本文關(guān)鍵詞：基于改進概率假設(shè)密度的多目標跟蹤算法

  更多相關(guān)文章： 多目標跟蹤 概率假設(shè)密度濾波 序貫蒙特卡羅 建議密度函數(shù) 均方根容積卡爾曼濾波

【摘要】：經(jīng)典序貫蒙特卡羅概率假設(shè)密度(Sequential Mote Carlo Probability Hypothesis Density,SMC-PHD)濾波中,將目標狀態(tài)轉(zhuǎn)移密度函數(shù)做為建議密度函數(shù),沒有利用當前觀測信息,導(dǎo)致大部分預(yù)測粒子狀態(tài)偏離目標真實狀態(tài),粒子退化嚴重.針對上述問題,提出利用均方根容積卡爾曼濾波產(chǎn)生建議密度函數(shù),對其進行采樣得到預(yù)測粒子狀態(tài),該方法有嚴格理論基礎(chǔ),能有效減輕SMC-PHD濾波中的粒子退化,且適用性很強.仿真實驗對比了該算法、經(jīng)典SMC-PHD和基于無跡卡爾曼的SMC-PHD算法的跟蹤性能,驗證了該方法無論對勢估計還是對目標狀態(tài)估計的精度都優(yōu)于其他兩種算法.
【作者單位】： 西安電子科技大學(xué)雷達信號處理國家重點實驗室;
【關(guān)鍵詞】： 多目標跟蹤 概率假設(shè)密度濾波 序貫蒙特卡羅 建議密度函數(shù) 均方根容積卡爾曼濾波
【基金】：國家自然科學(xué)基金(No.61401526)
【分類號】：TN713
【正文快照】： 引言由于需要進行數(shù)據(jù)關(guān)聯(lián),傳統(tǒng)的多目標跟蹤算法運算量大、實時性差.為解決上述問題,Mahler基于隨機有限集[1](Random Finite Sets,RFS)理論,對多目標跟蹤進行集合建模,從而將單目標貝葉斯濾波推廣到多目標領(lǐng)域,避免了數(shù)據(jù)關(guān)聯(lián).但多目標貝葉斯濾波的最優(yōu)解需要進行集合積分,，

本文編號：551193