本文關(guān)鍵詞：基于模型類型匹配PHD濾波器和TBM的多目標(biāo)聯(lián)合跟蹤分類

  更多相關(guān)文章： 聯(lián)合跟蹤與分類 概率假設(shè)密度 可轉(zhuǎn)移信度模型 粒子濾波 多傳感器數(shù)據(jù)融合

【摘要】：為了解決雜波和漏檢下多目標(biāo)的聯(lián)合跟蹤與分類問(wèn)題,提出了模型類型匹配概率假設(shè)密度(probability hypothesis density,PHD)濾波器,同時(shí)將其與多傳感器的可轉(zhuǎn)移信度模型(transferable belief model,TBM)框架相結(jié)合,并用多個(gè)運(yùn)動(dòng)學(xué)雷達(dá)和粒子濾波遞推實(shí)現(xiàn)。該算法對(duì)飛行器的先驗(yàn)信息進(jìn)行估計(jì),從而替代了屬性傳感器。在預(yù)測(cè)階段,根據(jù)模型和類型對(duì)PHD濾波器進(jìn)行粒子匹配;傳感器得到觀測(cè)結(jié)果后進(jìn)行粒子權(quán)重的更新;再根據(jù)粒子對(duì)應(yīng)的權(quán)重得到目標(biāo)的后驗(yàn)狀態(tài)-模型-類型分布;這些PHD濾波器可以同時(shí)得到目標(biāo)的狀態(tài)和類型;結(jié)合TBM和航跡粒子標(biāo)簽算法,得到多個(gè)傳感器的融合結(jié)果。仿真表明,本文提出的模型類型匹配PHD濾波器的性能比傳統(tǒng)多模型PHD濾波器更精確,同時(shí)多傳感器的TBM框架也全面提升了算法的性能。
【作者單位】： 北京航空航天大學(xué)自動(dòng)化科學(xué)與電氣工程學(xué)院;
【關(guān)鍵詞】： 聯(lián)合跟蹤與分類 概率假設(shè)密度 可轉(zhuǎn)移信度模型 粒子濾波 多傳感器數(shù)據(jù)融合
【基金】：航空科學(xué)基金(2014ZC51042)資助課題
【分類號(hào)】：TN713;TP212
【正文快照】： 0引言在現(xiàn)代戰(zhàn)爭(zhēng)軍事偵察系統(tǒng)中,多目標(biāo)的跟蹤與分類問(wèn)題已經(jīng)成為了最重要的兩個(gè)技術(shù)難題。盡管這兩個(gè)問(wèn)題是耦合的,但是以往人們通常將它們用不同的傳感器分別處理,用運(yùn)動(dòng)學(xué)傳感器進(jìn)行目標(biāo)跟蹤,用屬性傳感器進(jìn)行目標(biāo)分類。由于目標(biāo)類型信息能夠確定目標(biāo)運(yùn)動(dòng)學(xué)包絡(luò),提高目標(biāo)跟，

本文編號(hào)：870157