基于目标出生强度在线估计的多目标跟踪算法

针对多目标跟踪中未知的目标出生强度, 提出了基于Dirichlet分布的目标出生强度在线估计算法, 来改进概率假设密度滤波器在多目标跟踪中的性能. 算法采用有限混合模型来描述未知目标出生强度, 使用仅依赖于混合权重的负指数Dirichlet分布作为混合模型参数的先验分布. 利用拉格朗日乘子法推导了混合权重在极大后验意义下的在线估计公式; 混合权重在线估计过程利用了负指数Dirichlet分布的不稳定性, 驱使与目标出生数据不相关分量的消亡. 以随机近似过程为分量均值和方差的在线估计策略, 推导了基于缺失数据的分量均值与方差的在线估计公式. 在无法获得初始步出生目标先验分布的约束下, 提出了在混合模型上增加均匀分量的初始化方法. 以当前时刻的多目标状态估计值为出发点, 提出了利用概率假设密度滤波器消弱杂波影响的出生目标数据获取方法. 仿真结果表明, 提出的目标出生强度在线估计算法改进了概率假设密度滤波器在多目标跟踪中的性能.     

基于熵分布的概率假设密度滤波器高斯混合实现

针对概率假设密度滤波器, 提出一种基于熵分布的高斯混合实现算法. 在该算法中, 作为混合参数先验分布的熵分布, 主要用在极大后验迭代过程中删减无关混合分量, 该删减操作可通过混合权重调整来实现. 此外, 该算法还能够解决多个具有类似参数的混合分量共同描述一个强度峰值的问题. 仿真结果表明, 所提出算法优于典型的阈值删减算法.     

基于杂波强度在线估计的多目标跟踪算法

针对多目标跟踪中的未知杂波强度,提出了基于熵分布的杂波强度在线估计算法.利用有限混合模型对未知杂波强度建模,将仅依赖于混合权重的熵分布作为混合参数的先验;利用拉格朗日乘子法推导了混合权重在极大后验意义下的在线估计公式;以随机近似过程为在线估计策略,推导了基于缺失数据的分量均值和方差的在线估计公式.仿真结果表明,基于熵分布的杂波强度在线估计算法改进了概率假设密度滤波器在多目标跟踪中的性能.     

高斯混合概率假设密度无序估计分布式融合

针对分布式传感器网络中多目标随机集状态混合无序估计问题,本文提出了一种基于高斯混合概率假设密度无序估计分布式融合算法.在高斯混合概率假设密度滤波器的框架下,首先基于概率假设密度递推滤波特性,建立适用于多目标随机集状态混合无序估计的最新可利用估计判别机制,然后利用扩展协方差交叉融合算法对经过最新可利用估计判别机制获得的无序概率假设密度强度估计进行融合处理,针对融合过程中高斯分量快速增长的问题,在保证信息损失最小的前提下,对融合过程的不同环节实施高斯混合分量裁剪操作,给出了一种多级分层分量裁剪算法.最后,仿真实验验证了文中所提的算法的有效性和可行性.     

基于SIM-GM-PHD的低可观测目标跟踪算法

针对多传感器协同探测多个低可观测目标问题,提出一种基于强度叠加的多传感器高斯混合概率假设密度(SIM-GM-PHD)滤波器,并提出目标状态的两步提取策略.首先,利用跟踪门对预测强度函数中每个高斯分量选择有效传感器集合;然后,利用各传感器量测数据更新其对应的高斯分量,叠加所有传感器的局部后验强度以及全局漏检强度得到融合后验强度;最后,提出目标状态的两步提取策略对目标的个数与状态进行估计.仿真结果验证了所提出算法的有效性.     

基于增量式有限混合模型的多目标状态极大似然估计

提出了增量式有限混合模型来提取概率假设密度滤波器序贯蒙特卡罗实现方式中的多目标状态. 该模型以增量方式构建, 其混合分量采用逐个方式插入其中. 采用极大似然准则来估计多目标状态. 对于给定分量数目的混合模型, 应用期望极大化算法来获得参数的极大似然解. 在新分量插入混合模型时, 保持已有混合模型的参数不变, 仍旧采用极大似然准则从候选新分量集合中选择新插入分量. 新分量插入混合步和期望极大化算法拟合混合参数步交替应用直到混合分量数目达到概率假设密度滤波器的目标数目估计值. 利用k-d树生成插入到混合模型的新分量候选集合. 增量式有限混合模型统一了分量数目变化趋势和粒子集合似然函数的变化趋势, 有助于一步一步地搜寻混合模型的极大似然解. 仿真结果表明, 基于增量式有限混合模型的概率假设密度滤波器状态提取算法在多目标跟踪的应用中优于已有的状态提取算法.     

纯方位距离参数化概率假设密度和势概率假设密度滤波器

考虑多目标跟踪中量测源的不确定性,本文提出两个基于随机有限集(RFS)的多距离假设纯方位跟踪(BOT)滤波器.首先,详细推导距离参数化高斯混合概率假设密度(PHD)滤波器的递推公式.然后,详细推导距离参数化高斯混合势概率假设密度(CPHD)滤波器的势分布和强度的递推公式.此外,为跟踪随机出现的目标,提出一种自适应BOT新生目标强度的建立方法.仿真验证了算法的有效性.     

