共查询到17条相似文献,搜索用时 203 毫秒
1.
2.
基于多属性决策和态势估计结果的空战威胁评估方法 总被引:6,自引:0,他引:6
结合空战的特点,对影响目标威胁评估的属性进行了分析,并用层次分析法确定各属性的权值.根据多属性决策理论和方法,给出目标的威胁度,再根据空战的态势估计结果修正威胁度值,最终得到威胁排序结果,为传感器管理和火力分配提供依据. 相似文献
3.
4.
5.
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. 相似文献
6.
7.
针对多目标跟踪中的传感器控制问题,本文基于有限集统计(FISST)理论,利用高斯混合多伯努利滤波器研究并提出相应的传感器控制策略.首先,文中给出容积卡尔曼高斯混合势均衡多目标多伯努利滤波器(CK-GMCBMeMBerF)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(Cauchy-Schwarz)散度的求取,推导多目标概率密度变化所对应的信息增益,并以此为基础提出相应的传感器控制策略.此外,结合CK-GMCBMeMBer,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. 相似文献
8.
针对传统多目标威胁评估方法通常是二支决策,只能得到目标威胁排序,需要主观地划定威胁等级与选择作战目标数,不适应于复杂动态任务环境的问题,提出直觉模糊信息下基于VIKOR和三支决策的多目标威胁评估方法.首先,对动态直觉模糊威胁评估信息进行集结并求取属性权重;然后,通过VIKOR方法求取目标决策所需的条件概率;最后,通过评估信息构造各属性下目标的损失函数矩阵,集结得到目标的综合损失函数矩阵,计算综合阈值,得到决策规则.算例分析表明,所提方法能够有效地处理动态不确定目标态势信息,将传统方法的二支排序结果转变为三支分类结果;可以依据目标态势信息客观地选取作战目标. 相似文献
9.
10.
11.
12.
13.
We propose the information regularization principle for fusing information from sets of identical sensors observing a target phenomenon. The principle basically proposes an importance-weighting scheme for each sensor measurement based on the mutual information based pairwise statistical similarity matrix between sensors. The principle is applied to maximum likelihood estimation and particle filter based state estimation. A demonstration of the proposed regularization scheme in centralized data fusion of dense motion detector networks for target tracking is provided. Simulations confirm that the introduction of information regularization significantly improves localization accuracy of both maximum likelihood and particle filter approaches compared to their baseline implementations. Outlier detection and sensor failure detection capabilities, as well as possible extensions of the principle to decentralized sensor fusion with communication constraints are briefly discussed. 相似文献
14.
针对实际应用条件下传感器节点的观测数据与目标动态参数间呈现为非线性关系的特性,提出了一种基于粒子群优化和M-H抽样粒子滤波的传感器网络目标跟踪方法。该方法采用分布式结构,在动态网络拓扑结构下,由粒子群优化和M-H抽样技术实现滤波中的重抽样过程,抑制粒子退化现象,并通过粒子间共享历史信息,降低单个粒子历史状态间的相关性使各粒子能快速收敛至最优分布,从而实现高精度的目标跟踪效果。仿真结果表明,相比现有的基于信息粒子滤波和并行粒子滤波技术的传感器网络目标跟踪方法,所提出的方法能降低网络总能耗,同时保证目标跟踪的精度。 相似文献
15.
现有的多传感器多目标跟踪算法大都基于马尔科夫-贝叶斯模型,需要诸如目标运动、杂波、传感器检测概率等先验信息,但是在恶劣的环境中,这些先验信息不准确并导致目标跟踪精度下降。为了解决该情况下的多目标跟踪问题,我们提出了一个高效的分布式多目标跟踪算法,该算法通过泛洪(Flooding)共识算法在分布式网络的传感器之间迭代的传输、共享各自的量测集信息,并通过改进的密度峰值聚类(Improved Density Peaks Clustering, IDPC)算法对量测集聚类,聚类得到的簇的个数即目标的个数,簇的中心即目标的位置。我们将IDPC算法与前沿的分布式概率密度假设(probability density hypothesis, PHD)滤波器在三个场景中进行对比,实验结果证明了IDPC算法的有效性和可靠性。 相似文献
16.
基于改进的PHD粒子滤波的多目标跟踪技术 总被引:1,自引:0,他引:1
有限集统计学(FISST)理论将任意时刻目标状态的集合视为多目标集值状态,而相应的传感器观测值集合被视为多目标集值观测。通过随机有限集建模并利用集合的微积分运算可推导出最优多目标贝叶斯滤波器。然而由于涉及集合微积分运算,最优多目标贝叶斯滤波器的运算量极大。概率假设密度(PHD)滤波器是最优多目标贝叶斯滤波器的一阶矩近似,可以实现在关联不确定、目标数目未知或变化情况下的多目标状态估计。相比于最优多目标跟踪技术,基于PHD滤波器的多目标跟踪技术的运算复杂度得到了有效的降低,更易于工程应用。但在密集杂波背景下PHD滤波器的粒子实现方法仍然存在运算复杂度过高的问题。本文针对密集杂波的情形,提出一种有效的杂波滤除方法,在不影响滤波性能的情况下,降低了运算复杂度,提高了滤波效率。 相似文献
17.
针对混合运动模式下目标数量及目标运动速度范围等多项先验信息缺乏状况下的复杂航迹起始问题,提出一种基于最大置信度的多目标检测算法。该算法借鉴动态规划技术中的能量积累思想,并充分利用了传感器信号强度信息。在粗起始阶段利用扩展搜索算法生成候选航迹,并利用模型粗匹配的方法将候选航迹大致分为直线运动及曲线运动两种类型。在航迹确认阶段,采用基于信号强度信息的概率多假设跟踪算法,通过计算最优状态估计值获得量测点属于某一目标的最大置信度,并依据最大置信度确认目标量测。仿真实验结果表明,该方法实时性强,不仅能对多目标航迹准确起始,也可以有效避免概率多假设跟踪算法由于初值质量差而导致的错误跟踪现象。 相似文献