集中交互式多传感器模糊联合概率数据互联算法

 为了解决杂波环境下多传感器多机动目标跟踪问题,本文提出了一种集中交互式多传感器模糊联合概率数据互联算法.该算法首先设定多个跟踪模型并计算每个模型中测量点迹与航迹测量预测之间的模糊综合相似度;然后基于阈值判别及经验概率法则计算模糊联合互联概率,并基于此概率对各航迹进行状态估计及状态估计协方差的更新;最后计算各模型概率,并据此概率对各模型所获得状态估计进行加权得出各航迹在融合中心最终的状态估计.对该算法与集中交互式多传感器联合概率数据互联算法进行仿真比较,仿真结果显示该算法的跟踪精度较后者有显著提高,同时有效地降低了周期耗时,综合性能更优越.     

基于杂波密度估计的联合概率数据互联算法

联合概率数据互联(JPDA)算法能很好地解决密集环境下的多目标跟踪问题。在该算法基础上,人们又提出了多传感器联合概率数据互联(MSJPDA)算法和一些基于JPDA的修正算法。在联合概率数据互联算法中,有一个很重要的参数就是杂波数密度(或波门内虚假量测期望数),然而在许多实际情况中,这个参数是很难获取的。针对这一问题,提出了一种修正的联合概率数据互联算法,该算法通过实时地调整这一参数来获得对目标较为准确的估计结果。最后,给出了算法的仿真分析。     

基于一种改进IMMJPDA算法的地面目标跟踪

对地面多目标的跟踪,由于地面目标的高机动性、杂波密集特点以及运动不确定性,交互式多模型联合概率数据关联无疑是一种好的跟踪算法,但是该算法需对与可行联合事件相对应的矩阵进行拆分,随着目标个数的增多,计算量会呈指数增长。为此提出一种基于模糊多门限的交互式多模型联合概率数据关联算法,该算法利用量测与目标的关联概率来替代可行联合事件概率的计算。Monte Carlo仿真结果显示了该算法在现实运动中的可行性和方便性。该算法减少了计算量,又改善性能,利用多模型特点解决了地面目标的高机动性所带来的运动模型匹配问题。     

一种超宽带雷达多人体目标跟踪算法

提出了一种超宽带雷达对多个运动人体距离跟踪的方法。该方法基于人体多散射点的回波模型,利用CLEAN算法提取人体多个散射点的量测信息,结合最近邻域和联合概率数据互联算法,提出了一种简易最近邻联合概率数据互联算法,以解决多个人体目标轨迹交叉时数据关联的问题。通过对实测数据的处理,证明了该算法能够对轨迹交叉的人体目标进行有效跟踪。     

适于复杂信息融合系统的近似联合概率数据关联算法

文中在B.Zhou提出的直接概率计算(DC)和近似概率计算(AC)算法基础上提出了一种新的近似多传感器多目标联合概率数据关联算法。近似概率法是以一个目标为中心的近似聚为构造互联事件的起点，并在计算中将DC和AC结合得到的一种全邻的点迹—航迹关联算法，它能有效地提高目标点迹—航迹的关联正确率，在计算时耗上较完全联合概率法快得多，能满足工程中实时性的要求。将其在杂波下目标密集、航迹复杂的数据融合系统中进行实验，对关联正确率，关联耗时等与最近邻法进行了比较，效果较好。     

基于联合概率数据互联的多假设跟踪算法

针对杂波环境下密集目标的跟踪,在多假设跟踪(MHT)算法框架的基础上将联合概率数据互联(JPDA)算法以联合概率分配的方式引入不相容航迹树间的假设分支生成处理,利用联合概率数据互联在点航迹互斥分配处理中的优势保证簇内不相容航迹树的互斥性.仿真测试和实装测试结果验证了算法的实时性、有效性和鲁棒性,提高了点航迹关联正确率及...     

