术》期刊2014年02期）
杨威[2]（2012）在《基于有限集统计学理论的机动目标联合检测、跟踪与分类技术研究》一文中研究指出传统侦察监视系统大多将目标检测、跟踪、分类叁个问题分开处理。事实上，目标的检测、跟踪与分类是叁个紧密耦合的问题，联合处理有望同时得到更优异的检测、跟踪与分类性能。一方面，目标的运动学行为可以改善目标分类性能；另一方面，类别相关的运动学模型又可以提升目标跟踪性能。当然，目标数目的变化也蕴含着跟踪与分类算法的改变。本文以有限集统计学理论（Finite SetStatistics: FISST）为基础，探索其在机动目标联合检测与跟踪（Joint Detection andTracking: JDT）、机动目标联合跟踪与分类（Joint Tracking and Classification: JTC）、尤其是在机动目标联合检测、跟踪与分类（Joint Detection, Tracking andClassification: JDTC）技术中的应用，推导并提出了一系列联合算法，对增强现代侦察监视系统的目标信息获取能力具有重要的理论和实际意义。第一章为绪论，阐述了课题研究背景和意义，介绍了目标联合跟踪与分类、联合检测与跟踪及联合检测、跟踪与分类技术的研究现状，指出了FISST应用于机动目标联合检测、跟踪与分类问题的可行性。第二章由浅入深地介绍了FISST的理论基础，以直观而形象的方式阐述了FISST中复杂抽象的基本概念和方法，为后续研究奠定基础。第叁章针对一个目标可能产生多个测量的情形，详细研究了单机动目标跟踪及单机动目标JTC问题。针对FISST中单目标跟踪滤波器（STBF）在目标可能发生机动行为的情形下将导致发散的问题，严格推导了最优多模型扩展的STBF，并分别针对一般和线性高斯模型给出了最优多模型扩展STBF的粒子和高斯混合近似实现方法。针对高斯混合最优多模型扩展STBF中多模型假设随着递归滤波时间的延长和测量值数目的增加导致指数增长的问题，提出了一种线性高斯假设条件下的交互多模型STBF。在上述理论支撑下，最后针对单机动目标JTC问题，严格推导了一种最优单机动目标JTC算法。仿真结果验证了将目标跟踪与目标分类进行联合处理的优势。第四章针对场景中至多存在一个目标的情形，详细研究了单机动目标JDT及单机动目标JDTC问题。针对FISST中单目标联合检测与跟踪滤波器（JoTTF）在目标可能发生机动行为的情形下将导致发散或跟踪丢失的问题，严格推导了最优多模型扩展的JoTTF，并分别针对一般和线性高斯模型给出了最优多模型扩展JoTTF的粒子和高斯混合近似实现方法。针对单机动目标的联合检测、跟踪与分类问题，严格推导了最优单机动目标JDTC算法，并针对一般运动学和测量模型给出了该算法的粒子近似实现方法。仿真结果验证了将相互耦合的目标检测、跟踪与分类问题进行联合处理的优势。第五章在相同运动学模型集条件下，详细研究了多机动目标JDTC问题。通过引入类别辅助信息，利用FISST中所提供的多机动目标JDT滤波器，建立了目标检测、目标跟踪与目标分类的良性反馈，从而得到了更为准确的目标数目和状态估计；反过来，又保证了目标的分类性能。针对一般运动学和测量模型，提出了一种相同模型集条件下基于MMPHDF的多机动目标JDTC算法，并详细给出了该算法的粒子近似实现方法。针对线性高斯运动学和测量模型，提出了一种相同模型集条件下基于LGJMS-GMPHDF的多机动目标JDTC算法。第六章研究了类别相关运动学模型集条件下的多机动目标JDTC问题。针对一般运动学和测量模型，严格推导了一种类别相关模型集条件下基于PHD类滤波器的多机动目标JDTC算法，详细给出了该算法的粒子近似实现方法。该算法的基本思想是通过类别匹配的PHD类滤波器估计出各类别条件化的概率假设密度，进而实现多机动目标的联合检测、跟踪与分类。针对线性高斯运动学和测量模型，提出了一种类别相关模型集条件下基于LGJMS-GMPHDF的多机动目标JDTC算法。该算法的基本思想是为每一高斯混合成分构建一个组合运动学模型集，进而对高斯混合成分的状态进行预测，最后采用目标运动状态和属性测量的组合似然函数对高斯混合成分的状态进行更新，并同时完成与之关联分类向量的更新。