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。     

基于目标跟踪的粒子滤波重采样算法研究

传统粒子滤波（PF）中,重采样步骤里存在着粒子的＂平均化＂现象,导致粒子本身概率大小的因素被忽略,没有充分利用粒子集所包含的信息。通过改进抛弃小权值粒子的原则,以及充分利用粒子权值大小所代表的意义来进行粒子复制的两点进行算法改进,采用一维非线性目标跟踪模型和新的二维动态跟踪模型分别研究改进PF算法对于平均RMSE的影响。通过仿真,证明了改进后的算法可以显著降低变量的平均RMSE,特别是在二位动态跟踪模型中,使位置坐标和速度两种变量的平均均方根误差（RMSE）都有所改善,从而提高了滤波性能。     

特征融合和聚类核函数平滑采样优化的粒子滤波目标跟踪方法

针对复杂场景下的目标跟踪问题,提出了一种改进的粒子滤波目标跟踪方法。利用背景加权后的联合直方图描述目标灰度和梯度特征信息,在粒子滤波算法的框架下,设计了一种自适应特征融合观测模型来适应场景的不断变化;同时针对传统粒子滤波算法存在的粒子退化问题,提出了一种基于聚类核函数平滑采样的方法。理论仿真和实际场景的实验结果表明,该算法适应性更强,精度更高,能有效跟踪复杂场景下的运动目标。     

弹道导弹防御中的群目标跟踪算法

针对传统群目标质心跟踪算法不能提供群内单个目标的精确航迹信息的缺点,提出了一种基于多假设思想的群目标跟踪算法。该算法除维持群以外,利用多假设处理复杂数据关联问题的能力,将对群中的单个目标形成航迹,并对箔条干扰、有源干扰等极端情况进行了处理,保证跟踪的稳定性。通过实验对该算法进行了验证,结果表明该算法能对群内相互靠近的目标进行精确跟踪,在密度为1×10－6个/m2的杂波环境下也能保持跟踪稳定性。     

基于变步长重采样的非高斯非线性目标跟踪

研究了非高斯噪声条件下非线性运动的目标跟踪问题。给出了非高斯噪声的两种产生方法,分别是概率分布函数法和生成数据库法,前者具有完整的数学理论支撑,后者易于操作实现。提出了一种基于置信区间的变步长重采样方法,并将其融入到粒子滤波的方法过程中。仿真表明,产生的非高斯噪声具有较好的尖峰特性,新的粒子滤波方法能够实现更高精度的目标跟踪,避免了粒子退化问题,为非线性目标跟踪问题的研究提供了一种思路。     

改进的粒子群模糊聚类算法

针对传统的模糊C-均值聚类算法对初始聚类中心较敏感、易陷入局部最优的缺点,将粒子群优化算法和FCM算法相结合,提出一种改进的模糊聚类算法。该算法利用粒子群算法的全局搜索能力代替FCM算法寻找初始聚类中心,使其跳出局部最优,实现模糊聚类。主要从反映数据集分类的类内紧致性程度和类间分离性程度的角度考虑,重新设计适应度函数。实验结果表明,提出的算法在聚类正确率和有效性指标上有更好的效果。     

基于目标跟踪的粒子群粒子滤波算法研究

针对粒子滤波方法在重采样阶段容易造成样本有效性和多样性的损失,导致了样本贫化问题,提出了一种改进的粒子滤波算法.算法将粒子群优化思想引入粒子滤波中,在粒子采样过程前先利用粒子群算法进行优化.粒子群算法将最新观测值融合到粒子进化公式中,大部分粒子经过粒子群优化后,朝着后验概率分布比较密集的区域运动,聚集在最优粒子附近,使粒子的权值被提高,避免了在重新采样过程中被舍弃,进而缓解了样本被贫化问题.目标跟踪系统中的位置估计由于物体运动具有突然性,很难准确估计.采用非线性目标跟踪模型和分时恒定值模型分别研究改进粒子滤波算法对误差均方值的影响.仿真结果表明改进算法与常规粒子滤波算法和扩展卡曼滤波算法相比,更加有效地降低变量的误差均方值,从而提高了滤波性能.     

邻域迭代重采样粒子滤波的纯方位目标跟踪

为了解决粒子滤波的非线性全局优化问题,基于重采样的思想是移除权重小的粒子,增加权重大的粒子数量,提出利用邻域搜索重采样的粒子滤波（NIRPF）进行目标跟踪。首先,预测粒子,并利用重要序列采样（SIS）给粒子赋权值;然后,在搜索后验概率密度的高概率区过程,更新单个粒子位置,利用高斯-邻域搜索迭代地加权所有粒子;最后,进行当前状态的估计。纯方位目标跟踪问题涉及两个静态观察器和非机动和机动两类目标。蒙特卡罗仿真结果验证了提出方法的有效性,与均方根容积卡尔曼滤波、容积粒子滤波和随机搜索的粒子滤波相比,提出的方法拥有更快的初始收敛速度,非机动目标和机动目标的根均方误差（RMSE）和时间根均方差（RTAMS）的评估更优。     

基于直觉模糊聚类的数据关联算法

针对多传感器观测数据存在不确定性的问题,基于直觉模糊聚类,提出一种新的数据关联算法。将改进的直觉模糊C-均值聚类（IFCM）算法应用于数据关联,首先将观测数据和预测数据进行直觉模糊化,然后计算直觉模糊集之间的加权距离以获得观测与航迹的隶属度,最后依次搜索最大隶属度实现观测与航迹的关联。仿真实验表明,存在模糊观测数据情况下,算法能有效地进行数据关联。     

