多扩展目标的高斯混合概率假设密度滤波器

针对多扩展目标跟踪中状态信息难以估计的问题,提出了一种可以估计扩展目标运动状态和形状信息的多扩展目标高斯混合概率假设密度(RHM-GMPHD)滤波器。首先利用描述凸星形扩展目标量测源分布的随机超曲面模型和传感器量测方程,建立扩展目标运动状态及形状信息与量测之间关系的伪量测函数;然后结合扩展目标状态预报信息,推导了扩展目标状态更新方程,递推地对扩展目标运动状态及形状信息进行估计跟踪。此外,还建立了Jaccard距离来度量RHMGMPHD滤波器对目标形状的估计性能。与联合概率数据关联(JPDA)滤波器和GMPHD滤波器相比,RHM-GMPHD滤波器不仅可以估计凸星形扩展目标的形状信息,并能有效提高对目标数和运动状态的估计精度。仿真实验表明,RHM-GMPHD滤波器对质心估计的均方根误差分别约为JPDA和GMPHD滤波器的1/3和1/2,对目标数的估计接近真实值,对形状估计的Jaccard距离一般小于0.2。     

基于椭圆RHM的扩展目标伯努利滤波算法

针对扩展目标跟踪中存在的扩展状态估计不准确和非线性问题,提出一种基于随机超曲面模型(RHM)的扩展目标伯努利滤波算法.首先采用RHM对目标量测源建模,然后在扩展目标伯努利滤波框架下,实现对单扩展目标运动状态和扩展状态的实时估计,最后引入Gamma分布以提高量测率估计的准确性.为了降低计算复杂度,在量测更新中采用距离划分来减少所有可能的划分总数.仿真结果表明,所提滤波算法在估计目标运动状态、扩展状态和量测率等方面优于单目标伯努利滤波算法.     

基于噪声方差估计的高斯混合概率假设密度滤波算法

针对传统的高斯混合概率假设密度(GM-PHD)滤波器在噪声先验特性未知或不准确时跟踪性能会下降,提出了一种基于噪声方差估计的高斯混合概率假设密度(NCE-GM-PHD)滤波算法.该算法可以同时在线估计时变的目标个数、多目标状态以及噪声方差.首先,通过引入遗忘因子和采取有偏估计的方法改进了传统的Sage-Husa自适应滤波器.基于改进的自适应滤波器,推导了带噪声方差估计的GM-PHD滤波算法.仿真结果表明,在非时变或时变量测噪声方差未知的情况下,NCE-GM-PHD算法的跟踪性能优于传统的GM-PHD算法,对噪声变化的适应能力更强.     

非均匀分布量测下的扩展目标跟踪方法

针对雷达方位角变化导致散射源统计特性改变的问题,提出了一种非均匀分布量测下的扩展目标跟踪方法。算法通过轮廓质心法和接受-拒绝采样法产生伪量测,并构建了分层无迹卡尔曼滤波器(Hierarchical Unscented Kalman Filter,HUKF)来计算运动状态和形状参数的后验概率。实验结果表明,相比于传统的无迹卡尔曼滤波方法,该方法对星凸扩展目标有着更好的跟踪性能。。     

基于随机有限集理论的多扩展目标跟踪技术综述

随着传感器分辨率的不断提高,扩展目标跟踪技术在实际应用中的作用日益凸显。传统的基于数据关联的目标跟踪方法在对多扩展目标进行跟踪时难以适用,而基于随机有限集理论的方法由于避免了数据关联的困扰而得到了广泛的关注和大量的研究。通过对近年来基于随机有限集理论的多扩展目标跟踪技术研究现状进行了综合分析,包括外形建模方法、最优多目标跟踪贝叶斯滤波器的各类近似技术以及基于随机有限集的多扩展目标跟踪算法的性能评价指标等。最后在已有研究发展的基础上,提出了基于随机有限集理论的多扩展目标跟踪技术需重点关注和解决的若干问题,包括如何将外形建模与群目标轮廓建模进行结合、多机动扩展目标跟踪、多扩展目标跟踪性能评价指标、非线性非高斯下的扩展目标跟踪、非标准量测下的扩展目标跟踪等问题。     

高斯混合扩展目标多伯努利滤波器

针对杂波环境下多扩展目标跟踪中数据关联过程复杂的问题,提出一种可同时估计扩展目标状态和目标数的高斯混合扩展目标多伯努利(GM-ET-MBer)滤波器,该滤波器无需对测量与扩展目标进行关联。首先采用伯努利随机有限集和泊松随机有限集分别描述扩展目标的状态和观测;然后结合扩展目标状态的预测信息,推导了扩展目标状态的更新方程,并在线性高斯条件下采用高斯混合方法递推地对扩展目标的状态进行估计跟踪。与高斯混合扩展目标概率假设密度(GM-ET-PHD)滤波器相比,GM-ET-MBer滤波器有效地提高了对目标数的估计精度。仿真结果表明,GM-ET-MBer滤波器和GM-ET-PHD滤波器对目标数估计的标准偏差分别为0.267 3和0.395 3,可知所提滤波器对目标数的估计更稳定。     

