基于多维分配和灰色理论的航迹关联算法

针对目前应用于分布式多传感器系统中航迹关联算法只能解决两局部节点航迹相关的问题,该文提出了一种基于多维分配的灰色航迹关联算法。该算法运用灰色理论获取各传感器航迹间的灰色关联度,以此关联度为多传感器系统的全局统计量构造多维灰色关联度矩阵,并根据此矩阵形成的多维分配问题的解获得各传感器航迹间的关联结果。仿真结果表明,在密集目标环境下和/或交叉、分岔及机动航迹较多的场合,该算法的性能明显优于传统方法,其正确关联率较灰色航迹关联算法提高了大约8.8%。     

基于KL距离的异类传感器动态数据关联算法

针对异类传感器多目标跟踪系统中的动态数据关联问题,提出了一种基于KL距离的异类传感器动态数据关联算法。该方法将静态多维分配问题推广到动态跟踪中,通过对量测集合与航迹集合的合并,将各传感器量测估计位置的概率密度函数与目标航迹一步预测值的概率密度函数之间的KL距离作为关联代价函数,继而代入多维分配模型求解,从而实现量测到航迹的动态关联。仿真实验表明,所提算法能更精准地反映量测与航迹之间关联的可能性,且能够对多目标进行快速稳定的跟踪。     

基于TDOA量测的多目标快速航迹起始算法

针对基于时差量测的多站无源传感器系统,提出了一种快速的多目标航迹起始算法。该算法首先利用位置误差门准则对大量候选关联进行预选,然后采用多维分配方法来解决量测数据的关联问题,并求出候选关联对应的定位解;在此基础上,应用两点差分方法分别对多目标进行航迹起始,推导了相应的初始状态和误差协方差矩阵。仿真结果表明,该算法能够快速起始多目标的航迹,并为航迹提供精确可靠的初始状态估计值。     

基于拓扑序列法的灰色航迹关联方法

为了解决组网雷达存在系统偏差情况下的航迹关联问题,提出了基于拓扑序列法的灰色航迹关联方法。首先,采用灰色理论生成当前时刻目标拓扑序列的灰色关联矩阵,并建立航迹间的相关度量;然后,运用全局最优化方法对相关度量矩阵进行最优化分配获得航迹关联对。该算法采用全局最优化方法避免了门限选择不当对正确关联概率带来的影响,有效地利用了航迹的空间分布信息和状态信息。仿真结果表明,该算法可以有效地实现系统偏差情况下的航迹关联。     

基于深度学习的雷达目标航迹起始方法

本文提出了一种基于深度学习的雷达目标航迹起始方法,将目标航迹起始问题转化为深度神经网络模型二分类问题—“真实航迹”类和“虚假航迹”类。首先对空间配准后的目标点迹进行环形波门粗关联,得到粗关联暂时航迹;对粗关联暂时航迹进行特征向量建模,获得深度神经网络模型输入向量;利用仿真系统雷达数据,提取神经网络模型训练样本,设计深度全连接神经网络结构,训练网络模型得到优化的模型参数;使用训练好的模型参数实时计算目标起始航迹。仿真试验证明了该算法的有效性。     

多目标跟踪中的数据关联和航迹管理

传统的多目标关联算法JPDA存在两个缺陷:计算量较大,且其算法框架里缺乏航迹起始和终止逻辑。文中给出了一个航迹管理表,它包含多种情况下航迹的关联,能完成航迹的起始、维持和终结。在可靠航迹关联中,该文提出了一个改进的快速关联算法—多维概率数据关联(MPDA),讨论时主要考虑关联门相交区域中的公共回波对航迹更新的影响。MPDA可以类似与PDA的较低的计算代价达到了接近JPDA的关联成功率。仿真结果表明,文中的数据关联和航迹管理算法对复杂条件下的多目标跟踪能保持较高的跟踪成功率。     

