用于机动目标跟踪的多模型概率假设密度滤波器

针对概率假设密度(PHD)滤波器在多目标跟踪问题中无法解决目标发生较大机动时的目标丢失问题,提出了一种多模型概率假设密度(MM-PHD)滤波器.这种MM-PHD滤波器在粒子PHD滤波器的基础上,使用多模型方法对滤波器中每个描述目标状态的粒子的状态进行更新,再将更新后的粒子代入传统的PHD滤波器中用于估计目标的PHD的分布.该滤波器结合PHD滤波器和多模型方法的特点,可用于目标数未知的多机动目标跟踪,且对目标的数量和状态的估计更加准确.多机动目标跟踪的仿真实验表明,与已有方法相比,该滤波器对目标数的估计与真实情况基本一致,描述多目标状态估计误差的Wasserstein距离值降低了50%以上.     

高斯混合概率假设密度SLAM算法

研究了同步定位与地图创建(SLAM)中的数据关联问题。针对环境特征数未知时,数据关联的误关联率增加,导致SLAM的定位精度偏低的问题,提出了高斯混合概率假设密度SLAM算法。首先采用UFastSLAM解决SLAM中的粒子退化和耗尽问题,其次针对地图特征数未知的情况,将UFastSLAM算法中的数据关联问题转换成有限集统计理论跟踪算法的高斯混合问题,利用高斯混合概率假设密度(Gaussian Mixture Probability Hypothesis Density,GMPHD)算法解决UFastSLAM中数据关联问题。仿真实验结果表明本文提出的GMPHD-UFastSLAM算法在地图特征个数未知的情况下,数据关联准确率和定位精度都得到了提高。     

一种新的多机动目标跟踪的GMPHD滤波算法

针对多机动目标跟踪的传统数据关联算法约束条件苛刻、估计精度低、计算量大等问题,提出了一种基于随机集理论的非数据关联的多机动目标跟踪算法.该算法将高斯混合概率假设密度(GMPHD)滤波与"当前"统计模型的优点相结合,绕过了棘手的数据关联问题,能高效处理目标数较大的机动跟踪问题.在漏检、虚警、多机动目标交叉杂波复杂环境下进行了仿真实验,结果表明,该算法具有较高的跟踪精度和稳健的跟踪性能.     

基于支持向量机的雷达电子支援措施系统点迹-航迹关联算法

概率数据关联是多源信息融合算法中的关键问题,本文主要对基于雷达和电子支援措施(ESM)双传感器融合的数据关联问题展开研究.由于雷达和ESM传感器方位角数据分布近似相同,可以通过对ESM数据的分析得到判别函数,使用相应的判决规则对点迹和航迹进行关联,这本质上可以看作是一个模式识别问题.本文考虑到支持向量机(SVM)模型在模式分类中的良好表现,建立了基于SVM的雷达ESM系统的点迹-航迹关联模型,使用ESM传感器航迹数据训练SVM模型,对雷达点迹数据进行分类,获得关联结果.最终模拟结果表明:与经典的多假设跟踪算法相比,所提出的算法可有效提高关联准确率.     

基于K-近邻法和粒子滤波的多目标跟踪算法

针对多目标跟踪中目标与观测样本关联难的问题,提出了一种基于K-近邻法和粒子滤波的多目标跟踪算法.首先利用K-近邻方式将目标和观测信息进行数据关联,然后利用粒子滤波算法解决非线性问题的特点,单独对所有目标进行滤波,以完成对目标状态的更新.仿真实验表明,所提算法能够很好地对多目标展开跟踪,与联合概率数据关联算法(JPDAF)相比,能更好地逼近目标的真实轨迹,跟踪精度得到大幅提升.     

基于目标相对位置的多传感器数据关联及传感器偏差估计（英文）

多传感器数据关联是现代多传感器系统中的一个重要问题.多传感器数据关联即是确定不同传感器系统观测到的若干测量信号是否来源于同一个目标.传统的数据关联方法通过形成关联矩阵,来求取关联矩阵的最优解,但是容易受到传感器性能的影响.为了降低传感器性能对关联结果的影响,提出了一种新的通过采用比较传感器测量信号之间的相对位置并提取相对位置模式的方法来获得不同传感器系统对应的目标匹配对的方法,并给出了一种改进的适用于传感器目标信号关联的匹配算法.这种方法充分利用了测量信号之间相对位置的内在特性.仿真结果表明传感器偏差对于采用相对位置进行数据关联的方法基本没有影响,并且这种方法整体性能上有所提升.     

