导读:本文包含了高斯混合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:星凸随机超曲面,势概率假设密度滤波器,形状估计,伽马函数
高斯混合滤波器论文文献综述
李翠芸,王精毅,姬红兵,刘远[1]（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）
陈辉,贺忠良,连峰,黎慧波[2]（2019）在《基于高斯混合多目标滤波器的传感器控制策略》一文中研究指出本文基于随机有限集的高斯混合多目标滤波器(Gaussian Mixture Multi-Target Filter,GM-MTF)提出几种传感器控制策略.首先,基于容积卡尔曼高斯混合多目标非线性滤波器,借助两个高斯分布之间的巴氏距离,推导GM-MTF的整体信息增益,并以此为基础提出相应的传感器控制策略.另外,设计高斯粒子的联合采样方法对多目标滤波器的预测高斯分量进行采样,用一组带权值的粒子去近似多目标统计特性,利用理想量测集对粒子的权值进行更新,继而研究利用Rényi散度作为评价函数,提出一种适应性更好的传感器控制策略.最后,给出基于目标势的后验期望(Posterior Expected Number of Targets,PENT)评价的高斯混合实现过程.仿真实验验证了提出算法的有效性.(本文来源于《电子学报》期刊2019年03期）
曲长文,冯奇,李廷军[3]（2018）在《基于分治-贪心算法的高斯混合多观测站CPHD滤波器》一文中研究指出针对现有的多观测站概率假设密度滤波器实现中存在依赖观测站处理顺序、计算复杂度高等问题,文中提出一种基于分治-贪心算法的高斯混合多观测站势概率假设密度滤波器.假设观测站个数为s,每个观测站的量测个数为n,相对于暴力分析法,分治算法使得子集选取问题的计算复杂度从O(ns)降到了O(ns).此外,在线性高斯模型假设条件下,给出多观测站势概率假设密度滤波实现的具体步骤.仿真结果证明,本文实现方法不受观测站处理顺序的影响,分治-贪心近似实现方法与暴力分析法的跟踪性能相当,但是运算耗时大大降低,提高了算法实现及应用的可行性.(本文来源于《电子学报》期刊2018年10期）
贺忠良[4]（2018）在《基于高斯混合多目标滤波器的传感器控制方法研究》一文中研究指出多目标跟踪(Multi-target tracking,MTT)技术一直是工程应用和理论研究中的热点议题,它本质上是时变联合决策与估计的过程。在多目标跟踪系统中,通过合理的优化决策过程,去控制传感器运动以最大程度优化接收量测信息的质量,从而提升信息融合的整体水平,这对复杂环境下的多目标跟踪问题的有效解决无疑具有重要的现实意义。近些年来,基于有限集统计(Finite set statistics,FISST)理论的多目标跟踪方法因其避免直接应对复杂的数据关联问题而广受关注,该方法体系不仅具有坚实的数学基础,而且为多目标跟踪中传感器控制问题的研究提供了很大的便利。有鉴于此,本文基于有限集统计理论,利用高斯混合多目标滤波器对多目标跟踪中的传感器控制方法展开深入研究,主要的研究内容如下:1)针对MTT中的传感器控制问题,基于FISST理论,结合高斯混合概率假设密度滤波器(Gaussian mixture probability hypothesis density filter,GM-PHDF)研究了相应的传感器控制策略。首先,基于容积卡尔曼高斯混合概率假设密度滤波器(Cubature Kalman GM-PHDF,CK-GMPHDF),借助两个高斯分布之间的巴氏距离,给出了多目标概率密度间的信息增益,并以此为基础提出相应的传感器控制策略。另外,设计高斯粒子的联合采样方法对多目标滤波器的预测高斯分量进行采样,用一组带权值的粒子去近似多目标统计特性,利用理想量测集对粒子的权值进行更新,继而研究利用Rényi散度作为评价函数,提出一种适应性更好的传感器控制策略。最后,给出基于目标势的后验期望(Posterior expected number of targets,PENT)评价的高斯混合实现过程。仿真实验验证了提出算法的有效性。2)为了进一步拓展基于高斯混合概率假设密度滤波器(GM-PHDF)的传感器控制,本文研究基于柯西施瓦兹(Cauchy-Schwarz,CS)散度的传感器控制方法。首先,研究并利用多目标概率密度的近似统计假设条件,给出了柯西施瓦兹(CS)散度的概率假设密度(PHD)表达形式的详细推导。