纯方位被动多传感器多目标跟踪算法

多传感器多目标跟踪中的数据关联问题是目标跟踪领域中的难点及核心。若传感器是只有角度量测的被动传感器,关联问题则变得更为复杂。针对纯方位多被动传感器系统的多目标跟踪问题,提出了一种基于高斯-厄密特滤波的动态多维分配方法。首先建立了直角坐标系下多被动传感器的高斯-厄密特滤波模型;在该模型的基础上,采用多维分配问题的思想,直接建立各传感器角度量测与目标角度预测值的候选关联组合,并将其进行动态地分配,提高了关联效率。仿真实验表明,该方法可以实时、高效地解决多被动传感器系统中的数据关联问题,并且能够对多目标进行稳定的跟踪。     

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.     

雷达

TN95 2007011721人工神经网络在航迹关联中的应用/张池平,崔平远,张英俊(哈尔滨工业大学理学院)//黑龙江大学(自然科学学报).―2006,23(1).―38～41.针对在密集目标环境下和运动出现交叉或分岔等难于处理的情况,将导致较多的错、漏相关航迹的问题,提出一种利用神经网络进行航迹关联的方法。该方法有效地应用了神经网络的泛化能力以及自组织自适应的学习功能,且通过对网络输入结点的设计,能够很好地解决复杂航迹关联问题。仿真实验验证了该算法在多传感器系统的航迹关联问题中的有效性。图5表0参8     

一种粗-精结合的航天侦察航迹关联算法

航天侦察中光学成像侦察能够获得精确的目标方位信息,而电子侦察能够获得准确的目标属性特征,为综合利用二者的特性来对航迹进行关联,提出一种基于粗-精结合的航迹关联算法。该算法通过方位信息对目标航迹进行粗关联,通过多维属性信息对目标进行精关联,最终得到航迹关联结果。分析了航天侦察传感器的时空对准方法,给出了多因素模糊综合决策航迹关联的具体步骤,并通过仿真实验对算法性能进行了验证。结果表明,提出的算法能够较好地解决航天侦察手段的航迹关联问题,与JPDA方法相比,该方法具有较高的关联正确率。     

TIME SERIES NEURAL NETWORK FORECASTING METHODS

This paper has discussed the possibility and key problem to construct the neural network time series model, and three time series neural network forecasting methods has been proposed, i. e. a neural network nonlinear time series model, a neural network multi-dimension time series model and a neural network combining predictive model. These three methods are applied to real problems. The results show that these methods are better than the traditional one. Furthermore, the neural network methods are compared with the traditional method, and the constructed model of intellectual information forecasting system is given.     

时间序列神经网络预测方法

本文从信息论的角度出发,讨论了利用神经网络理论构造时间序列预测模型的可能性和关键问题,并在此基础上提出3种时间序列神经网络预测方法,它们是:神经网络非线性时间序列模型、神经网络多维时间序列模型和神经网络组合预测模型,将上述模型应用于实例的结果表明,在非线性信息的处理能力和预测精度方面都有很大提高。进一步,对今后智能信息预测方法的发展方向进行了探讨,提出了智能信息预测系统的结构模型。     

一种基于神经网络模型的计算机通信网络迟延和流量分配新算法

求解计算机网络最小平均迟延和流量分配的本质是一个联合优化问题。进一步分析得出，它可近似为一个二次型优化问题。利用一种具有全局收敛性质的神经网络模型来解决这个问题，计算结果表明这种方法是可行且有效的。     

一种基于深度学习的异常数据清洗算法

在物联网(IoT)中采用合适的异常数据清洗算法能极大地提升数据质量.许多研究人员采用统计学方法或分类聚类等方法对时-空相关数据进行清洗.但这些方法需要额外的先验知识,会给汇聚节点带来额外的计算开销.该文根据低秩-稀疏矩阵分解模型,提出一种基于深度神经网络的快速异常数据清洗算法,来解决物联网中时-空相关数据的清洗问题.结...     

