排序方式: 共有2条查询结果,搜索用时 0 毫秒
1
1.
针对复杂不确定性环境下不规则形状的多扩展目标跟踪问题, 本文提出了一种基于高斯过程回归(GPR)
模型的多扩展目标多伯努利(GPR–ETCBMeMBer)滤波算法. 首先, 在利用有限集统计理论(FISST)将多扩展目标的
状态集与量测集分别建模为多伯努利随机有限集(MBer RFS) 和泊松随机有限集(Poisson RFS) 的基础上, 通过
GPR方法建立多扩展目标随机超曲面的跟踪滤波模型. 然后, 基于容积卡尔曼滤波器(CKF)详细推导并提出GPR多
扩展目标多伯努利滤波算法的高斯混合(GM)实现. 最后, 通过构造对星凸形多扩展目标和多群目标跟踪的仿真实
验验证了本文所提算法的有效性. 相似文献
2.
针对多扩展目标跟踪中的传感器控制问题,本文基于有限集统计(FISST)理论与随机超曲面模型(RHM),利用多伯努利(MBer)滤波器提出有效的传感器控制策略.首先,文中给出多扩展目标跟踪中基于信息论联合目标形状估计优化和目标运动状态估计优化的传感器控制方法的求解思路.其次,给出RHM容积卡尔曼高斯混合(GM)势均衡多扩展目标多伯努利滤波算法的具体实现过程.然后,结合GM密度间的柯西施瓦兹(Cauchy-Schwarz)散度提出相应的传感器控制决策方法.此外,详细推导了扩展目标势的后验期望(PENET)的GM实现,并提出以GM–PENET为评价函数的传感器控制方法.最后,通过构造随机星凸形多扩展目标的跟踪优化仿真实验验证了本文所提传感器控制方法的有效性. 相似文献
1