进而选取CS散度作为评价函数来反映多目标先验密度和多目标后验密度之间的差异,并结合容积卡尔曼高斯混合概率假设密度滤波器(CK-GMPHDF)的实现形式对评价函数进行求解,继而在信息增益最大化的准则下,提出基于CS散度的传感器控制方法。通过仿真实验对比验证所提方法的有效性。3)本文最后研究了基于高斯混合多伯努利滤波器传感器控制策略。首先,给出容积卡尔曼高斯混合势均衡多目标多伯努利滤波器(Cubature Kalman GM cardinality balanced multi-target multi-Bernoulli filter,CK-GMCBMe MBer F)的实现形式,并提取高斯混合分量近似多伯努利密度。然后,研究两个高斯混合之间的柯西施瓦兹(CS)散度的求取,推导多目标概率密度变化所对应的信息增益,并提出基于CS散度的传感器控制方法。另外,结合CK-GMCBMe MBer F,详细推导了目标势的后验期望(PENT)准则的高斯混合(GM)实现过程,以GM-PENT作为评价准则进行相应的传感器控制方法的研究。最后,仿真实验验证了所提算法的有效性。(本文来源于《兰州理工大学》期刊2018-06-02）
王双英[5]（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）
李翠芸,林锦鹏,姬红兵[6]（2015）在《一种基于椭圆RHM的扩展目标Gamma高斯混合CPHD滤波器》一文中研究指出针对杂波环境下扩展目标形状难以估计、目标跟踪精度低等问题,提出一种自适应估计扩展目标形状的伽玛高斯混合势概率假设密度算法(GGM-CPHD).该算法将目标的扩展形状建模为椭圆随机超曲面模型,并将其嵌入到GGM-CPHD滤波器中,更新扩展目标的质心、椭圆形状和方向等信息以完成对扩展目标的跟踪.通过杂波环境下未知数目的扩展目标仿真实验,表明了所提出算法在质心状态和椭圆长短轴的估计精度方面要优于传统的基于随机矩阵的伽玛高斯逆韦氏CPHD滤波器.(本文来源于《控制与决策》期刊2015年09期）
连峰,马冬冬,元向辉,陈文,韩崇昭[7]（2015）在《扩展目标CBMeMBer滤波器及其高斯混合实现》一文中研究指出将CBMeMBer滤波器推广到多扩展目标跟踪场合,提出扩展目标CBMeMBer滤波器,并给出其高斯混合实现的步骤.该滤波器主要对原始CBMeMBer滤波器的更新步进行改进,引入多量测似然函数,避免了对目标数目的过估计.仿真结果表明,在多扩展目标跟踪场合,扩展目标CBMeMBer滤波器对目标数目和状态的估计精度高于CBMeMBer滤波器,接近于扩展目标PHD滤波器.(本文来源于《控制与决策》期刊2015年04期）
孔云波,冯新喜,危璋[8]（2015）在《利用高斯混合概率假设密度滤波器对扩展目标量测集进行划分》一文中研究指出针对杂波环境下多扩展目标高斯混合概率假设密度(ET-GMPHD)量测集划分难、计算量大的问题,提出了一种新的基于网格密度分布和谱聚类的扩展目标量测集划分方法。利用动态网格生成技术来获得量测集的网格密度分布;在获得网格划分后,将全部量测数据映射到网格单元中并统计网格单元的密度,且采用双密度阀值法来滤除量测集中的杂波;在谱聚类算法中利用密度敏感距离测度对去除杂波后的量测集构造相似矩阵,继而变换得到拉普拉斯矩阵;利用k-均值聚类算法对拉普拉斯矩阵的特征向量进行聚类划分。采用网格密度划分法滤除量测集中的杂波,使划分子集尽可能多地包含真实量测,增加划分子集与量测集合的近似度,从而在减少计算量的同时保证算法的跟踪性能损失不大。仿真实验表明,与典型的量测集划分算法相比,所提方法在跟踪误差损失约5%的前提下,计算效率提高了38%以上,具有更好的性能。(本文来源于《西安交通大学学报》期刊2015年07期）
胡子军,张林让,张鹏,王纯[9]（2015）在《基于高斯混合带势概率假设密度滤波器的未知杂波下多机动目标跟踪算法》一文中研究指出多模型的随机有限集(RFS)类方法是一类有效的多机动目标跟踪算法,但是现有算法都假定杂波统计特性先验已知,不适用于未知杂波背景。该文以高斯混合带势概率假设密度滤波器(GMCPHDF)为基础,提出一种未知杂波下的多机动目标跟踪算法。该算法对目标和杂波分别独立建模,通过最优高斯(BFG)估计方法对真实目标的强度函数进行预测,从而使多目标强度函数独立于机动目标的运动模型,实现各时刻真实目标的强度函数、杂波源期望个数以及真实目标和杂波源的混合势分布的迭代。仿真结果表明,该算法能够有效地联合估计多机动目标状态以及杂波期望个数。(本文来源于《电子与信息学报》期刊2015年01期）