杂波环境下基于全邻模糊聚类的联合概率数据互联算法

针对杂波环境下的多目标跟踪数据互联问题,该文提出基于全邻模糊聚类的联合概率数据互联算法(Joint Probabilistic Data Association algorithm based on All-Neighbor Fuzzy Clustering, ANFCJPDA)。该算法根据确认区域中量测的分布和点迹-航迹关联规则构造统计距离,以各目标的预测位置为聚类中心,利用模糊聚类方法,计算相关波门内候选量测与不同目标互联的概率,通过概率加权融合对各目标状态与协方差进行更新。仿真分析表明,与经典的联合概率数据互联算法(Joint Probabilistic Data Association algorithm, JPDA)相比,ANFCJPDA较大程度地改善了算法的实时性,并且跟踪精度与JPDA相当。     

杂波环境下的粒子滤波器数据关联方法

为了解决杂波环境下多机动目标的数据关联难题,提出了一种将粒子滤波器(PF)和联合概率数据关联(JPDA)相结合的数据关联算法,该方法首先应用粒子滤波方法对目标的状态进行采样,得到样本(粒子),并结合量测,通过JPDA方法计算得到联合互连事件的关联概率,而该关联概率实际上就是PF中粒子的权值。通过选取适当的有效采样尺度作为衡量PF退化现象的测度,采用重要性重采样技术克服了标准PF的退化现象,降低了算法的计算量。仿真结果表明,粒子滤波方法可以较好地解决杂波环境下跟踪多机动目标的数据关联问题;重要性重采样PF的计算复杂度低于标准PF。     

基于权值概率的多目标航迹关联算法研究

针对联合概率数据互联(JPDA)算法在实际应用中计算量大的问题,提出了一种基于权值概率的GNJPDA算法。该方法不需要像传统的JPDA算法求解复杂的确定矩阵和独立关联矩阵,因而具有计算量小、易于工程实现的特点。对该算法的性能分析和仿真验证表明,与JPDA算法相比,GNJPDA算法具有更好的跟踪性能、更强的通用性和可扩展性;并且在密集杂波多目标环境下可实时、有效地跟踪几十批次的目标。     

一种新的联合概率数据互联算法

点迹与航迹数据互联是多目标跟踪中迫切需要解决的问题。分析了目前解决数据互联问题的方法与最新研究成果,建立了一个多目标数据互联模型,提出了一种新的联合概率数据互联算法,最后给出了计算机仿真结果。     

广义概率数据关联算法

随着跟踪环境、跟踪对象和跟踪系统的不断变化、发展,目标与量测已很难仅仅以一一对应的关联关系来描述,这使得多目标跟踪中数据关联这一核心问题更具挑战.Jesus Garrcia、T.Kirubarajan和Bar-Shalom等学者从智能方法或重复使用一对一分配JPDA等方面进行了研究,取得一定成效,但计算量和性能均未达到理想效果.本文首先提出更符合实际情况的新的目标与量测相关联的可行性规则,给出广义联合事件的一种分割与组合方法,利用贝叶斯法则推导出了一种全局次优的广义概率数据关联算法(Generalized Probability Data Association,GPDA).通过本文设计的各种典型环境的仿真计算表明,GPDA算法的性能在目标与量测无论是否在一一对应的情况下,全面优于JPDA算法,且由于新算法的设计技巧,使计算量和存储量也大大小于JPDA算法,为发展同时具有良好实时和关联性能的多目标跟踪算法给出了新的尝试.     

Stochastic fault tree analysis with self-loop basic events

This paper presents an analytical approach for performing fault tree analysis (FTA) with stochastic self-loop events. The proposed approach uses the flow-graph concept, and moment generating function (MGF) to develop a new stochastic FTA model for computing the probability, mean time to occurrence, and standard deviation time to occurrence of the top event. The application of the method is demonstrated by solving one example.     

多元假设检验GMPHD轨迹跟踪

由于在军事和民事领域逐步广泛的应用,数目不定的多目标跟踪技术正受到越来越多的关注。概率假设密度(PHD)滤波方法,特别是具有闭式递归的高斯混合概率假设密度(GMPHD)技术,在噪声和漏警等影响下仍能形成优越的群目标跟踪性能。然而PHD滤波器并不能实现多目标航迹跟踪,而其与传统数据互联的结合,复杂度高且跟踪效果不尽如人意。在该文中,各目标的航迹信息以假设形式表述,数据互联则是通过使用经典的多元假设检测方法判决假设矩阵实现。其与GMPHD的结合不仅实现了数据互联和轨迹管理,还因为积累时间信息大大降低了杂波干扰的影响。实验结果证明,该算法可以对多个目标所形成的轨迹实施正确跟踪,同时,计算量的大幅度降低带来了跟踪系统可实现性的提高。     