多维分配的剪枝法及其在无源探测跟踪中的应用

本文通过对多维分配问题的数学模型进行分析,利用代价矩阵所提供的信息对解矩阵进行变换,提出了多维分配问题的"剪枝"求解方法,给出了该算法的理论证明分析,对其"剪枝"机理进行了分析说明,对具体的求解步骤进行了描述,并将其应用于无源探测跟踪中.该方法对分配问题的维数没有任何限制,对无源探测设备的数目没有特殊要求,为无源探测跟踪技术提供了一种新的有效方法.     

Static and dynamic channel assignment using neural networks

We examine the problem of assigning calls in a cellular mobile network to channels in the frequency domain. Such assignments must be made so that interference between calls is minimized, while demands for channels are satisfied. A new nonlinear integer programming representation of the static channel assignment (SCA) problem is formulated. We then propose two different neural networks for solving this problem. The first is an improved Hopfield (1982) neural network which resolves the issues of infeasibility and poor solution quality which have plagued the reputation of the Hopfield network. The second approach is a new self-organizing neural network which is able to solve the SCA problem and many other practical optimization problems due to its generalizing ability. A variety of test problems are used to compare the performance of the neural techniques against more traditional heuristic approaches. Finally, extensions to the dynamic channel assignment problem are considered     

自组织小脑神经网络算法研究

针对神经网络逼近非线性函数问题,提出一种在线的自组织小脑神经网络,其不需要预先确定存储空间的大小。该网络可以根据输入数据自适应地改变神经网络节点数和相对应的权值,具有良好的智能性;针对挠性卫星姿态控制,将自组织小脑神经网络用于不确定项的补偿中,提高系统的鲁棒性。仿真结果表明,该方法神经网络性能良好,实现了卫星姿态控制。     

基于CEEMD-PSO-MNN的船舶航迹预测

船舶航迹预测对保障海上交通安全具有重要意义,为进一步提高船舶航迹预测精度,提出了一种从认知神经科学和神经生理学继承的模块化设计方法用于开发神经网络,旨在通过大脑强大的功能(分而治之)来解决复杂问题。首先,利用互补集合经验模式分解算法(CEEMD)将船舶航迹时间序列分解为多个相对平稳的子序列,使其具有不同的本征模态函数及趋势项,这在一定程度上降低了航迹时间序列的复杂程度;然后,通过模糊熵(FE)量化各子序列的复杂性用于辅助模块化神经网络(MNN)任务分配;最后,将粒子群(PSO)改进的长短期记忆神经网络(LSTM)作为模块化神经网络的子网络用于解决船舶航迹时间序列预测任务。选取相关数据进行测试,验证了所提方法对船舶航迹预测的准确性和实用性。     

基于孪生神经网络的航迹关联方法

日益复杂的电磁环境对战场目标探测提出了很高的要求。由于多雷达融合系统的不断发展,如何准确快速地完成多雷达的航迹关联成为一个亟待解决的问题。现有的关于航迹关联算法的研究大多只考虑雷达上报的最新目标航迹点,而没有考虑先前的航迹信息。除此之外,大多数航迹关联算法对于航迹异步问题的解决方法是进行时间配准,这不仅增加了算法本身的计算开销,还放大了航迹信息中包含的误差,因此难以应用于目前复杂的电磁环境中。本文提出一种适用于对异步航迹进行关联的、且无需进行时间配准工作的基于孪生神经网络的航迹关联算法(TTCSN)。该算法首先将待关联航迹两两组成一对,将其成对地送入特征提取网络中,再利用共享权重的双向LSTM网络提取输入航迹的隐含特征,之后对两条航迹的特征向量进行相似度计算,得到相似度向量,最终送入分类器完成关联航迹与非关联航迹的判别。实验表明,TTCSN算法能够有效地解决异步航迹关联问题。