針對海上船舶雷達在多目標跟蹤過程中實時性較差和不能快速響應的問題,提出目前密集雜波情況下多目標跟蹤中最為有效的數(shù)據關聯(lián)算法——聯(lián)合概率數(shù)據關聯(lián)（Joint Probabilistic Data Association,JPDA）算法。為解決JPDA隨著目標增多的情況會出現(xiàn)的組合"爆炸"及計算量較大導致跟蹤實時性較差的問題,從分析聯(lián)合概率數(shù)據關聯(lián)確認矩陣著手,依據Hopfield神經網絡在解決旅行商問題（Travelling Salesman Problem,TSP）時的思路,提出基于Hopfield神經網絡聯(lián)合概率數(shù)據關聯(lián)（Hopfield Neural Network Joint Probability Data Association,H-JPDA）來改進聯(lián)合概率數(shù)據關聯(lián)算法,通過簡化矩陣拆分過程,顯著減少計算量,提高跟蹤的實時性。基于上述改進的神經網絡聯(lián)合概率數(shù)據關聯(lián)算法,通過MATLAB對多目標跟蹤進行仿真,仿真結果表明該算法能提高跟蹤的實時性和快速響應能力。 

【文章來源】：中國航海. 2020,43(01)北大核心CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

圖1 兩目標預測值及橢圓跟蹤門觀測值

每個神經元由一個運算放大器和相關的元件組成,其輸入一方面由輸出的反饋組成,另一方面也有以電流形式從外界連接進來的輸入,以b1、b2、b3如圖2所示。根據基爾霍夫電流定律,C i du i dt + u i R i0 = ∑ i=1 n 1 R ij (y j -u i )+b i ?????? ??? (6)

仿真環(huán)境為處理器Inter(R)Core(TM)i7-7500U CPU@2.70GHz 2.90 GHz,8.00 GB內存。仿真平臺為MATLAB 2017b。[15]目標的實際運動軌跡以及聯(lián)合概率數(shù)據關聯(lián)下的目標的觀測和估計運動軌跡分別見圖3和圖4。測量值與估計值之間的均方差見圖5。濾波值與估計值的均方差同測量值與估計值的均方差之間的比值見圖6。MATLAB平臺仿真得到JPDA與H-JPDA運行時間比較見表3。由表3可知:基于Hopfield神經網絡聯(lián)合概率數(shù)據關聯(lián)運行時間明顯優(yōu)于聯(lián)合概率數(shù)據關聯(lián),提高目標跟蹤的速率以及目標跟蹤的實時性。圖4 目標觀測和估計運動軌跡

【參考文獻】：
期刊論文
[1]一種改進的聯(lián)合概率數(shù)據關聯(lián)算法[J]. 駱榮劍,魏祥,李穎.  重慶理工大學學報(自然科學). 2018(06)
[2]海上目標多源軌跡數(shù)據關聯(lián)綜述[J]. 鹿強,吳琳,陳昭,王琪,徐勇軍,闞榮才.  地球信息科學學報. 2018(05)
[3]分類信息輔助的神經網絡聯(lián)合數(shù)據關聯(lián)算法[J]. 杜鵬,吳軍,吳志峰,王蕊.  彈箭與制導學報. 2010(02)

碩士論文
[1]基于多源信息融合的多目標跟蹤算法研究[D]. 于洪洋.哈爾濱工業(yè)大學 2014
[2]基于神經網絡的機動多目標跟蹤技術研究[D]. 張婧.西北工業(yè)大學 2007
[3]數(shù)據挖掘及融合技術研究與應用[D]. 黃玲.西北工業(yè)大學 2004



本文編號：3625233