排序方式： 共有3条查询结果，搜索用时 202 毫秒
1
1.
为了改善多目标跟踪问题中概率假设密度（PHD）滤波的估计精度,提出基于拟蒙特卡罗的PHD滤波算法.该算法利用低偏差点集在状态空间中分布均匀的特性,使得采样粒子集最大程度地相互远离,充分地描述多目标状态的后验概率密度,从而准确地利用带有相应权值的粒子集来计算多目标数目和各个目标状态的估计值.仿真实验表明了算法的有效性,且估计性能优于粒子PHD滤波算法. 相似文献
2.
针对概率假设密度滤波器, 提出一种基于熵分布的高斯混合实现算法. 在该算法中, 作为混合参数先验分布的熵分布, 主要用在极大后验迭代过程中删减无关混合分量, 该删减操作可通过混合权重调整来实现. 此外, 该算法还能够解决多个具有类似参数的混合分量共同描述一个强度峰值的问题. 仿真结果表明, 所提出算法优于典型的阈值删减算法. 相似文献
3.
概率假设密度滤波器的典型序贯蒙特卡罗实现方式与粒子滤波类似,均是利用大量加权粒子估计多目标状态,典型实现方式是为每个期望目标分配固定数目的粒子,这导致较大的算法时间开销.鉴于此,建立了基于相对熵的序贯蒙特卡罗实现方式.首先计算两个不同规模粒子集合的相对熵,与预设阈值进行比较以确定粒子数目,从而动态调整粒子数目.仿真结果表明,所提出的实现方式提高了跟踪效率,在大部分时间步上优于典型实现方式. 相似文献
1