多被动传感器系统四时差量测数据关联算法

针对已有四时差数据关联算法在多目标环境下性能较差的不足,提出一种基于新关联度的局部最优数据关联算法,并在此基础上,进一步提出基于统计量检验的两级数据关联算法,给出各种算法的复杂性分析.与已有四时差数据关联算法相比,新关联度算法目标正确关联率高,而所提两级数据关联算法除具有上述优点外还具有运算复杂性较低的优点,仿真实验验证了新算法的可行性与有效性.     

随机集粒子滤波的快速被动数据关联算法

针对杂波干扰环境下的被动多目标跟踪问题,将多站集中式融合方法与概率假设密度粒子滤波递归过程相结合,实现被动多目标跟踪．进一步,将概率假设密度粒子滤波递归过程并行化处理,每个目标使用单独滤波器跟踪,避免了大量粒子的聚类过程,简化算法复杂度,进而提出一种快速被动数据关联算法．实验结果表明,与传统算法相比,新算法可以在不增加额外计算负担的基础上,有效得到每个目标的航迹．特别对于目标发生交叉的情况,能很好地区分每个目标的航迹．     

被动式多传感器数据关联的消元算法

针对被动式多传感器多目标数据关联，试图解决其计算量较大的部分——多维分配问题的求解，从而解决数据关联的实时应用问题。通过对分配问题的模型进行分析，结合矩阵变换，得到消元的几个定理，并结合计算机仿真分析，给出了一种消元算法。仿真结果表明，与传统的最优分配解法相比，这种方法没有遍历所有的可行解空间，计算量小，而又易于计算机实现。并且，该算法适用于任意维的分配问题。     

多目标跟踪数据关联算法综述

多目标跟踪在军事、医疗和交通等方面应用广泛.考虑存在误检、漏检和噪声的情况,数据关联问题成为多目标跟踪中一个核心难点问题.通过介绍最近邻法、多假设关联、概率数据关联、联合概率数据关联、粒子滤波和模糊目标跟踪等6种经典数据关联算法,分析各种算法的优点和局限性,以及近几年的研究进展,展望其未来的发展趋势.     

基于联合概率数据关联的车用多传感器目标跟踪融合算法

针对智能车辆前向多传感器多目标跟踪融合问题,提出一种基于改进的联合概率数据关联的车用多传感器跟踪融合算法。首先,根据车辆坐标系和各传感器坐标系的相对运动关系,对多传感器数据进行坐标变换,之后采用基于改进的联合概率数据关联的单传感器多目标跟踪算法、基于相关序贯关联法的多传感器关联算法和凸组合融合算法实现了对目标的稳定跟踪与准确融合。最终,通过装备毫米波雷达和摄像头的实验车在实际交通环境下进行实车试验,试验结果表明:目标被稳定跟踪且融合结果具有良好的精度,验证了算法的可行性和有效性。     

数据关联算法的研究

在现代目标跟踪系统中,数据关联是一个重要组成部分.由于测量来源的不确定性,密集环境中的目标跟踪比较困难.概率数据关联算法和联合概率数据关联算法能很好地处理目标跟踪并在很多领域得到了广泛的应用.但是一旦出现某种干扰或是故障,通过概率数据关联算法得到的滤波值也会偏离真实值很多,造成滤波发散,严重影响性能.针对这一不足,基于概率数据关联算法中的组合新息,提出了修正概率数据关联算法.最后用一些实例来评价该跟踪算法的跟踪性能,仿真结果表明了修正概率数据关联算法和修正联合概率数据关联算法的有效性.     

雷达与被动传感器数据关联算法研究

异类传感器的信息融合问题是一个重要而又困难的研究课题：针对雷达与ESM(Electronic Support Measurement)的航迹关联问题，提出基于位置和属性单一信息的单目标规划模型，在此基础上，构建基于位置与属性联合信息的多目标规划算法模型，然后将多目标规划问题转化为单目标规划问题进行求解，并将其求解结果与仅根据来自位置或属性单一信息进行数据关联的单目标规划问题的实验结果进行比较：仿真结果表明，新算法的目标正确关联概率明显提高，是雷达与ESM数据关联的一种新的有效算法。     

改进的多传感器多目标量测数据关联算法

提出融合多传感器测量对目标位置进行估计的广义概率数据关联(MSPE-GPDA)算法. 首先对所有可能的多元量测组合进行预关联检验,通过检验的有效多元量测组合所对应的目标位置进行最优估计;根据广义概率数据关联算法计算通过预关联检验的各有效量测组合与目标航迹间的关联概率,并用来计算目标的更新状态. 与顺序处理的多传感器广义概率数据关联算法和利用多传感器量测进行目标位置估计的联合概率数据关联算法相比,MSPE-GPDA算法集中了最优估计和有效信息复用两方面的优点. 理论分析与仿真实验结果均验证了所提算法的有效性.     