第七章重点研究了基于FISST的目标联合检测与跟踪算法的航迹提取技术。在新生目标强度函数未知情形下，针对一种典型航迹提取算法没有考虑存在虚警估计和目标漏检以及无法在目标新生时刻对不同目标的粒子进行区分等不足，提出了一种测量驱动的多目标航迹提取算法。该算法对ATBI-PHDF进行扩展以提取多目标航迹，由于这是一种测量驱动的PHDF，可以在目标新生时刻即对不同目标的粒子进行区分，因此在后续滤波时刻也无须采用聚类技术以提取多目标状态。通过引入时间窗技术，这种测量驱动的多目标航迹提取算法较好地避免了目标航迹过早地终止和虚假航迹的形成。针对现有文献在对航迹提取算法进行仿真验证时大多采用单次典型实验演示验证方法，也即缺乏一个有效的性能评价标准，详细研究了航迹提取技术的性能评估方法。在此基础上提出一种基于最优分配的性能评估策略，该策略可对航迹提取的多方面性能进行评估且无需主观设置参数。第八章总结全文，并指出了下一步可能的研究方向。(本文来源于《国防科学技术大学》期刊2012-10-01）
杨威,付耀文,龙建乾,黎湘[3]（2012）在《基于有限集统计学理论的目标跟踪技术研究综述》一文中研究指出有限集统计学理论为杂波背景下的目标跟踪问题提供了一种工程友好的理论工具.对近年来基于有限集统计学理论的目标跟踪技术研究现状进行了综述,包括最优多目标贝叶斯滤波器及其近似技术、参数未知与机动多目标跟踪技术、航迹生成方法、单目标联合检测与跟踪滤波器及基于有限集观测的单目标滤波器等,对相关应用亦有所介绍.最后在已有研究发展的基础上,着眼于提高目标跟踪精度和增强目标跟踪鲁棒性的发展需要,提出了基于有限集统计学理论的目标跟踪技术需重点解决和关注的若干问题,包括多目标跟踪性能评价、弱小目标跟踪、多机动目标跟踪、多传感器融合跟踪以及联合目标检测、跟踪与分类等方面.(本文来源于《电子学报》期刊2012年07期）
张洪建[4]（2009）在《基于有限集统计学的多目标跟踪算法研究》一文中研究指出多目标跟踪是根据传感器探测到的、由多个运动目标和环境噪声产生的量测序列,来估计多个目标运动状态和目标数目的目标跟踪方法。多目标跟踪方法可以分成两个方面的内容:基于数据关联的多目标跟踪方法、基于有限集统计学(Finite-Set Statistics:FISST)的多目标跟踪方法。基于数据关联的多目标跟踪方法也称为间接目标跟踪方法,基于FISST的多目标跟踪方法也称为直接目标跟踪方法。基于数据关联的多目标跟踪方法是单目标跟踪方法的直观推广。而基于FISST的多目标跟踪方法是近年来发展起来、有别于传统多目标跟踪方法的一种有着坚实数学基础的多目标跟踪方法,近年来为广大研究者所重视,得到了快速的发展和广泛认同。这种多目标跟踪方法更能反映出目标跟踪的数学本质,并改变了人们对多目标跟踪问题的传统认识。基于FISST的多目标跟踪方法能够成功地有效处理传统多目标跟踪方法中出现的一些问题,并且其计算复杂度相比传统的多目标跟踪方法要小得多。因此,我们要对基于FISST的多目标跟踪方法对未来多目标跟踪技术发展的影响有充分的认识。本文的主要研究内容包括以下两方面:1)基于FISST的多目标跟踪方法,研究有效处理传统多目标跟踪方法中仍然得不到很好有效处理的多传感器多目标被动定位跟踪问题;2)研究有效处理基于FISST多目标跟踪方法中仍然存在的叁个问题的方法。主要研究成果如下:1.基于序贯Probability Hypothesis Density (PHD)滤波器的多传感器多目标被动定位算法。多传感器多目标被动定位问题是一个被广泛研究的问题。采用传统方法处理这一问题的关键问题是数据关联。数学上,可以用多维分配准确地描述多传感器多目标被动定位的数据关联问题。但是,当分配的维数大于等于3时,处理多维分配的计算复杂度为NP Hard。另外,在密集杂波环境下,采用传统方法处理多传感器多目标被动定位问题也得不到令人满意的结果。基于序贯PHD滤波器,本文给出了两种处理多传感器多目标被动定位的方法。一种是传感器被成对使用,另外一种是传感器被分别独立使用。仿真表明,在密集杂波环境下,采用序贯PHD滤波器的多传感器多目标被动定位方法的性能指标Wasserstein Distance (WD)优于基于多维分配的多目标被动定位方法。