基于ET-PHD的自适应联合跟踪与分类算法

针对新生目标强度先验未知的扩展目标（Extended target,ET）联合跟踪与分类（Joint tracking and classification,JTC）问题,提出一种基于扩展目标概率假设密度（Extended target-probability hypothesis density,ET-PHD）滤波器的自适应联合跟踪与分类算法,并给出其高斯混合实现方法.算法利用量测信息生成新生目标强度,在滤波预测阶段对存活目标和新生目标分别按照其类别进行传播,再引入属性量测信息,用位置和属性的联合量测似然函数代替单目标位置似然函数,对预测后所有目标强度进行联合更新,之后按照类别进行高斯项的删减与合并,提取相应类别目标的状态集.仿真结果表明,提出的自适应算法改进了概率假设密度滤波器在扩展目标跟踪中的性能.     

基于概率假设密度的近邻目标快速跟踪算法

针对杂波场景中多个目标相互近邻时,标准概率假设密度滤波器难以正确估计目标状态且计算复杂度高等问题,提出一种基于概率假设密度的近邻目标快速跟踪算法。所提算法首先采用自适应门技术从传感器观测集中划分出源于真实目标的观测集,随后利用真实目标观测集来更新预测强度,最后应用检测导向的近邻目标权重校正方法有选择地重分配各离散时刻后验强度中不精确的分量权重。实验结果表明,所提算法不仅具有高效率的目标跟踪,而且具有良好的鲁棒性。     

用于多个机动目标的混合高斯概率假设密度跟踪器

现有的混合高斯概率假设密度（GM—PHD）跟踪器不仅可以估计时变的多目标状态,还能辨识不同目标并保持其轨迹连续性．但当多个目标发生机动时,其稳定性较差,容易丢失目标．针对这一问题,本文提出一种能跟踪多个机动目标的混合高斯概率假设密度跟踪器算法．算法在GM—PHD滤波的框架上采用修正的输入估计方法将目标的概率假设密度（PHD）表示成混合高斯形式,并利用不同的标记辨识各个高斯分量,然后通过PHD滤波方程迭代这些高斯分量和对应的标记,最终达到跟踪多个机动目标的目的．仿真实验表明,和传统的GM—PHD跟踪器相比．新算法能以更高的稳定性跟踪多个机动目标．     

基于SMC-PHDF的部分可分辨的群目标跟踪算法

提出一种基于粒子概率假设密度滤波器(Sequential Monte Carlo probability hypothesis density filter, SMC-PHDF)的部分可分辨的群目标跟踪算法. 该算法可直接获得群而非个体的个数和状态估计. 这里群的状态包括群的质心状态和形状. 为了估计群的个数和状态, 该算法利用高斯混合模型(Gaussian mixture models, GMM)拟合SMC-PHDF中经重采样后的粒子分布, 这里混合模型的元素个数和参数分别对应于群的个数和状态. 期望最大化(Expectation maximum, EM)算法和马尔科夫链蒙特卡洛(Markov chain Monte Carlo, MCMC)算法分别被用于估计混合模型的参数. 混合模型的元素个数可通过删除、合并及分裂算法得到. 100次蒙特卡洛(Monte Carlo, MC)仿真实验表明该算法可有效跟踪部分可分辨的群目标. 相比EM算法, MCMC算法能够更好地提取群的个数和状态, 但它的计算量要大于EM算法.     

Dirichlet Gaussian mixture model: Application to image segmentation

Gaussian mixture model based on the Dirichlet distribution (Dirichlet Gaussian mixture model) has recently received great attention for modeling and processing data. This paper studies the new Dirichlet Gaussian mixture model for image segmentation. First, we propose a new way to incorporate the local spatial information between neighboring pixels based on the Dirichlet distribution. The main advantage is its simplicity, ease of implementation and fast computational speed. Secondly, existing Dirichlet Gaussian model uses complex log-likelihood function and require many parameters that are difficult to estimate. The total parameters in the proposed model lesser and the log-likelihood function have a simpler form. Finally, to estimate the parameters of the proposed Dirichlet Gaussian mixture model, a gradient method is adopted to minimize the negative log-likelihood function. Numerical experiments are conducted using the proposed model on various synthetic, natural and color images. We demonstrate through extensive simulations that the proposed model is superior to other algorithms based on the model-based techniques for image segmentation.     

多目标无序量测OOSM-GMPHD滤波算法

针对无序量测条件下多目标跟踪问题,提出了一种适用于线性系统的单步滞后无序量测滤波算法(OOSM-GMPHD).在前向预测框架内,以高斯混合概率假设密度(GMPHD)滤波器为基础滤波算法,对每一高斯分量分别用延迟到达的量测与等价量测进行预测、更新,经剪枝与合并等步骤获得最终的目标数量与状态估计.仿真结果表明:算法可有效消除无序量测的影响,准确估计多目标数目和状态.     

A MIXTURE MODEL CLASSIFIER AND ITS APPLICATION ON THE BIOMEDICAL TIME SERIES

This article presents a methodology based on the mixture model to classify the real biomedical time series. The mixture model is shown to be an efficient probabilistic density estimation scheme aimed at approximating the posterior probability distribution of a certain class of data. The approximation is conducted by employing a weighted mixture of a finite number of Gaussian kernels whose parameters and mixing coefficients are estimated iteratively through a maximum likelihood method. A database of the real electrocardiogram (ECG) time series of out-of-hospital cardiac arrest patients suffering ventricular fibrillation (VF) with known defibrillation outcomes was adopted to evaluate the performance of this model and confirm its efficiency compared with other classification methods.