基于遗传算法的机动多目标数据关联

1 引言多目标数据关联是多目标跟踪的核心部分,是多目标跟踪技术中最重要而又最困难的问题。数据关联简言之就是一种分配过程,即判断一个特定的量测属于哪一个目标,进而把全部或部分新量测数据分配给已建立的轨迹。数据关联是一个监视、跟踪系统的主要功能,因为错误的关联会导致跟踪的丢失,在目标密集     

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.     

基于随机神经网络的数据关联组合优化研究

本文研究密集多回波环境下的机动多目标数据关联问题，通过对联合概率数据关联方法性能特征的分析，将其归结为一类的束组合优化问题，进而应用随机神经网络Ｂｏｌｔｚｍａｎｎ机的组合优化求解策略，结合改进的模拟增益退火方法，提出了一种新颖有效的机动多目标快速随机神经数据关联组合优化算法，克服了传统，ＪＰＤＡ存在出现的计算组合爆炸现象，仿真结果表明，该方法不仅收敛速度快，而且计算量小，关联效果好，回波愈密集，其     

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。     

基于核聚类的机动多目标数据关联问题研究

针对新型作战样式条件下空中多机动目标密集回波的数据关联问题,采用核学习方法和K-均值聚类相结合的算法,即基于核的K-均值聚类来解决此问题.该方法的主要思想是,将原空间中的样本通过一个非线性映射,映射到高维的核空间中,以突出各类样本之间的特征差异,然后在核空间中进行K-均值聚类.仿真结果表明,该方法有效提高了密集回波环境下系统跟踪机动多目标的关联精度和可靠性.     

基于CHNN的机动多目标跟踪算法及其参数特性研究

关于密集多回波环境下机动多目标跟踪,因其JPDA问题计算量出现的组合爆炸的现象,从而导致实时跟踪效果极差的问题.引入能解决组合优化问题的连续型Hopfield神经网络方法,来减少其计算量,并结合改进的模拟退火算法来优化网络收敛性和全局最优问题.其中,在已知网络能量函数下,对应的网络参数对网络性能产生了直接影响.因此,在实验的基础上,对神经网络参数进行分析研究,并充分证实了该方法解决JPDA问题的有效性,并给出了相应的积极结论.     

神经网络在多机动目标跟踪中的应用

为解决多目标跟踪中数据关联与状态估计的问题引入神经网络方法.针对联合概率数据关联(JPDA)存在的计算组合爆炸问题,利用Hopfield网络解决TSP问题的思路找到神经网络联合概率数据关联(NJPDA)方法,并对其进行一定的改进解决其参数确定问题.基于以上关联方法得到的关联概率,利用简化的信息融合自适应滤波算法,实现对目标轨迹的状态滤波与预测.以上综合方法充分利用了神经网络的优点,保证了多目标的跟踪精度及实时性.     

基于改进神经网络的医疗数据关联定位技术

为实现神经网络医疗数据的高精度定位,需要改进神经网络医疗数据定位技术。当前神经网络中不包含位置信息的医疗数据一般是没有意义的,神经网络技术具有功耗低、成本低、时延短、可靠、安全等特点,近年来发展较为快速。当前使用的技术,因为定位精度低、功耗高、容易受外界因素影响等原因导致数据定位结果容易出现较大的偏差,已经无法达到当代医疗数据定位的标准。因此,提出一种基于改进神经网络的医疗数据关联定位技术,通过组建神经网络医疗数据关联模型,分析神经网络医疗数据形成原因,提取医疗数据特征,构建神经网络医疗数据关联定位模型,通过对神经网络医疗数据时频特征进行滑动时间窗口重排,提高神经网络的医疗数据定位的精准度。实验证明,所提方法能够快速地完成医疗数据定位,并且具有较高的精准度。     

基于粒子滤波的交互式多模型多机动目标跟踪

针对交互式多模型联合概率数据关联滤波算法(IMM-JPDAF)在非线性情况下跟踪精度低,并不适用于非高斯问题的情况,提出了一种基于粒子滤波的交互式多模型多机动目标跟踪算法;将交互式多模型联合概率数据关联(IMM-JPDA)与粒子滤波相结合,在交互式多模型联合概率数据关联的框架下,各模型采用粒子滤波算法处理非线性非高斯问题,避免了噪声的高斯假设和非线性部分的线性化误差。仿真结果表明,IMM-JPDA-PF算法的跟踪性能明显优于IMM-JPDAF算法,能够对杂波环境中的多机动目标进行有效跟踪。     