带滤波的遗传算法求解数据关联问题

为了快速准确地求解多传感器多目标的数据关联问题，提出了一种带滤波的遗传算法．针对经典的遗传算法在求解过程中暴露的搜索最优解速度慢，甚至得不到可行解的缺陷，借用滤波器方法，对遗传算法加以改进，使其能够较快地求得最优解，并且保证得到的是可行解，从而大大提高了数据关联的效率．     

杂波环境下神经网络数据关联算法

文中提出了一种基于Ｈｏｐｆｉｅｌｄ网络的多目标数据关联算法,构造了多目标数据关联Ｈｏｐｆｉｅｌｄ网络的新能量函数,该函数是观测点迹与航迹预测点迹统计距离的函数．算法考虑了数据关联的整体效果,成功地提高了正确关联概率．仿真表明,在杂波环境下和无杂波环境下该算法较最近邻（ＮＮ）法有明显优势．     

基于辐射源信号特征信息的JPDA无源跟踪算法

提出一种基于信号特征信息的改进联合概率数据互联算法,该算法不仅利用目标状态空间信息同时利用了目标特征信息计算互联概率。在航迹交叉和近距离情况下,传统算法出现目标航迹丢失,而改进算法可正常工作。通过计算机仿真证明了改进算法的有效性。     

一种基于Apriori的高效关联规则挖掘算法的研究

为了从海量的信息资源库中进行析取、识别和发现潜在正确和有用、前所未知的、最终可理解的知识,从数据挖掘技术的研究入手,对关联规则挖掘算法Apriori算法的关键思想以及性能进行了研究,在此基础上分析和探讨了Apriori Mend算法,并给出了该算法的实现思想和步骤,同时通过实例说明了算法的执行过程,该算法提高了原算法的效率。     

基于FP-Growth算法的多维关联规则挖掘方法

基于FP-Growth算法在不产生侯选项集的情况下产生所有的频繁项集的思想上提出一种多维关联规则挖掘方法。该方法以数据立方体下的多维数据为研究对象,通过挖掘频繁谓词集发现多维关联规则,并通过理论和实例验证的方法证明了该方法的可行性。     

基于遗传算法的关联规则挖掘方法及应用

对关联规则的数据挖掘和遗传算法进行了介绍，提出了一种采用遗传算法的关联规则提取方法，并以交通事故的原因分析为例，进行了关联规则挖掘．     

多站被动式跟踪自适应融合算法

由于单站被动式跟踪稳定性差、动态过程时间长、估计偏差大，且对初值敏感，使得直接在各单站估计基础上做融合效果仍然很差，本文提出多“双站”新概念，推导完成了基于多“双站”的自适应融合算法，提高了系统跟踪精度，保证了算法的快速收敛以及算法的初值不敏感性，仿真结果证明了其正确性。     

挖掘关联规则Apriori算法的一种改进

本研究在对Apriori算法分析的基础上,提出了改进的Apriori算法。改进后的算法采用矩阵表示数据库,减少了扫描事物数据库的次数;利用向量运算来实现频繁项集的计数,同时及时地去掉不必要的数据,减少了数据运算,从而提高了算法的运行效率。     

基于Apriori数据挖掘算法研究

关联规则是从数据集中识别出频繁出现的属性值集,然后利用这些频繁集创建描述关联关系的规则过程.在分析经典关联规则挖掘算法的基础上,讨论了经典的Apriori算法,并提出改进的Apriori关联规则算法,对算法进行了实验数据的算法性能分析及运行时间对比.结果表明,改进的算法在运行速度和挖掘性能上都较经典的Apriori算法都有显著提高.     

基于改进遗传算法的多维关联规则挖掘方法及应用

对遗传算法进行改进,并应用于多维关联规则挖掘中.在该算法中提出了一种基于免疫机制的新选择策略,并引入随机数,采用自适应方法随机动态选取交叉和变异概率.这种新算法不仅有效地抑制了早熟收敛现象,而且大大提高了搜索效率.     

扩展概率数据关联新算法

基于新的联合事件定义，推导出一种联合概率数据关联新算法．在此基础上，分析了该算法（本文取名为ＥＰＤＡ）与概率数据关联ＰＤＡ的关系，从而得出ＥＰＤＡ可看成ＰＤＡ的一种扩展的结论，同时，还从理论角度说明Ｆｉｔｚｇｅｒａｌｄ提出的简化ＪＰＤＡ算法中近似经验常数可精确计算，也可近似给定，不仅仅只能靠经验给定．ＥＰＤＡ克服了传统ＯＤＡ算法不可回避的组合爆炸难题，是一种性能优良的数据关联算法．仿真分析证明，本文提出的扩展概率数据关联算法实时性、有效性强，适于工程应用．