LUT应用于快速确定CDMA长码状态的性能分析

介绍了一种基于LUT表的CDMA长码状态快速算法,并与传统的MSRG结构或SSRG结构CDMA长码状态算法进行了比较和分析。通过将部分运算结果预先存储在LUT表中,新方法将巨大的运算量(最多可能出现242-1次的长码发生器运算)降为不超过4242次长码发生器操作和42次4242阶矩阵模2相乘运算,极大地提高了确定当前时刻长码状态的实时性能。     

带准备时间和截止期约束的云服务工作流调度算法

带准备时间和截止期约束的云服务工作流费用优化是一个新的云计算资源优化分配问题。分析该NP-hard问题特征,建立相应的整数规划数学模型。构建有效的变量取值概率模型和更新机制,提出高质量初始群体的启发式生成方法;提出混合的分布估计算法（HEDA）,引入个体向全局最优解学习的策略,提高算法的全局搜索和局部优化能力。模拟实验结果表明此提出的方法在合理的CPU时间内可有效减少工作流费用。     

一种基于模糊推理的JPDAF新方法

多目标跟踪中的数据关联一直是信息融合领域的难点和热点问题,针对杂波环境下多目标跟踪中的数据关联问题,提出了一种基于模糊推理的JPDAF新方法。该方法中,首先详细分析了杂波环境多目标观测数据的特点,定义了多目标环境下的标准化新息变量及新息的一阶微分变量;然后将其作为模糊推理的两个输入变量,通过设计合适的模糊隶属度函数和模糊推理规则,自适应计算目标观测的关联概率来代替传统联合概率数据关联滤波器（JPDAF）中的关联概率,实现对多个目标的有效跟踪。实验结果表明,提出方法的目标跟踪性能要好于传统的JPDAF和Fitzgerald’s方法,在实时性方面,提出方法也要远好于传统的JPDAF方法,接近Fitzgerald’s方法,能够有效对多目标进行关联跟踪。      

Multiobjective virtual machine placement mechanisms using nature‐inspired metaheuristic algorithms in cloud environments: A comprehensive review

Cloud computing introduced a new paradigm in IT industry by providing on‐demand, elastic, ubiquitous computing resources for users. In a virtualized cloud data center, there are a large number of physical machines (PMs) hosting different types of virtual machines (VMs). Unfortunately, the cloud data centers do not fully utilize their computing resources and cause a considerable amount of energy waste that has a great operational cost and dramatic impact on the environment. Server consolidation is one of the techniques that provide efficient use of physical resources by reducing the number of active servers. Since VM placement plays an important role in server consolidation, one of the main challenges in cloud data centers is an efficient mapping of VMs to PMs. Multiobjective VM placement is generating considerable interest among researchers and academia. This paper aims to represent a detailed review of the recent state‐of‐the‐art multiobjective VM placement mechanisms using nature‐inspired metaheuristic algorithms in cloud environments. Also, it gives special attention to the parameters and approaches used for placing VMs into PMs. In the end, we will discuss and explore further works that can be done in this area of research.     

A new data association algorithm using probability hypothesis density filter

Probability Hypothesis Density (PHD) filtering approach has shown its advantages in tracking time varying number of targets even when there are noise, clutter and misdetection. For linear Gaussian Mixture (GM) system, PHD filter has a closed form recursion (GMPHD). But PHD filter cannot estimate the trajectories of multi-target because it only provides identity-free estimate of target states. Existing data association methods still remain a big challenge mostly because they are computationally expensive. In this paper, we proposed a new data association algorithm using GMPHD filter, which significantly alleviated the heavy computing load and performed multi-target trajectory tracking effectively in the meantime.     

基于随机集的RBPF多目标关联跟踪算法

针对大量杂波环境下数量变化的纯角度多目标航迹关联跟踪问题,提出一种新的基于Rao-Blackwellized粒子采样(RBPF)航迹关联的高斯混合概率假设密度(GMPHD)滤波算法.算法首先利用GMPHD在每时刻对多个目标组成的随机集合进行估计;然后利用基于随机有限集的RBPF对GMPHD所得到的目标集合进行检测和关联...