拓展目标杂波概率假设密度估计

针对拓展目标概率假设密度滤波器中的未知杂波概率假设密度,提出了杂波概率假设密度估计算法。算法利用有限混合模型极大后验估计杂波概率假设密度,取混合权重的熵分布作为混合参数的先验分布;在渐进假设条件下,利用拉格朗日乘子推导了混合权重的递进估计公式;在混合权重递进估计过程中,通过混合权重置零操作来实现对有限混合模型中混合分量的删减。以二维场景为例对算法进行了仿真实验,结果表明:在拓展目标概率假设密度滤波器高斯混合实现的框架内,所提杂波概率假设密度估计算法的跟踪性能接近真实杂波概率假设密度时的跟踪性能。     

概率假设密度滤波的谱聚类目标状态提取方法

提出了一种谱聚类目标状态提取方法来实现概率假设密度(PHD)滤波中序贯蒙特卡罗(SMC)实现方式的多目标状态估计.该方法利用PHD滤波SMC实现方式输出的大量的加权粒子点间的相似度关系建立相似矩阵,通过变换得到拉普拉斯矩阵,进而对拉普拉斯矩阵进行特征分解,以实现粒子点的聚类,再在每类中寻找粒子的聚类点作为多目标状态的估计值,同时为了减小计算量,利用Nystrm逼近方法求解特征向量.仿真实验表明,PHD滤波的谱聚类目标状态提取方法的估计精度比k均值目标状态提取方法提高了60%以上.     

拓展目标量测集合分割算法

针对拓展目标概率假设密度滤波器采用的量测集合所有可能分割方式在实际中几乎不能够实现的问题,提出了一种采用有限混合模型的量测集合近似分割算法,对所有可能分割方式进行近似处理。算法利用有限混合模型拟合量测集合以实现对量测集合的分割,首先利用期望极大化算法极大似然估计混合参数,然后利用量测来源的条件概率分割量测集合,最后以二维场景为例进行了仿真实验。仿真结果表明:新算法在所有时刻上的最优子模式分配和混合分量数目均小于现有的典型量测集合分割算法;在拓展目标跟踪性能上,新算法具有更好的多拓展目标跟踪性能。     

拓展目标混合分量删减算法

针对拓展目标概率假设密度滤波器高斯混合实现中的混合分量增长问题,提出混合分量的极大似然删减算法.该算法利用期望极大化方法实现混合分量的极大似然删减;视量测在混合分量的来源指标集为缺失量;取混合参数的先验分布为依赖于混合权重的分布;在期望步,计算量测在混合分量来源指标的条件概率;在极大化步,通过混合权重置零来实现相关度较小混合分量的删减.仿真结果表明,该混合分量极大似然删减算法优于典型阈值删减算法.     

基于经验数据的T-S模糊控制器设计与优化

提出了一种基于经验数据而非语言的T-S模糊控制器设计和优化方法.此方法分为三个阶段,第一阶段依据输入变量的范围来确定输入变量的高斯型隶属度函数;第二阶段在不改变输入变量隶属度函数的前提下,对经验数据施加递推最小二乘法以确定T-S模糊控制器的后件系数;第三阶段,使用梯度下降方法同时优化控制规则的前件参数和后件参数.倒立摆的仿真试验结果验证了该方法的有效性.     

应用Dirichlet分布的概率假设密度多目标跟踪

针对多目标跟踪算法对多目标状态提取的需求,提出了一种基于Dirichlet分布的概率假设密度滤波器多目标状态提取方法.该算法利用负指数Dirichlet分布的不稳定性来极大似然估计多目标状态;利用期望极大化算法搜寻极大似然解,同时利用Dirichlet分布驱使不相关分量消亡;为了平衡成功初始化与减少算法时间开销的要求,利用k-d树初始化Dirichlet分布.仿真结果表明,基于Dirichlet分布的概率假设密度滤波器多目标状态提取算法在多目标跟踪中优于已有算法.