并且,相比基于多维分配的多目标被动定位方法,其计算复杂度要小的多。2.带有椭球门限的高斯混合Cardinalized PHD(GM-CPHD)滤波器。与PHD滤波器不同,CPHD滤波器在传递PHD函数的同时也传递目标数目分布的概率密度函数,使得对多目标状态的估计更加精确。CPHD滤波器的这种优势是用更大的计算复杂度获得的。在CPHD滤波器计算精度损失不大的情况下,降低CPHD滤波器的计算量是一个有着工程应用价值、值得研究的问题。本文提出了采用椭球门限来降低量测集合中量测的数目,从而达到降低CPHD计算量目的的方法,并在仿真中讨论了采用椭球门限时应该注意的问题。仿真表明,采用椭球门限GM-CPHD滤波器的计算量得到了有效地降低,并且其性能损失并不明显。3.新出现目标强度函数未知的GM-PHD滤波器。在实现PHD滤波器或CPHD滤波器时,先前方法一般都假设新出现目标的强度函数已知。而在大多数实际的应用中,这一假设并不能得到满足。仿真表明,当新出现目标的强度函数未知时,PHD滤波器可能会检测不到新出现的目标。本文给出了GM-PHD (Gaussian Mixture PHD)滤波器的一种矩阵表达形式。这种GM-PHD滤波器的矩阵表达形式只是GM-PHD滤波器的另外一种表达形式,并没有改变GM-PHD滤波器的内容。但是,这种形式能清楚地描述出当前周期得到的高斯分量和上个周期保留高斯分量的关系,以及当前周期得到的高斯分量和传感器量测之间的关系。基于这种矩阵形式,在高斯分量修剪过程中,对应于每一个量测都至少保留一个高斯分量到下个更新周期。这样就能使GM-PHD滤波器在新出现目标强度函数未知的情况下,检测到新出现的目标。4.多传感器GM-PHD滤波器。单传感器的PHD滤波器在基于FISST多目标跟踪方法中有着非常重要的地位。但是,构建理论上严格的多传感器PHD滤波器并非易事。即使存在,其形式也非常复杂,没有实际应用的价值。R. Mahler给出了一种多传感器序贯PHD滤波器,但是这种滤波器要求多个传感器的探测区域一致,至少要求被跟踪的目标位于多个传感器探测区域的交集部分。基于GM-PHD滤波器的矩阵表达形式,本文构建了一种多传感器GM-PHD滤波器。这种滤波器能在多个传感器的观测区域不一致的情况下使用。并且,当传感器的探测概率较低,和多个传感器的探测区域一致时,它仍然优于序贯PHD滤波器。(本文来源于《上海交通大学》期刊2009-10-01）
有限集统计学论文开题报告
（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：
传统侦察监视系统大多将目标检测、跟踪、分类叁个问题分开处理。事实上，目标的检测、跟踪与分类是叁个紧密耦合的问题，联合处理有望同时得到更优异的检测、跟踪与分类性能。一方面，目标的运动学行为可以改善目标分类性能；另一方面，类别相关的运动学模型又可以提升目标跟踪性能。当然，目标数目的变化也蕴含着跟踪与分类算法的改变。本文以有限集统计学理论（Finite SetStatistics: FISST）为基础，探索其在机动目标联合检测与跟踪（Joint Detection andTracking: JDT）、机动目标联合跟踪与分类（Joint Tracking and Classification: JTC）、尤其是在机动目标联合检测、跟踪与分类（Joint Detection, Tracking andClassification: JDTC）技术中的应用，推导并提出了一系列联合算法，对增强现代侦察监视系统的目标信息获取能力具有重要的理论和实际意义。第一章为绪论，阐述了课题研究背景和意义，介绍了目标联合跟踪与分类、联合检测与跟踪及联合检测、跟踪与分类技术的研究现状，指出了FISST应用于机动目标联合检测、跟踪与分类问题的可行性。第二章由浅入深地介绍了FISST的理论基础，以直观而形象的方式阐述了FISST中复杂抽象的基本概念和方法，为后续研究奠定基础。第叁章针对一个目标可能产生多个测量的情形，详细研究了单机动目标跟踪及单机动目标JTC问题。