两阶段卡尔曼滤波自适应交互式多模型算法

对于机动目标跟踪问题,由于目标机动能力的增强,需建立大量模型来逼近真实模式,使建立的目标模型与目标的实际运动适配,但这使计算量增大,而且性能不一定能提高.针对这个问题,将两阶段卡尔曼滤波器与一般的交互式多模型算法相结合,设计了一种自适应交互式多模型算法.该算法采用两阶段卡尔曼估计器估计目标的加速度,然后将其反馈到由多个不同参数构成子滤波器的交互式多模型滤波算法中进行交互式多模型滤波.与自适应半交互式多模型算法进行对比的仿真验证了该算法有效地减少了子滤波器的数量,同时在一定程度上也提高了跟踪的精度.     

多传感器信息融合中的证据冲突判决方法

为了提高多传感器信息融合中冲突判决的准确性,提出了用多个证据冲突函数对证据冲突进行判决。首先分析证据冲突机理,指出证据冲突与证据间命题差异和潜在冲突有关,应在多证据组合情况下衡量证据冲突程度。然后给出多个证据冲突函数解决证据组合时冲突判决问题。最后通过仿真验证了该方法的有效性。     

基于多尺度残差FCN的时间序列分类算法

时间序列数据广泛存在于我们的生活中,吸引了越来越多的学者对其进行深入的研究.时间序列分类是时间序列的一个重要研究领域,目前已有上百种分类算法被提出.这些方法大致分为基于距离的方法、基于特征的方法以及基于深度学习的方法.前两类方法需要手动处理特征和人为选择分类器,而大多数的深度学习方法属于端到端的方法,并且在时间序列分类问题中表现出不错的分类效果.但是,目前基于深度学习的方法很少能够针对时间序列数据中时间尺度选择的问题对网络进行改进,在网络结构方面,很少将网络进行融合,从而更好地发挥各自的优势.为了解决这两类问题,提出一种多尺度残差全卷积神经网络(MRes-FCN)结构,用来处理时间序列问题.该结构主要分为数据预处理阶段、全卷积网络与残差网络结合的阶段.为了评价该方法的性能,在UCR的85个公开数据集上进行了实验,与基于距离的方法、基于特征的方法和基于深度学习的方法分别进行了比较.实验结果表明:所提出的方法较其他方法而言具有很好的性能,在多个数据集上优于大多数方法.     

基于“当前”统计模型的模糊自适应跟踪算法

针对"当前"统计模型中目标机动频率和极限加速度值人为设定的不合理性,提出一种基于修正模型的模糊自适应算法(CS-MFA),对机动频率建模以便其估计更新,同时利用目标机动信息来实时调整过程噪声方差,提高系统在目标作非机动或者弱机动时的跟踪精度以及在强机动时的快速响应能力.最后,通过仿真验证了该算法的有效性.     

基于模糊平均综合相似度的航迹关联算法

为了解决多传感器多机动目标的航迹关联问题,提出了基于模糊平均综合相似度的多传感器多目标航迹关联算法.该算法首先应用模糊理论建立了多传感器航迹关联问题的数学模型,提出用航迹间的整体平均距离进行粗关联,确定可能关联航迹,排除不关联航迹;然后利用模糊理论计算出可能关联航迹之间的模糊综合相似度,基于到当前时刻的全部模糊综合相似度,得出可能关联航迹的整体模糊平均综合相似度,建立模糊平均相似度关联矩阵;最后采用最大平均综合相似度和阈值判别原则,确定关联航迹.仿真结果表明,在目标密集、航迹交叉等情况下,该算法性能良好,关联正确率明显优于传统方法.