【摘要】：信度傳播算法是一種基于用于快速求解馬爾科夫隨機(jī)場(chǎng)的算法。本文將建立適用于多傳感器多目標(biāo)跟蹤的馬爾科夫隨機(jī)場(chǎng)模型,并給出了在此模型上的信度傳播算法。在此基礎(chǔ)上,本文給出了基于粒子信度傳播的多目標(biāo)跟蹤算法,并首次提出了基于高斯混合信度傳播的多目標(biāo)跟蹤算法。然后為了打破信度傳播對(duì)跟蹤目標(biāo)數(shù)目的限制,提出了變結(jié)構(gòu)信度傳播算法,并給出了三種具體的變結(jié)構(gòu)策略,即基于量測(cè)的變結(jié)構(gòu)策略,基于聯(lián)合起始的變結(jié)構(gòu)策略與基于啟發(fā)式邏輯的變結(jié)構(gòu)策略。最后本文提出了一種融合隨機(jī)有限集統(tǒng)計(jì)理論與信度傳播算法的多目標(biāo)跟蹤算法,即信度傳播概率假設(shè)密度濾波器。仿真實(shí)驗(yàn)表明,基于信度傳播的多目標(biāo)跟蹤算法能完成噪聲環(huán)境下的多目標(biāo)跟蹤,并且有著較高的精度。而基于信度傳播的多目標(biāo)跟蹤算法能夠根據(jù)實(shí)際目標(biāo)數(shù)目,自適應(yīng)調(diào)整潛在目標(biāo)集合。并且基于啟發(fā)式邏輯的變結(jié)構(gòu)策略在性能上略優(yōu)于基于聯(lián)合起始的變結(jié)構(gòu)策略,而兩者性能顯著優(yōu)于基于量測(cè)的變結(jié)構(gòu)策略。信度傳播概率假設(shè)密度方法對(duì)比基于信度傳播的多目標(biāo)跟蹤算法,有著更高的計(jì)算效率,而對(duì)比概率假設(shè)密度濾波器,有著更好的跟蹤精度。
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP212;TN713
【圖文】：

( s)n 的條件概率質(zhì)量函數(shù) p (a , m | y )可以改寫為加入量測(cè)分配向量的形式( ) ( ) ( )' ' ' '' 1 1( , , | ) ( , , | )n Ss s sn n n nn sp p M a b m y a b y (，單時(shí)刻單傳感器的條件概率質(zhì)量函數(shù)為( )( ) ( ) ( )( ) ( ) ( ) ( ) ( ), , , , ,1 1( , , | )( ) ( , , ; ) ( , ),sns s sn n n nMKs s s s sn n k n k n k n n k n mk mp MC M h r a M a b a b yx(全時(shí)刻全傳感器條件概率質(zhì)量函數(shù)，得到( )'',( ) ( ) ( ) ( )', ', ' ', ',' 1 1 1 1( , , | )( ) ( , , ; ) ( , ),snn kMn S Ks s s sn k n k n n k n mn s k mpC h r a M a b a b m ym x( C (m ) 是只與m 有關(guān)的歸一化常數(shù)。這樣就得到了帶有冗余向量的概率，原先的高維的( )( )sn a 被許多低維的( ) ( ), ,( , )s sn k n m a b代替，則完成了該因子因子法。最后完成開放因子后的因子圖見圖 2-2。

2）分配向量迭代信度傳播因子圖2）The factor graph of loopy belief propagation on assignment vector圖 2- 2 多目標(biāo)跟蹤算法的因子圖Fig.2-2 The factor graph of target tracking 2-2 是某一跟蹤步信度傳播的因子圖。為了簡(jiǎn)便起見，圖（2）為圖度傳播模塊的具體的展開。最后完成迭代信度傳播后，將提{1,..., } K作為該步目標(biāo)狀態(tài)估計(jì)。模階段已經(jīng)表明，為了提取目標(biāo)存在性與目標(biāo)狀態(tài)，最重要的是獲態(tài)的后驗(yàn)概率分布函數(shù),( | )n kf y z ，而信度傳播方法給出了從全時(shí)刻目標(biāo)X椆闋刺�，分配向量与冗訃恐配向量的联杭�(xì)怕拭芏群

本文編號(hào)：2797775