检索结果-内蒙古大学图书馆

哈尔滨工业大学学报 2007年第5期39卷 745-748页

作者：位寅生边威许荣庆哈尔滨工业大学电子工程技术研究所哈尔滨150001

提出一种基于多信号分解和重建以及目标参数估计和运动补偿的信号处理方案.首先,通过对多目标回波进行自适Ch irp let分解和最小二乘误差准则下的重建,将多机动目标的信号处理问题转化为单机动目标的信号处理问题;然后,采用DPT算法估计... 详细信息

提出一种基于多信号分解和重建以及目标参数估计和运动补偿的信号处理方案.首先,通过对多目标回波进行自适Ch irp let分解和最小二乘误差准则下的重建,将多机动目标的信号处理问题转化为单机动目标的信号处理问题;然后,采用DPT算法估计每个目标的高阶运动参数,进而补偿目标运动对信号处理的影响,从而提高多普勒输出信噪比和改善估值精度.仿真结果验证了算法的可行性和优越性.

关键词：高频雷达机动多目标信号分解参数估计

来源：评论

学校读者我要写书评

暂无评论

基于核聚类的机动多目标数据关联问题研究

引用

计算机工程与设计 2007年第20期28卷 4845-4846,4849页

作者：杨新刚刘以安韩双江南大学信息工程学院江苏无锡214036

针对新型作战样式条件下空中多机动目标密集回波的数据关联问题,采用核学习方法和K-均值聚类相结合的算法,即基于核的K-均值聚类来解决此问题。该方法的主要思想是,将原空间中的样本通过一个非线性映射,映射到高维的核空间中,以突出各... 详细信息

针对新型作战样式条件下空中多机动目标密集回波的数据关联问题,采用核学习方法和K-均值聚类相结合的算法,即基于核的K-均值聚类来解决此问题。该方法的主要思想是,将原空间中的样本通过一个非线性映射,映射到高维的核空间中,以突出各类样本之间的特征差异,然后在核空间中进行K-均值聚类。仿真结果表明,该方法有效提高了密集回波环境下系统跟踪机动多目标的关联精度和可靠性。

关键词： K-均值聚类核聚类核函数机动多目标数据关联

来源：评论

学校读者我要写书评

暂无评论

机动多目标计算机仿真信号源的研究与实现

引用

北京轻工业学院学报 2000年第3期18卷 33-40页

作者：杨巧英叶淬刘载文北京工商大学信息工程学院北京100037

论述了机动多目标计算机仿真信号源的原理 ,模拟二维及三维机动多目标运动轨迹的方法以及模拟机动多目标在运动时所受到的各种随机噪声干扰的方法 ,给出了输出参数的文件格式及数据转换技术 ,并介绍了软件的实现方法 .

关键词：信号源模拟计算机仿真无源雷达机动多目标

来源：评论

学校读者我要写书评

暂无评论

机动多目标跟踪中的传感器控制策略的研究

引用

自动化学报 2016年第4期42卷 512-523页

作者：陈辉韩崇昭兰州理工大学电气工程与信息工程学院兰州730050 西安交通大学电子与信息工程学院综合自动化研究所西安710049

针对机动多目标跟踪中的传感器控制问题,本文提出一种基于信息论的多模型多伯努利滤波器的控制方案.首先,基于随机有限集(Random finite set,RFS)方法给出信息论下的传感器控制的一般方法;其次,本文给出多模型势均衡多目标多伯努利滤波... 详细信息

针对机动多目标跟踪中的传感器控制问题,本文提出一种基于信息论的多模型多伯努利滤波器的控制方案.首先,基于随机有限集(Random finite set,RFS)方法给出信息论下的传感器控制的一般方法;其次,本文给出多模型势均衡多目标多伯努利滤波器的序贯蒙特卡罗实现形式.此外,提出一种目标导向的多伯努利概率密度的粒子采样方法,并借助该方法近似多目标概率密度,继而利用Bhattacharyya距离求解最终的控制方案.典型机动多目标跟踪问题的仿真应用验证了本文传感器控制方法的有效性.