采用随机矩阵的多扩展目标滤波器

针对杂波环境下多扩展目标的运动状态和形状信息的联合估计跟踪的问题,提出了一种基于随机矩阵的扩展目标跟踪算法。该算法采用具有噪声基于密度的空间聚类(DBSCAN)划分与预测划分相结合的联合划分算法对量测集进行划分,然后采用联合概率数据关联(JPDA)的软关联思想建立量测簇与扩展目标之间的对应关系,最后采用随机矩阵法对扩展目标进行估计获得运动状态和形状信息,特点是:将量测集划分为互不相交的几个簇,以使每个簇中的量测源于同一目标或杂波;建立量测簇与扩展目标之间的关联关系及状态更新。联合划分算法与DBSCAN划分的比较仿真实验表明,在有距离相近目标时采用联合划分算法比采用DBSCAN划分的滤波器的跟踪效果好得多。所提多扩展目标滤波器与ET-GMPDH滤波器的仿真实验表明,所提算法有较高的跟踪精度、较大的检测概率及较小的虚警概率。     

含点不交偶圈的图的[r,s,t]-着色

通过用图G的导出星K1,Δ(G)的一个[r,s,t]-着色对图G进行从下往上着色,证明了含点不交偶圈的图的[r,s,t]-色数等于图中最大导出星的[r,s,t]-色数.     

多传感器粒子滤波融合跟踪算法

对于非线性非高斯环境中的多传感器分布式状态估计问题,提出了一种基于二阶中心差分粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,以在线自适应加权融合算法的方式得到系统最优估计.仿真结果表明,与采用扩展卡尔曼滤波的方法相比,该算法具有更高的估计精度.     

面向重尾噪声的模糊规则模型

针对一般模糊规则模型对含有重尾噪声的数据集鲁棒性较差的问题,提出了面向重尾噪声的模糊规则(Rule-based Fuzzy Model for Heavy-tailed Noisy Data,HtRbF)模型.该模型使用了两种新的聚类方法,学生t分布均值聚类算法(Student’s t-distribution C-Means,StCM)和学生t分布下的背景模糊聚类方法(Student’s t-distribution Context Fuzzy C-Means,StCFCM),并将其应用在初始规则和新规则的生成中,使模型在重尾噪声场景下生成更为准确的规则,有效减少了模型的输出误差,使其更接近真实输出.HtRbF模型具有良好的抗噪能力,通过对数据集添加不同类型的重尾噪声进行系统性实验,实验结果证明了HtRbF模型的有效性.     

基于LPZ谱分析法的非高斯脉动风压模拟

提出一种基于线性预测和Z转换(linear prediction and Z-transform,LPZ)谱分析法的非高斯脉动风压模拟算法.运用Johnson变换系统实现高斯随机过程到非高斯白噪声的转换;再使用LPZ对其进行数字滤波,进而得到所需的非高斯脉动风压.采用基于LPZ谱分析法对单变量非高斯随机信号和非高斯脉动风压进行了数值模拟.通过对模拟的非高斯信号和脉动风压的统计参数(峰度和偏度)与目标统计参数,以及模拟的功率谱与目标功率谱进行比较,验证了基于LPZ谱分析法的非高斯脉动风压模拟算法的有效性.     

基于变分贝叶斯理论的不确定厚尾噪声滤波方法

为了解决非线性滤波中量测噪声呈厚尾分布且统计特性不确定的问题,提出一种基于Pearson Type VII分布的自适应滤波算法.针对传统鲁棒卡尔曼滤波器因尺度矩阵和自由度参数固定不变而无法自适应调整的问题,以容积卡尔曼滤波器为基础,选择Pearson Type VII分布对厚尾噪声进行建模,将传统鲁棒滤波固定自由度参数的估计转化为Pearson Type VII分布中可自适应调整的双自由度参数的估计,并通过inverse Wishart和Gamma分布描述尺度矩阵、双自由度参数和辅助参数的先验分布,利用遗忘因子对各参数进行时间更新;基于变分贝叶斯理论,对系统状态、尺度矩阵、双自由度参数和辅助参数形成的联合后验概率密度函数进行变分迭代,实现对系统状态和未知厚尾噪声的联合估计.仿真结果表明,在不确定厚尾噪声条件下,本文算法的滤波精度高于传统鲁棒容积卡尔曼滤波.     

基于PHD的多扩展目标联合检测、跟踪与分类算法

针对杂波和噪声背景下空间距离较近的扩展目标数目和状态难以估计的问题,提出了基于扩展目标概率假设密度滤波器(ET-PHD)的多目标联合检测、跟踪与分类算法,并给出了该算法基于粒子滤波的实现方法.算法在滤波器中引入了属性量测信息,预测阶段的粒子按照其类别进行传播,更新阶段对所有粒子进行联合更新,更新结束后将粒子按照类别进行分类,各类别的粒子集表示了其相应类别目标的PHD分布.该算法具有模块化结构,计算复杂度为O(mn).数值仿真场景包含两类扩展目标并行运动和两类扩展目标交叉运动.结果表明,该算法可以同时估计扩展目标的类别、数目和状态,并且平均最优次模式分配距离相比传统算法的降低幅度超过50%.     

