基于自适应遗传算法的多传感器多目标静态数据关联

利用多传感器跟踪多目标技术中最重要的问题是目标关联问题,而常见的关联算法要私计算量大,要私实际动用中效果不理想。本语文提出了利用自适应遗传算法来解决在传感人、检测空域中目标个数未知情况下,单平台多传感器数据融合系统对目标进行检测时的静态数据关联问题。实验结果表明,这种算法具有很高的关联成功率,并且提高了多传感器数据融合系统的检测概率。     

多传感器多目标联合概率数据关联研究

提出改进联合概率数据关联算法对多传感器、多目标量测进行同源划分及单一传感器测量数据转换,并采用联合概率数据关联算法求解空间目标轨迹交叉时的数据关联.仿真结果表明,改进联合概率数据关联算法提高了成功关联概率,降低了求解数据关联概率的难度,可以解决密集目标的正确跟踪问题.     

遗传算法在多传感器多目标的静态数据关联中的应用

利用多传感器跟踪多目标技术中最重要的问题是目标关联问题。而常见的关联算法要么计算量大，要么实际运用中效果不理想。本文提出了利用遗传算法来解决无杂波和漏检情况下三种不同类型、不同位置的传感器对数目未知的目标进行检测时的静态数据关联问题。     

多传感器广义概率数据关联算法研究

随着跟踪环境、跟踪对象的不断变化与发展,目标与量测已经很难用一一对应的关系去描述;广义数据关联算法（GPDA）提出目标与量测多多对应的可行性规则,其性能在目标与量测无论是否在一一对应的情况下,均优于传统的JPDA算法,并且计算量、存储量均远小于JPDA;考虑到GPDA的上述优点,将GPDA算法拓展到多传感器数据关联,提出了多传感器广义概率数据关联算法（MSGPDA）来处理多传感器数据关联问题;仿真表明,MSGPDA算法由于利用多传感器信息,性能得到明显提高。     

遗传算法在多传感器多目标静态数据关联中的应用

利用多传感器跟踪多目标技术中最重要的问题是目标关联问题。而常见的关联算法要么计算量大,要么实际运用中效果不理想。本文提出了利用遗传算法来解决无杂波和漏检情况下三种不同类型、不同位置的传感器对数目未知的目标进行检测时的静态数据关联问题。实验结果表明这种算法具有很高的关联成功率。     

基于数据关联的多雷达点迹融合算法研究

在典型应用场景下,针对传统数据关联算法易于产生目标跟踪丢失的问题,提出了并行多传感器联合概率数据关联算法(PMSJPDA),给出行多传感器联合概率数据关联算法的实现流程,并对该算法进行理论分析。最后采用两部典型雷达构成PMSJPDA数据融合系统,对其算法的目标跟踪精度进行仿真,仿真结果表明,所提出算法可有效改善对目标的跟踪性能,提高了对目标的跟踪精度。     

FCM与PDA相结合的多传感器多目标跟踪算法

传统的概率数据关联算法(PDA)是在密集杂波环境下的一种良好的多目标跟踪算法,但它是针对单传感器对多目标跟踪的情况下使用,不能直接用于多传感器对多目标的跟踪.针对多传感器多目标跟踪问题,提出一种改进的PDA算法,采用FCM算法预测航迹的聚类中心,然后采用PDA方法对航迹进行跟踪.仿真实验证明此方法能有效地进行多传感器多目标的跟踪.     

多传感器多目标数据关联模糊聚类算法的改进

多传感器多目标跟踪广泛应用于军事和民用监视系统。数据关联和滤波技术是多目标多传感器跟踪监视系统的主要组成部分。近年来,人们开始研究模糊数据关联方法,取得了较好的效果。本文针对基于模糊聚类均值算法的数据关联方法中的一些问题,提出了一些改进的想法,仿真结果说明了其有效性。     

支持无线传感器网络多目标跟踪的聚类数据关联算法研究

多源数据关联问题是无线传感器网络中多传感器数据融合的关键技术之一。联合概率数据关联算法是一种 跟踪多目标的数据关联算法,它不需要任何关于目标和杂波的先验信息,但与其他有关数据关联算法相比,计算机开 销大。基于聚类算法的联合概率数据关联算法在联合概率数据关联算法的基础上,运用模式识别中的聚类思想对传 感器所接收到的量测数据进行聚类,减少有效量测的数目,从而简化了有效矩阵,减少了原有算法的计算量。     

基于聚类融合的多目标跟踪算法

多目标跟踪是多传感器数据融合中的一个重要问题。基于模式识别理论 ,提出了一种通过对传感器测量数据集类 ,以区分源于不同目标的测量数据集合。对各个类对应的目标状态估计进行融合 ,从而实现了对多目标的实时跟踪。这种算法聚数据关联、数据融合和目标跟踪于一体 ,大大降低了多目标跟踪问题的复杂性和计算量。实际数据实验充分表明了本算法的有效性。     

多传感器多目标跟踪的粒子PHD滤波算法

针对单传感器跟踪系统的缺陷,提出了基于粒子概率假设密度(PHD)滤波的多传感器多目标跟踪算法.这种算法不仅避免了多传感器多目标跟踪的数据关联问题,而且在漏检、目标密集、航迹交叉、小范围内目标数多的杂波环境下能够稳定、精确地估计目标状态和目标数.仿真实验比较了单传感器粒子PHD滤波与多传感器的粒子PHD滤波的跟踪性能,验证了该方法的跟踪性能和精度.     