关键词：传感器控制机动多目标目标导向随机有限集

来源：评论

学校读者我要写书评

暂无评论

非线性量测下的机动多目标跟踪

引用

哈尔滨工业大学学报 2024年第5期56卷 64-73页

作者：国强任海宁周凯戚连刚哈尔滨工程大学信息与通信工程学院哈尔滨150001 先进船舶通信与信息技术工业和信息化部重点实验室(哈尔滨工程大学) 哈尔滨150001

为了解决非线性量测下机动多目标跟踪实时性差、跟踪误差大以及对杂波变化鲁棒性较差的问题,基于随机有限集理论,提出了一种采用量测转换和模糊算法改进的多模型δ-广义标签多伯努利滤波器。首先,推导了交互多模型的δ-GLMB滤波器,通过... 详细信息

为了解决非线性量测下机动多目标跟踪实时性差、跟踪误差大以及对杂波变化鲁棒性较差的问题,基于随机有限集理论,提出了一种采用量测转换和模糊算法改进的多模型δ-广义标签多伯努利滤波器。首先,推导了交互多模型的δ-GLMB滤波器,通过去相关无偏量测转换实现位置量测从极坐标系到笛卡尔坐标系的无偏转换,并通过预测值去除量测误差和其协方差的相关性造成的滤波估计偏差,实现了非线性场景下的机动多目标跟踪;然后,通过航迹和量测的关联新息以及目标的机动约束构建联合波门,降低了杂波量测的数量;最后引入改进的模糊算法,以目标的模型后验概率为输入,根据模型的分离程度自适应调节运动模型的过程噪声,增加滤波精度。研究结果表明:在杂波环境下,通过与CKF-JMS-δ-GLMB、CKF-IMM-δ-GLMB等非线性多模型滤波器对比,所提算法计算时间较小,且跟踪精度更高,鲁棒性强。所提算法避免了传统的非线性处理方式计算量较大的问题,并且具有较好的杂波抑制特性,提升了非线性量测下机动多目标跟踪的性能。

关键词：非线性量测机动多目标 δ-广义标签多伯努利滤波器量测转换交互多模型模糊算法

来源：评论

学校读者我要写书评

暂无评论

基于模糊神经网络的机动多目标跟踪的研究

引用

华北电力大学学报（自然科学版） 2006年第4期33卷 76-79页

作者：金花谢萍马炜曲俊华华北电力大学计算机科学与技术学院北京102206

介绍了机动多目标跟踪的基本原理、算法;将模糊系统中的模糊原则与神经网络相融合,提出了一种新的方法来提高系统的学习能力、表达能力以及机动多目标的状态的估计精度。仿真实验的结果证明了该方法的有效性。

关键词：模糊理论神经网络机动多目标跟踪

来源：评论

学校读者我要写书评

暂无评论

基于GM-PHD滤波的机动多目标跟踪算法

引用

电子世界 2020年第13期 96-98页

作者：张万顺张安清齐海明海军大连舰艇学院学员五大队海军大连舰艇学院信息系统系海军91202部队

PHD滤波算法在复杂环境下多目标跟踪领域应用广泛。为实现在复杂环境下对可变数目的机动多目标进行精确,高效跟踪,将改进的“当前”统计(CS)模型与高斯混合概率假设密度(GM-PHD)滤波相结合,得到CS-GM-PHD滤波的机动多目标自适应跟踪算法... 详细信息

PHD滤波算法在复杂环境下多目标跟踪领域应用广泛。为实现在复杂环境下对可变数目的机动多目标进行精确,高效跟踪,将改进的“当前”统计(CS)模型与高斯混合概率假设密度(GM-PHD)滤波相结合,得到CS-GM-PHD滤波的机动多目标自适应跟踪算法,在计算机仿真实验中将该算法与IMM-GM-PHD进行对比,表明该算法具有良好的跟踪效果和更高的跟踪效率。

关键词：机动多目标高斯混合概率假设密度计算机仿真实验多目标跟踪自适应跟踪算法 GM 跟踪效率

来源：评论

学校读者我要写书评

暂无评论

基于小波神经网络的目标跟踪的研究

引用

微计算机信息 2009年第24期25卷 129-130,126页

作者：金花曲俊华华北电力大学北京100085

本文讨论了小波神经网络在机动多目标跟踪中的应用,多目标跟踪就是主体为了维持对多个目标(客体)当前状态的估计而对所接收的量测信息进行处理的过程。以非线性大规模并行分布式处理为特征的神经网络可以解决传统的目标跟踪方法的难以... 详细信息

本文讨论了小波神经网络在机动多目标跟踪中的应用,多目标跟踪就是主体为了维持对多个目标(客体)当前状态的估计而对所接收的量测信息进行处理的过程。以非线性大规模并行分布式处理为特征的神经网络可以解决传统的目标跟踪方法的难以解决的计算量组合爆炸问题以及需要确定机动目标的数学模型的问题,将小波分析原理与神经网络相融合,提出了基于小波神经网络的目标跟踪方法来提高系统的学习能力、表达能力以及机动多目标状态的估计精度。仿真实验的结果证明了该方法的有效性。

关键词：小波神经网络机动多目标跟踪

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：