基于容积原则的概率假设密度滤波算法

为改善多目标跟踪问题中概率假设密度滤波精度与算法运行时间之间的关系,提高目标状态和数目的实时估计性能,提出了基于容积原则的概率假设密度滤波算法. 该算法在高斯混合粒子概率假设密度的框架下,利用容积数值积分原则直接计算非线性随机函数的均值和方差, 产生粒子滤波算法的重要性函数,实现高精度粒子的重构,来近似目标状态和数目的概率分布,并且在高斯混合概率假设密度滤波算法中进行采样和更新. 仿真验证了所提出算法的有效性,其Wasserstein误差距离优化了17.32%,目标数估计均值也提高了23.72%.      

一种改进的基于FCM的目标跟踪数据关联算法

为了克服杂波环境下对多目标进行数据互联时,计算量出现组合爆炸现象,提出了改进的基于FCM的多目标跟踪数据关联算法.将航迹的预测值转换到各个传感器的观测空间作为各自的聚类中心,利用目标属于所有量测的隶属度,来代替JPDAF中的关联概率,将多目标数据关联问题可转化为模糊聚类问题,进行关联计算.改进的基于FCM的多目标跟踪数据关联算法,有效地利用了目标状态估计中的历史信息,实现量测与航迹的关联.该算法克服了JPDAF算法计算量大的缺点,实现杂波环境下多目标数据互联.仿真结果表明了该算法的有效性.     

基于二进制粒子群优化算法的零件特征与机床加工关联知识挖掘

为了充分利用企业历史数据,提出一种基于二进制粒子群优化(BPSO)的关联规则挖掘方法,从数据中提取有用的工艺知识反映产品设计与制造的映射关系;对知识挖掘问题进行描述,建立用于制造过程综合的关联规则挖掘方法框架;对BPSO本身进行改进,提出考虑多个评价指标的适应度函数,并加入相似度指标以消除较差的规则,提高方法在实际问题中的适用性;将所提方法应用于汽车零部件机床加工数据的关联规则挖掘。结果表明,该方法与现有方法相比,平衡了可靠性、相关性及理解性等多个指标,能有效地进行规则挖掘。     

基于改进粒子滤波的声图像多目标跟踪方法

摘要：
针对利用声图像实现水下多目标跟踪问题,提出一种改进的粒子滤波多目标跟踪算法.通过引入联合概率数据关联算法,建立了联合概率数据关联 粒子滤波算法模型,使粒子权值中得以反映量测与目标轨迹间的关联概率,有效保证了各目标跟踪轨迹的连续性.采用了包含距离及角度的双重跟踪门得到确定矩阵,使跟踪精度得以提高.补充了轨迹起始及轨迹终结方法,以对跟踪过程进行完善.最后,通过水下多目标跟踪试验,对比分析了不同数据关联算法的试验结果,验证了所提方法的有效性,为基于前视声纳的多目标跟踪提供了一种更为有效的方式. 关键词：
联合概率数据关联; 粒子滤波; 目标跟踪; 前视声纳 中图分类号： TP 39
文献标志码： A     

A novel maneuvering multi-target tracking algorithm based on multiple model particle filter in clutters

To solve the problem of strong nonlinear and motion model switching of maneuvering target tracking system in clutter environment, a novel maneuvering multi-target tracking algorithm based on multiple model particle filter is presented in this paper. The algorithm realizes dynamic combination of multiple model particle filter and joint probabilistic data association algorithm. The rapid expan- sion of computational complexity, caused by the simple combination of the interacting multiple model algorithm and particle filter is solved by introducing model information into the sampling process of particle state, and the effective validation and utilization of echo is accomplished by the joint proba- bilistic data association algorithm. The concrete steps of the algorithm are given, and the theory a- nalysis and simulation results show the validity of the method.     

一种基于GA的多传感器多目标数据关联算法

研究了漏检情况下多传感器多目标检测中的数据关联问题,并将其描述为数学规划中组合最优化问题． 当传感器数大于等于３ 时,该问题的求解是ＮＰ的． 文中提出了一种基于ＧＡ（Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ） 的数据关联算法,仿真实验表明,该算法具有较高的关联成功率,并能优化求解的目标个数,提高多传感器系统的检测概率．     

一种用于云计算的数据容灾分配算法的改进

在云计算环境下进行数据容灾分配,可以提高云计算数据资源调度能力。传统算法采用粒子群数据聚类方法进行数据的容灾分配,数据负载均衡差,同时消耗数据任务调度的吞吐率。提出一种新的数据容灾分配改进算法。首先建立云计算环境下数据容灾分配层次结构模型,计算整个数据资源处理平台的整体响应时间,将云计算下的数据资源容灾分配优化问题转化为数据资源分配响应时间最小化问题;利用多用户QoS开销适应度运算机制和粒子群聚类算法对云计算中数据资源任务进行权衡分配,减少数据权衡调度时间,提高数据容灾备份能力。实验结果表明,采用改进算法可以提高数据容灾分配时数据的召回率和云计算数据任务权衡调度能力,在云计算信息处理中具有较好的应用价值。     