基于蒙特卡罗方法的目标跟踪

为了更鲁棒和快速地进行目标跟踪,在基于粒子滤波的目标跟踪方法的启发下,提出了一种新的基于蒙特卡罗方法的目标跟踪方法。该方法首先运用蒙特卡罗技术对下一帧目标可能出现的位置和尺度进行抽样;然后计算各抽样与参考目标的相似度;最后通过估计目标状态来获得跟踪目标。实验表明,该方法无需目标运动信息,特别适用于目标灵活运动时的跟踪,与现有的算法相比,不仅算法实现简单,同时有较好的鲁棒性和通用性。     

基于面阵的多目标角度跟踪算法

为了实现移动目标的自动角度跟踪,提出了一种基于面阵的多目标角度跟踪算法.通过估计相邻时间段的协方差矩阵,求解方程组得到目标角度更新信息;同时引入了校正过程,降低了累积误差,提高了跟踪精度.该算法不需要更新信号子空间,相邻时段估计的角度是自动关联的,省去了数据关联过程,降低了运算量;不同于一维角度跟踪算法,该算法可以同时跟踪移动目标的方位角和俯仰角.仿真结果表明了该算法的有效性.     

模糊聚类粒子滤波的点状交叉多目标跟踪算法

提出了一种新的低信噪比红外序列图像多目标检测跟踪算法,该算法有机地结合了TBD检测算法与模糊聚类粒子滤波跟踪算法。首先通过多帧TBD处理后,检测出运动目标的初始位置、运动速度,然后在跟踪阶段采用粒子滤波算法估计目标运动状态,并在估计位置开一个跟踪窗进行检测、模糊聚类概率融合。对真实红外图像序列进行实验仿真,仿真结果验证了该算法具有良好的实时性与很高的精确性。     

几种典型的微弱点状多运动目标跟踪算法对比研究

重点研究了序列图像情况下几种典型的微弱点状多运动目标实时跟踪算法,虽然它们都能够完成不同背景环境下目标的全程跟踪,但跟踪性能存在较大的差异,PDA算法具有较高的实时性,但容易出现目标的偏移和聚合现象;JPDA算法理论上解决了多目标数据关联问题,但跟踪过程存在较大误差且由于计算量大难以在工程中应用;基于最大熵高斯聚类算法对模糊隶属度进行了修正,数据关联性高且有效避免了目标的误跟和丢失现象。通过对几种典型算法的仿真分析,为多目标跟踪算法的优化提供可靠依据。     

基于DPC聚类重采样结合ELM的不平衡数据分类算法

采样技术与ELM分类算法进行结合可提高少数类样本的分类精度,但现有的大多数结合ELM的采样方法并未考虑到样本的不平衡程度及样本内部的分布情况,采样技术过于单一,导致分类模型的效率低下,少数类样本的识别率不高。针对此问题,提出了一种基于DPC聚类的重采样技术结合ELM的不平衡数据分类算法,首先根据数据集的不平衡程度分2种情况构建一个混合采样模型来平衡数据集;然后在此模型上运用DPC聚类算法分别对多数类样本和少数类样本进行分析处理,解决数据中存在的类内不平衡和噪声问题,使得2类样本相对均衡;最后使用ELM分类算法对得到的数据集进行分类。实验结果表明,与同类型分类算法进行比较,所提算法的2个分类性能指标在实验数据集上都有明显提升。     

低视点下遮挡自适应感知的多目标跟踪算法

目的 针对低视点多目标跟踪场景的遮挡问题,提出一种能够遮挡自适应感知的多目标跟踪算法。方法 首先根据每帧图像的全局遮挡状态,提出了“自适应抗遮挡特征”,增强目标特征对遮挡的感知和调整能力。同时,采用“级联筛查机制”,减少由遮挡带来的目标特征剧烈变化而认定为“虚新入目标”的错误跟踪现象。最后,考虑到历史模板库中存在遮挡的模板对跟踪性能的影响,根据每一帧中目标的局部遮挡状态,提出自适应干扰模板更新机制,进一步提高对遮挡的应变和适应能力。结果 实验结果表明,本文算法在MOTA(multiple object tracking accuracy)、M OTP (multiple object tracking precision)、FN(false negatives)、Rcll (recall)、ML (mostly lost tracklets)等指标上明显优于STAM(spatial-temporal attention mechanism)、ATAF(aggregate tracklet appearance features)、STRN (spatial-temporal relat...     

改进的快速模糊C-均值聚类算法

为解决模糊C-均值(FCM)聚类算法在大数据量中存在的计算量大、运行时间过长的问题,提出了一种改进方法：先用多次随机取样聚类得到的类中心作为FCM算法的初始类中心,以减少FCM算法收敛所需的迭代次数;接着通过数据约减,压缩参与迭代运算的数据集,减少每次迭代过程的运算时间。该方法使FCM算法运算速度大大提高,且不影响算法的聚类效果。     

新型区间数据模糊C-均值聚类算法

在传统模糊C-均值聚类算法的基础上,提出了一种新型区间值数据模糊聚类算法。运用区间分割策略改进了区间距离的计算公式,成功解决了区间距离计算方法存在的缺陷。提出了区间值数据模糊聚类的数学模型,并拓广模糊C-均值算法对区间值数据进行聚类。仿真验证了所提出算法的有效性。     

一种区间型数据的自适应模糊c均值聚类算法

针对区间型数据的聚类问题,提出一种自适应模糊c均值聚类算法。该算法一方面基于区间数的中点和半宽度,通过引入区间宽度的影响因子以控制区间大小对聚类结果的影响;另一方面通过引入一个自适应系数,以减少区间型数据的数据结构对聚类效果的影响。通过仿真数据和Fish真实数据验证了该算法的有效性,并对聚类结果进行比较和分析。