针对FISST中单目标跟踪滤波器（STBF）在目标可能发生机动行为的情形下将导致发散的问题，严格推导了最优多模型扩展的STBF，并分别针对一般和线性高斯模型给出了最优多模型扩展STBF的粒子和高斯混合近似实现方法。针对高斯混合最优多模型扩展STBF中多模型假设随着递归滤波时间的延长和测量值数目的增加导致指数增长的问题，提出了一种线性高斯假设条件下的交互多模型STBF。在上述理论支撑下，最后针对单机动目标JTC问题，严格推导了一种最优单机动目标JTC算法。仿真结果验证了将目标跟踪与目标分类进行联合处理的优势。第四章针对场景中至多存在一个目标的情形，详细研究了单机动目标JDT及单机动目标JDTC问题。针对FISST中单目标联合检测与跟踪滤波器（JoTTF）在目标可能发生机动行为的情形下将导致发散或跟踪丢失的问题，严格推导了最优多模型扩展的JoTTF，并分别针对一般和线性高斯模型给出了最优多模型扩展JoTTF的粒子和高斯混合近似实现方法。针对单机动目标的联合检测、跟踪与分类问题，严格推导了最优单机动目标JDTC算法，并针对一般运动学和测量模型给出了该算法的粒子近似实现方法。仿真结果验证了将相互耦合的目标检测、跟踪与分类问题进行联合处理的优势。第五章在相同运动学模型集条件下，详细研究了多机动目标JDTC问题。通过引入类别辅助信息，利用FISST中所提供的多机动目标JDT滤波器，建立了目标检测、目标跟踪与目标分类的良性反馈，从而得到了更为准确的目标数目和状态估计；反过来，又保证了目标的分类性能。针对一般运动学和测量模型，提出了一种相同模型集条件下基于MMPHDF的多机动目标JDTC算法，并详细给出了该算法的粒子近似实现方法。针对线性高斯运动学和测量模型，提出了一种相同模型集条件下基于LGJMS-GMPHDF的多机动目标JDTC算法。第六章研究了类别相关运动学模型集条件下的多机动目标JDTC问题。针对一般运动学和测量模型，严格推导了一种类别相关模型集条件下基于PHD类滤波器的多机动目标JDTC算法，详细给出了该算法的粒子近似实现方法。该算法的基本思想是通过类别匹配的PHD类滤波器估计出各类别条件化的概率假设密度，进而实现多机动目标的联合检测、跟踪与分类。针对线性高斯运动学和测量模型，提出了一种类别相关模型集条件下基于LGJMS-GMPHDF的多机动目标JDTC算法。该算法的基本思想是为每一高斯混合成分构建一个组合运动学模型集，进而对高斯混合成分的状态进行预测，最后采用目标运动状态和属性测量的组合似然函数对高斯混合成分的状态进行更新，并同时完成与之关联分类向量的更新。第七章重点研究了基于FISST的目标联合检测与跟踪算法的航迹提取技术。在新生目标强度函数未知情形下，针对一种典型航迹提取算法没有考虑存在虚警估计和目标漏检以及无法在目标新生时刻对不同目标的粒子进行区分等不足，提出了一种测量驱动的多目标航迹提取算法。该算法对ATBI-PHDF进行扩展以提取多目标航迹，由于这是一种测量驱动的PHDF，可以在目标新生时刻即对不同目标的粒子进行区分，因此在后续滤波时刻也无须采用聚类技术以提取多目标状态。通过引入时间窗技术，这种测量驱动的多目标航迹提取算法较好地避免了目标航迹过早地终止和虚假航迹的形成。针对现有文献在对航迹提取算法进行仿真验证时大多采用单次典型实验演示验证方法，也即缺乏一个有效的性能评价标准，详细研究了航迹提取技术的性能评估方法。在此基础上提出一种基于最优分配的性能评估策略，该策略可对航迹提取的多方面性能进行评估且无需主观设置参数。第八章总结全文，并指出了下一步可能的研究方向。
（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。
有限集统计学论文参考文献
[1].许建,黄放明.基于有限集统计学的多目标跟踪方法[J].指挥信息系统与技术.2014
[2].杨威.基于有限集统计学理论的机动目标联合检测、跟踪与分类技术研究[D].国防科学技术大学.2012
[3].杨威,付耀文,龙建乾,黎湘.基于有限集统计学理论的目标跟踪技术研究综述[J].电子学报.2012
[4].张洪建.基于有限集统计学的多目标跟踪算法研究[D].上海交通大学.2009