图的某些[r,s,t]-染色的色数

证明了(1)若图G是二部图,则当r≥s(χ’(G)-1)+2时,χr,s,1(G)=χr,0,0(G);(2)若图G是非二部图,则当r≥sχ’(G)/χ(G)-s+1且r不是s的倍数时,χr,s,1(G)=χr,0,0(G);(3)当Δ(G)≥2,χ’(G)=Δ(G),且s≥2r,r≥2t时,χr,s,t(G)=χ0,s,0(G);(4)当χ’(G)=Δ(G)+1且s-t≥r≥t时,χr,s,t(G)=χ0,s,0(G)。     

基于地磁定轨和扩维卡尔曼滤波的导航算法

为了克服扩展卡尔曼 (Kalman)滤波算法对噪声统计特性的约束 ,针对磁强计量测噪声为有色噪声伴常值干扰的特性 ,提出了一种基于扩维Kalman滤波算法的地磁导航算法 .该算法为了使量测噪声白噪化 ,引入了 2个新的状态变量 ,此时测量噪声是均值为 0的高斯白噪声 ,并满足扩展Kalman滤波算法的约束条件 .对由此构成的系统使用扩展Kalman滤波算法 ,可以得到扩维Kalman定轨导航算法 ,利用该算法可以获得国产磁强计的导航精度 ,其地心距模的估计误差为 2 0km ,速度模的估计误差为 10m/s .卫星的实测数据仿真结果表明 ,该导航算法具有较好的稳定性和收敛性 ,克服了扩展Kalman滤波算法的发散问题     

基于凸优化的频域自适应滤波方法

传统的自适应滤波方法均是采用时域算法,对具有多个中心频率的有限带宽含高斯噪声信号的降噪效果均不理想。为了解决有限带宽含高斯噪声信号的降噪问题,本文基于凸优化方法设计出一种多个带通Wiener滤波器并联组合的频域自适应滤波器,采用拉伊达准则确定有限带宽信号的中心频率,给出多个带通Wiener滤波器的频域参数的优化目标函数,并且通过仿真试验和与小波降噪效果对比说明了本文所提出方法的有效性,验证了该方法对信号具有较强的自适应能力,能够很好的消除实测信号中的高斯噪声。最后给出工程实例验证了方法的有效性和实用性。     

基于Kendall’s τ的连接函数分布估计算法求解云计算中SaaS部署问题(英文)

分布估计算法的性能高度依赖于如何估计和采样概率分布,连接函数(Copula)是构建概率分布模型的强有力的工具.论文给出了一个基于Kendall’s τ的正态连接函数分布估计算法,算法通过估计Kendall’s τ和利用Kendall’s τ与相关矩阵的关系首先估计正态连接函数中的相关矩阵,由此估计出联合分布.然后,Cholesky分解算法被用于该矩阵生成新的个体.由于正态连接函数的简单性,使得该算法具有简单明了的优点.算法被应用于一些测试函数和云计算中的SaaS部署问题,实验结果表明了算法的有效性.     

一种多扩展目标非线性高斯逆Wishart概率假设密度滤波器

针对非线性多扩展目标跟踪问题,提出了一种基于修正无偏转换量测(modified unbiased converted measurement, MUCM)的高斯逆威沙特概率假设密度(Gaussian inverse Wishart probability hypothesis density, GIW-PHD)滤波器.首先,该方法利用MUCM将雷达非线性量测转换为笛卡尔坐标系下的伪线性量测,并用统计方法得到转换量测误差的协方差矩阵.然后,给出MUCM-GIW-PHD滤波算法的具体实现过程,继而在非线性条件下对多扩展目标的运动参数和形状参数进行联合估计.最后,仿真实验验证了算法的有效性.     

扇图与轮图的[r,s,t]-着色

A.Kemnitz和M.Marangio提出了[r,s,t]-着色的概念,推广了正常的点着色、边着色和全着色。现在讨论当r,s,t满足一定条件时的扇图和轮图的[r,s,t]-色数。     

相关噪声下的机动目标跟踪SMFEKF-IMM算法

一种基于Kalman和扩展Kalman滤波器的相互作用多模型(IMM)方法可以减小模型的不确定性,但无法消除由于噪声相关引起的状态偏差的弱点.为了提高目标状态估计的精度,把IMM和一种带多重渐消因子的扩展Kalman滤波器(SMFEKF)相结合,提出了一种具有相关噪声的混合随机模型的机动目标跟踪方法.这种方法引入了一个多重渐消因子,当输出残差发生变化时,动态调节增益和系统噪声水平,使输出残差近似正交,从而抑制了相关噪声的影响,适应目标的状态变化.理论分析和仿真实验表明了这种算法的有效性和可行性.