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．     

基于条件证据理论的雷达辐射源识别方法

基于观测证据与先验信息和谐的思想。利用条件证据理论。提出了一种融合先验信息的雷达辐射源识别方法，首先将雷达辐射源观测数据通过灰关联分析表示为D-S数据的随机集形式。然后计算观测证据与先验知识之间的和谐度。最后利用条件证据理论将需要融合的证据进行组合，该方法可在复杂战场环境下充分利用不同来源的信息，提高雷达识别的可靠性。     

基于随机集理论的并发故障诊断信息融合方法

为了诊断并发故障,提出一种基于随机集理论的信息融合方法.首先构造包含并发故障的论域,并在此论域的超幂集上定义扩展型随机集.基于该随机集和广义集值映射给出证据组合规则的随机集模型,用其构造可以同时适用于单发和并发故障诊断的新型组合规则.此外,根据传感器提供的故障信息构造故障样板模式与待检模式的模糊隶属度函数,利用模糊集的随机集表示以及随机集似然测度,获得两种模式匹配的程度作为待融合的诊断证据.最后通过在电机柔性转子平台上的试验,证明了所提方法可有效地减少单一传感器信息诊断的不确定性,显著提高转子系统故障诊断的精度.     

集值条件期望的Fatou引理

给出了随机集列关于单调增σ－域族的条件期望在弱收敛意义下的Ｆａｔｏｕ引理。     

基于随机模糊集的粗糙集模型

当知识库中的知识模块既是模糊的又是随机得到的,我们定义了基于随机模糊集的粗糙集模型。给出了随机模糊粗糙集的性质。讨论了利用模糊集的下近似和上近似定义的模糊测度和概率模糊测度的关系。     

分布式多目标伯努利滤波器的网络共识技术

本文研究了基于网络共识的分布式多目标伯努利(Multi-Bernoulli, MB)滤波器的目标跟踪技术。网络共识技术是实现传感器网络中分布式计算的一个强大工具,但同时对传感器间公共信息被“重复计算”问题尤为敏感。为解决该问题,本文首先在基于广义协方差交集(Generalized Covariance Intersection, GCI)准则的分布式MB (GCI-MB) 滤波器的基础上,通过采用序贯信息交互-本地融合的策略,提出网络共识(Consensus)-GCI-MB融合算法,简称C-GCI-MB融合;然后,通过数学理论分析了C-GCI-MB融合可以有效的避免“重复计算”问题;最后给出了C-GCI-MB融合算法的混合高斯(Gaussian Mixture)实现方法,并通过典型场景仿真验证了该算法的有效性及性能优势。      

机动目标概率假设密度滤波算法及其比较

在多目标跟踪问题中,如果目标数未知或者随着时间的变化而变化,那么联合概率数据关联(JPDA)等一系列在目标数已知时使用的跟踪算法就难以应对,而概率假设密度(PHD)滤波算法将目标集合数看成一个随机集,避免了数据关联问题。文中将PHD算法与JPDA算法进行了比较,仿真实验结果表明:在杂波环境下,PHD算法对目标数未知或随时间变化的多目标跟踪情况良好,在相同仿真条件下,PHD算法在时间上花的代价比其他算法更少。     

橡胶混凝土应力和强度的细观数值分析

利用富勒公式将三维级配曲线转化为二维平面内任意粒径集料出现的概率,在细观层次上将橡胶混凝土离散为粗集料、橡胶集料和水泥砂浆,建立了橡胶混凝土粗集料及橡胶集料随机分布的集料模型.将橡胶混凝土作为普通混凝土与橡胶集料组成的二相复合材料.利用有限元方法对橡胶混凝土二相复合材料模型的轴心抗压强度进行计算和分析,并和试验结果进行对比,结果表明:该分析方法能很好地模拟计算橡胶混凝土的轴心抗压强度,给出了模型加载过程中的细观应力分布及变化情况,模拟结果较好地反映了橡胶混凝土在单轴作用下的力学特性.     

动态环境下基于粒子群算法的多用户检测器

在动态环境下,在线用户数和用户的参数都是随时间变化的。研究表明,在动态环境下首先识别在线用户,然后进行多用户检测,会极大地提高多用户检测器的性能和节省资源。基于随机集理论（Random Set Theory,RST）理论,应用一种群智能算法——粒子群算法（Particle Swarm Optimization,PSO）提出了动态环境下的多用户检测器。仿真结果表明该检测器收敛速度快、适应性较强,有效地解决了动态环境下多用户检测。