Distributed interacted multisensor joint probabilistic data association algorithm based on D-S theory

With the development of science and technique, the surveillance systems used in the battlefield have been developed into multisensor systems. Therefore, the multisenor multitarget tracking algorithms, such as centralized multisensor joint probabilistic da…     

Derivation and analytic evaluation of an equivalence relationclustering algorithm

Clustering algorithms have been recently used in multitarget multisensor tracking (MMT) problems in order to reduce the size of the data association problem. This paper derives an equivalence relation (ER) clustering algorithm used in a MMT problem and briefly compares it to other clustering schemes such as the nearest neighbor method. The main contribution of this work is the analytical evaluation of ER clustering performance, in the context of multitarget multisensor tracking, as a function of the distance between targets, measurement probability density function, and cluster parameter.     

顺序结构多传感器模糊联合概率数据互联算法

为解决集中式多传感器系统中的多目标跟踪问题,本文运用模糊理论提出了一种多传感器模糊联合概率数据互联算法。该算法首先应用模糊数学的方法计算测量点迹与航迹测量预测之间的模糊综合相似度;然后运用阈值判别及经验概率法则给出模糊联合互联概率的计算方法,并提出了顺序处理结构的多传感器模糊联合概率数据互联算法的状态估
估计模型;最后给出了该算法与经典的多传感器联合概率数据互联算法的仿真比较。仿真结果表明,本文算法的综合性能更优越。     

高度机动目标的异步多传感器偏差估计算法*

异步多传感器偏差估计问题是数据融合系统中的常见问题.在已有算法中,由于忽略了伪量测方程中的加速度项,在高度机动目标条件下的偏差估计可能是有偏的,为此提出了一种针对高度机动目标的异步多传感器偏差估计算法.该算法在构造伪量测差分矢量时通过反求最适的伪量测同步时刻,可以建立无加速度项的伪量测方程,并通过Kalman滤波对系统...     

Approximate stochastic dynamic programming for sensor scheduling to track multiple targets

The problem of sensor scheduling is to select the number and combination of sensors to activate over time. The goal is usually to trade off tracking performance and sensor usage. We formulate a version of this problem involving multiple targets as a partially observable Markov decision process, and use this formulation to develop a nonmyopic sensor-scheduling scheme. Our scheme integrates sequential multisensor joint probabilistic data association and particle filtering for belief-state estimation, and use a simulation-based Q-value approximation method called completely observable rollout for decision making. We illustrate the effectiveness of our approach by an example with multiple sensors activated simultaneously to track multiple targets. We also explore the trade-off between tracking error and sensor cost using our nonmyopic scheme.     

目标跟踪中的传感器管理

对序贯Kalman滤波在多传感器多目标跟踪中的应用情况进行了分析,提出了一种基于费歇信息增量的多传感器对多目标的分配方法。该方法较好地解决了传感器的组合分配问题,并能对目标的跟踪精度实施控制,仿真结果证明了该方法的有效性。     

Point set augmentation through fitting for enhanced ICP registration of point clouds in multisensor coordinate metrology

In multisensor coordinate metrology scenarios involving the fusion of homogenous data, specifically 3D point clouds like those originated by CMMs and structured light scanners, the problem of registration, i.e. the proper localization of the clouds in the same coordinate system, is of central importance. For fine registration, known variants of the Iterative Closest Point (ICP) algorithm are commonly adopted; however, no attempt seems to be done to tweak such algorithms to better suit the distinctive multisensor nature of the data. This work investigates an original approach that targets issues which are specific to multisensor coordinate metrology scenarios, such as coexistence of point sets with different densities, different spatial arrangements (e.g. sparse CMM points vs. gridded sets from light scanners), and different noise levels associated to the point sets depending on the metrological performances of the sensors involved. The proposed approach is based on combining known ICP variants with novel point set augmentation techniques, where new points are added to existing sets with the purpose of improving registration performance and robustness to measurement error. In particular, augmentation techniques based on advanced fitting solutions promote a paradigm shift for registration, which is not seen as a geometric problem consisting in moving point sets as close as possible to each other, but as a problem where it is not the original points, but the underlying geometries that must be brought together. In this work, promising combinations of ICP and point augmentation techniques are investigated through the application to virtual scenarios involving synthetic geometries and simulated measurements. Guidelines for approaching registration problems in industrial scenarios involving multisensor data fusion are also provided.     

基于PDA 思想的分布式多传感器融合方法

在传感器观测噪声不一致或有异常数据存在的条件下,分布式数据融合因没有剔除严重偏离真实值的传感器估计值,从而影响下一步的融合估计．对此,利用概率数据互联的思想,设计以融合中心预测值为中心、传感器节点估计值为观测值的预测域,并引入定向概率数据互联,对进入预测域的传感器估计值分配权重．仿真结果表明,利用概率数据互联思想的多传感器有效地实现了数据融合,其融合精度较传统分布式融合有所提高;在异常数据明显的情况下,算法的效果更加显著．     

多传感器异步航迹融合算法与仿真

针对分布式多传感器数据融合系统,提出了一种多传感器异步航迹融合算法。由于不同传感器的采样时间各不相同,融合算法首先利用最小二乘法将局部航迹统一到融合中心的融合时间点,然后利用多传感器自适应航迹融合算法,将局部航迹进行融合,得到系统航迹。仿真结果表明该算法能够较好的解决异步航迹的融合问题,以较小的计算量达到了接近加权协方差(WCF)算法的融合精度。