改进联合概率数据关联的视频多目标快速跟踪

针对监控范围较大、目标外观特征少的视频多目标数据关联及跟踪问题,本文仅利用目标运动特征,提出了一种基于联合概率数据关联（joint probabilistic data association,JPDA）的复杂情况下视频多目标快速跟踪方法．首先采用murty算法求JPDA的最优K个联合事件,大大降低了计算复杂度;然后根据JPDA的关联概率讨论目标的运动情况,分析在多目标新出现、遮挡、消失、分离（前景检测存在目标碎片）等复杂情况下当前帧量测与跟踪目标的数据关联问题,获取复杂运动的多目标跟踪轨迹．在多个监控视频上的实验结果表明,该方法能大大提高跟踪性能,实现复杂情况下的视频多目标快速跟踪．     

基于神经网络规范约束的关联规则挖掘

分析了现有关联规则挖掘所潜在的问题，给出了约束关联查询的定义和基于神经网络规范约束集的构建；在此基础上，提出了基于神经网络规范约束的关联规则挖掘解决方案（CARMRNN），并给出了其体系框图和实现算法。     

基于微种群遗传算法和RBF神经网络的散乱数据重建方法

利用微种群遗传算法,结合性能优越的径向基函数神经网络,建立了适用于散乱数据曲面重建的径向基函数网络模型.采用微种群遗传算法完成对神经网络的权值优化,可避免早熟收敛,且有较快的收敛速度.实验结果表明,用这种方法解决散乱数据点的重建问题,具有较高的精度.     

基于神经网络的电力负荷不良数据的清洗

电力负荷预测前应首先对负荷数据进行清洗,根据电力日负荷曲线的特征,应用改进的ART-2神经网络准确的提取电力日负荷特征曲线,然后利用支持向量数据描述法对不良数据进行精确定位,最后利用特征曲线对不良数据进行修正.由于ART2网络能够动态调整特征曲线以及支持向量数据描述法快速准确性,使得该清洗模型具有对不良数据进行动态清洗的功能,实例分析说明了该模型的高效性.     

多神经网络在高维数据分类中的应用研究

针对BP神经网络在高维数据分类中存在训练时间长的缺点,提出一种新的多神经网络分类模型,该模型采用自组织特征映射(SOFM)网络对训练样本集进行无监督聚类,通过优化竞争层神经元权值,并以此训练BP神经网络实现数据分类.最后对自由手写数字样本进行识别,仿真实验表明,这一模型具有较强的分类能力和泛化能力.     

基于小波神经网络的光谱数据压缩与分类研究

文中介绍了一种基于小波分析而构造的神经网络模型－小波神经网络,利用它并适当选取网络结构和小波基。实现了对化学物质红外光谱数据的压缩表达和分类,实验表明,网络在大幅度压缩数据的同时能很好地恢复原始光谱,较准确地反映吸收峰的和强度。在分类方面它比其它网络具有更高的分辨率和特征提取能力。     

Project Scheduling问题和Job—Shop问题的神经网络解

ＰｒｏｊｅｃｔＳｃｈｅｄｕｌｉｎｇ问题和Ｊｏｂ－Ｓｈｏｐ问题是著名的ＮＰ难题。本文用神经网络方法去解这两个问题，软件模拟结果是令人满意的。这种方法也为解一大类组合优化问题提供了一个新的途径。     

基于粗集和神经网络的石油测井数据挖掘方法

由于石油测井数据存在着模糊性和噪声，在数据挖掘中单纯使用粗集方法会受噪 声干扰而直接影响分类精度，单纯使用神经网络会因输入信息空间维数较大时使网络结构复杂且训练时间长．为解决这些问题，根据测井解释原理，本文提出一种将两者结合起来的数据挖掘方法，即经过测井资料预处理、样本信息粗集方法简化、神经网络学习训练、待识信息网络识别和误差分析等步骤，其中使用的二层非线性连接权神经网络简化了网络的运算．通过岩性识别和储层参数定量计算两个应用实例，结果表明这种数据挖掘方法在测井解释中其识别率远高于其它单一数据挖掘方法，效果令人满意．     

神经网络计算机系统模型与结构初探

在阐明神经网络计算机（ＮＮＣ）信息处理机理的基础上，给出ＮＮＣ系统的两个功能模型。然后根据神经计算部件与传统数字处理部件在系统中的地位与相互关系的不同，将ＮＮＣ系统划分成三类结构，并阐述其特点。     

基于粗糙集的神经网络建模方法研究

提出了一种基于粗糙集的神经网络模型,该方法利用粗糙集数据分析方法,从数据中提取出规则将输入映射到输出的子空间上,而后在这个子空间上用神经网络进行逼近.利用这种方法对岩石边坡工程中边坡稳定性进行分析建模,并和传统的神经网络建模方法进行比较,说明了该方法的有效性.     

人工神经网络在表面张力数据处理中的应用

用人工神经网络方法进行表面张力的数据处理,并对网络直接救亡地,得到表面过乘吸附附量与浓度的数据关系,直接可推出表面饱和吸附量,从而得到了正丁醇的横截面积为２．０＊１０＾１９ｍ＾２。