多传感器高斯混合PHD融合多目标跟踪方法

针对复杂环境下单传感器多目标跟踪方法效果不佳的问题,基于FISST（Finite set statistics）跟踪理论提出一种多传感器高斯混合PHD（Probability hypothesis density）多目标跟踪方法.首先,分析了FISST下多传感器PHD的形式化滤波器,在此基础上构建一种反馈式多传感器PHD融合跟踪框架;进一步利用高斯混合技术提出多传感器PHD跟踪方法;最后,通过解决多传感器后验PHD粒子匹配与融合问题提出三种算法.仿真实验表明,与常规高斯混合PHD跟踪算法相比,本文所提算法能够有效提高目标跟踪精度和鲁棒性.     

多源、多目标传感器数据处理方法探讨

多源、多目标传感器数据处理方法是当前研究多源、多目标微积分计算课题的一个重要的组成部分;有限集统计理论的核心是多源、多目标微积分计算.随着现代工业快速发展,对多传感器数据处理方法提出了更高的要求;怎样处理多源、多目标传感器数据是当前工程技术人员急需解决的问题.将单传感器有效组合进行拓展,以信任质量概念为基础,从数学形式上将多源、多目标的估计问题表现为单传感器、单目标问题;为解决多源多目标数据融合找到一种直观的处理方法.     

多传感器多目标滤波算法中的计算问题探讨

多传感器多目标跟踪已广泛应用于军事、工业、农业及人们的日常生活之中。多目标跟踪是将传感器接收到的众多量测值按照来源分类,给出各跟踪目标的运动轨迹,并分析运动轨迹的准确性和可靠性。该文利用有限统计理论（FISST）、高斯型单目标、多目标滤波近似似然函数,对多目标滤波算法中存在的精度计算问题进行研究,为多传感器多目标的检测、数据融合及预测提供了一个简化、全概率运算依据。     

贝叶斯数据融合中“模糊”数据随机集模型的探讨

基于随机集理论运动物体轨迹的检测、提取、识别和跟踪是比较前沿的研究课题之一;有限集统计理论的核心是多源、多目标微积分计算。随着GPS、GIS的快速发展,为GPS、GIS提出了更高的要求;怎样处理具有多源、多目标传感器＂模糊＂数据是当前工程技术人员急需解决的问题。将贝叶斯方法论进行推广,利用有限集统计理论的专家系统方法（如模糊理论、D-S证据理论）,可以使得不完整特性的传感器数据得到处理。