Modified PSO algorithm for solving planar graph coloring problem

The graph coloring is a classic NP-complete problem. Presently there is no effective method to solve this problem. Here we propose a modified particle swarm optimization （PSO） algorithm in which a disturbance factor is added to a particle swarm optimizer for improving its performance. When the current global best solution cannot be updated in a certain time period that is longer than the disturbance factor, a certain number of particles will be chosen according to probability and their velocities will be reset to force the particle swarm to get rid of local minimizers. It is found that this operation is helpful to improve the performance of particle swarm. Classic planar graph coloring problem is resolved by using modified particle swarm optimization algorithm. Numerical simulation results show that the performance＇of the modified PSO is superior to that of the classical PSO.     

基于向量矩阵优化频繁项的改进Apriori算法

针对经典Apriori算法存在多次扫描数据库及生成冗余候选项的弊端, 提出一种改进的VM_Apriori算法. 该算法采用事务数据向量矩阵与行候选向量相结合的表示方法, 运用快速排序的思想对频繁项集的项按各单项的出现频度升序重排,  以提高算法的执行效率. 实验结果表明, 改进的VM_Apriori算法能在正确挖掘关联规则的同时极大提高执行效率.     

Modified PSO algorithm for solving planar graph coloring problem

The graph coloring is a classic NP-complete problem. Presently there is no effective method to solve this problem. Here we propose a modified particle swarm optimization (PSO) algorithm in which a disturbance factor is added to a particle swarm optimizer for improving its performance. When the current global best solution cannot be updated in a certain time period that is longer than the disturbance factor, a certain number of particles will be chosen according to probability and their velocities will be reset to force the particle swarm to get rid of local minimizers. It is found that this operation is helpful to improve the performance of particle swarm. Classic planar graph coloring problem is resolved by using modified particle swarm optimization algorithm. Numerical simulation results show that the performance of the modified PSO is superior to that of the classical PSO.     

基于模糊自组织神经网络的多目标跟踪算法

分析了多目标跟踪问题的数据关联算法复杂性,研究了基于模糊C均值聚类算法的模糊自组织神经网络的特性及其在多目标跟踪中的应用,提出了将FKCN算法、自组织神经网络与数据关联、滤波相结合的跟踪算法．仿真结果表明本算法能在多目标环境下取得较好的跟踪效果．     

多重相关检验中错误发现率的控制算法

假设检验问题是通过比较p值和置信水平α的值来决定是否拒绝对应的假设,pα时我们拒绝原假设。随着试验次数的增加,在所有满足零假设为真的p值集合中,数值较小的p值存在的可能性会增加,从而使得做出错误的判断,p值调整算法可以针对多重检验有效地缓解这类问题。本文讨论多重检验的p值调整算法的功效,模拟基因序列进行多重检验分析,产生2000个模拟量(即基因数量),重复实验1000次,得到1000组p值。对每组p值使用相应的调整算法得到新的p值,比较每个算法功效的优劣。模拟结果显示在我们所选用的5种p值调整算法中,q值方法(Storey 2003)能很好地控制错误发现率(FDR)的大小,同时具有更高的功效值。     

Application of improved PSO-LSSVM on network threat detection

To solve the problem of the design of classifier in network threat detection, we conduct a simulation experiment for the parameters’ optimal on least squares support vector machine (LSSVM) using the classic PSO algorithm, and the experiment shows that uneven distribution of the initial particle swarm exerts a great impact on the results of LSSVM algorithm’s classification. This article proposes an improved PSO-LSSVM algorithm based on Divide-and-Conquer (DCPSO- LSSVM) to split the optimal domain where the parameters of LSSVM are in. It can achieve the purpose of distributing the initial particles uniformly. And using the idea of Divide-and-Conquer, it can split a big problem into multiple sub-problems, thus, completing problems’ modularization Meanwhile, this paper introduces variation factors to make the particles escape from the local optimum. The results of experiment prove that DCPSO-LSSVM has better effect on classification of network threat detection compared with SVM and classic PSOLSSVM.     

改进的量子粒子群优化算法对多维多选择背包问题的求解

针对多维多选择背包问题无法在多项式时间内找到最优解, 且由于其强约束限制条件, 在求解过程中易陷入局部最优的问题, 提出一种改进的量子粒子群优化算法对该问题进行求解. 首先, 在量子粒子移动过程中, 通过判断其与下次迭代个体的位置关系确定其位置信息的可用性, 通过该信息充分保留粒子位置的多样性; 其次, 提出一种新的位置扰动方法, 避免种群陷入局部最优. 最后, 将该算法在标准数据集上进行测试, 对算法的收敛速度和运行时间进行分析, 测试结果表明, 该算法在求解准确性上得到明显提升.