陈迪[10]（2015）在《高斯混合PHD滤波器理论与应用研究》一文中研究指出随着多目标跟踪问题研究的日趋成熟和不断发展,关于多目标跟踪的算法越来越多,对多目标跟踪问题的解决办法层出不穷。根据多目标跟踪理论的发展过程,可将多目标跟踪算法分为两类,即传统多目标跟踪算法与基于随机有限集的概率假设密度(PHD)滤波算法。第一类算法的核心技术是数据关联,第二类算法是利用随机集来建模,从而避免数据关联带来的计算复杂问题。本文将对后者进行侧重研究。本文首先对典型的多目标跟踪方法,如Bayes滤波,Kalman滤波,粒子滤波进行详细说明。随后介绍了由Mahler.R提出的PHD滤波算法,该算法在严格的数学框架下被推导出来,有很好的数学理论基础,具有易实现,估计精度高的特点,推动了该领域的发展。在介绍该算法前,本文对随机有限集的一些理论,如随机有限集的定义,集积分与集微分以及基于随机集的多目标跟踪算法跟踪性能有效性的评价指标等均做了详细介绍,为下文研究的打好基础。其次阐述了基于随机集的概率假设密度滤波算法与带势的概率假设密度(CPHD)滤波算法在贝叶斯框架下的递推过程,并对PHD的粒子、高斯混合实现方式与CPHD的高斯混合实现方式进行了深入研究,通过仿真来比较二者跟踪性能的优劣。因PHD与CPHD的高斯混合实现形式均将先验概率初始化,新生目标出现的位置不确定,且强度函数需出现在整个监测区域,这些问题会造成算法低效率,使工程应用被限制,此外GM-PHD算法在强杂波背景下易发生误跟与漏跟,针对以上问题,将原始算法通过添加标识PHD滤波的新生目标与存活目标在预测步骤与更新步骤进行区分,并将二者的两个步骤分开进行,再利用每一次扫描得到的量测来自适应的得到目标新生强度,这样可以根据量测驱动来避免对先验概率的假设。本文中定名该算法为自适应高斯混合概率假设密度(AGM-PHD)滤波算法。最后将GM-PHD滤波算法与AGM-PHD算法应用于海豚哨音信号追踪,在对哨音信号追踪的过程中存在一些挑战,实验中通过设定不同参数,从各种方面来讨论GM-PHD滤波与AGM-PHD滤波对于哨音信号的追踪性能并探究规律。(本文来源于《哈尔滨工程大学》期刊2015-01-01）
高斯混合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：
本文基于随机有限集的高斯混合多目标滤波器(Gaussian Mixture Multi-Target Filter,GM-MTF)提出几种传感器控制策略.首先,基于容积卡尔曼高斯混合多目标非线性滤波器,借助两个高斯分布之间的巴氏距离,推导GM-MTF的整体信息增益,并以此为基础提出相应的传感器控制策略.另外,设计高斯粒子的联合采样方法对多目标滤波器的预测高斯分量进行采样,用一组带权值的粒子去近似多目标统计特性,利用理想量测集对粒子的权值进行更新,继而研究利用Rényi散度作为评价函数,提出一种适应性更好的传感器控制策略.最后,给出基于目标势的后验期望(Posterior Expected Number of Targets,PENT)评价的高斯混合实现过程.仿真实验验证了提出算法的有效性.
（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。
高斯混合滤波器论文参考文献
[1].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
[2].陈辉,贺忠良,连峰,黎慧波.基于高斯混合多目标滤波器的传感器控制策略[J].电子学报.2019
[3].曲长文,冯奇,李廷军.基于分治-贪心算法的高斯混合多观测站CPHD滤波器[J].电子学报.2018
[4].贺忠良.基于高斯混合多目标滤波器的传感器控制方法研究[D].兰州理工大学.2018
[5].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
[6].李翠芸,林锦鹏,姬红兵.一种基于椭圆RHM的扩展目标Gamma高斯混合CPHD滤波器[J].控制与决策.2015
[7].连峰,马冬冬,元向辉,陈文,韩崇昭.扩展目标CBMeMBer滤波器及其高斯混合实现[J].控制与决策.2015
[8].孔云波,冯新喜,危璋.利用高斯混合概率假设密度滤波器对扩展目标量测集进行划分[J].西安交通大学学报.2015
[9].胡子军,张林让,张鹏,王纯.基于高斯混合带势概率假设密度滤波器的未知杂波下多机动目标跟踪算法[J].电子与信息学报.2015
[10].陈迪.高斯混合PHD滤波器理论与应用研究[D].哈尔滨工程大学.2015
标签：星凸随机超曲面; 势概率假设密度滤波器; 形状估计; 伽马函数;