联合概率数据关联粒子滤波(joint probabilistic data association-particle filter,JPDA-PF)算法常被用来解决群目标跟踪中的数据关联和非线性滤波问题.针对算法的数据关联时间较长以及样本枯竭问题,本文阐述了一种利用模糊聚类和拟蒙...联合概率数据关联粒子滤波(joint probabilistic data association-particle filter,JPDA-PF)算法常被用来解决群目标跟踪中的数据关联和非线性滤波问题.针对算法的数据关联时间较长以及样本枯竭问题,本文阐述了一种利用模糊聚类和拟蒙特卡罗重采样的群目标跟踪算法.首先,在群演化网络模型的基础上,采用最大熵模糊聚类法来完成群内个体目标和量测之间的数据关联,利用模糊隶属度来构建互联概率矩阵.其次,在目标状态样本的重采样的过程中,利用随机化拟蒙特卡罗序列映射到拟复制样本的子空间上,提高样本的多样性,抑制样本枯竭的出现.仿真实验结果表明,与JPDA-PF算法相比,本文算法能有效估计群内目标状态和群结构,并具有更优的估计性能.展开更多
文摘联合概率数据关联粒子滤波(joint probabilistic data association-particle filter,JPDA-PF)算法常被用来解决群目标跟踪中的数据关联和非线性滤波问题.针对算法的数据关联时间较长以及样本枯竭问题,本文阐述了一种利用模糊聚类和拟蒙特卡罗重采样的群目标跟踪算法.首先,在群演化网络模型的基础上,采用最大熵模糊聚类法来完成群内个体目标和量测之间的数据关联,利用模糊隶属度来构建互联概率矩阵.其次,在目标状态样本的重采样的过程中,利用随机化拟蒙特卡罗序列映射到拟复制样本的子空间上,提高样本的多样性,抑制样本枯竭的出现.仿真实验结果表明,与JPDA-PF算法相比,本文算法能有效估计群内目标状态和群结构,并具有更优的估计性能.
