【摘 要】
：
为解决粒子滤波检测前跟踪（Particle Filter Track-Before-Detect,PF-TBD）算法由于粒子退化而无法获得较好的检测跟踪性能问题,各学者提出了多种改进方法,而且为提高PF-TBD对机动目标的处理能力,发展出了多模型粒子滤波检测前跟踪（Track-Before-Detect Based on Multi Model Particle Filter,MMPF-TBD）算
论文部分内容阅读
为解决粒子滤波检测前跟踪（Particle Filter Track-Before-Detect,PF-TBD）算法由于粒子退化而无法获得较好的检测跟踪性能问题,各学者提出了多种改进方法,而且为提高PF-TBD对机动目标的处理能力,发展出了多模型粒子滤波检测前跟踪（Track-Before-Detect Based on Multi Model Particle Filter,MMPF-TBD）算法,但该算法存在有效模型使用概率低等缺陷。本文以粒子滤波（Particle Filter,PF）方法和多模型（Multi Model,MM）理论为基础,以MMPF-TBD算法为主线,从优化滤波方法和优化多模型结构两个角度分别提出了以下三种算法。本文主要研究工作及取得的成果如下:（1）基于优化遗传重采样的辅助粒子滤波检测前跟踪（Auxiliary Particle Filter Track-Before-Detect Based on Optimized Genetic Resampling,OGRAPF-TBD）算法研究。针对辅助粒子滤波检测前跟踪（Auxiliary Particle Filter Track-Before-Detect,APF-TBD）由于粒子匮乏而无法获得较好的检测跟踪性能问题,提出了OGRAPF-TBD算法。在APF-TBD的重采样中应用优化的遗传重采样（Optimized Genetic Resampling,OGR）方法,根据权重选择优质粒子,通过排序分组交叉和变异操作得到新粒子。该方法不仅能保留APF-TBD通过优化重要性分布函数提高采样粒子准确性的优势,将OGR思想引入重采样还能有效解决粒子匮乏问题,增加有效粒子数目。仿真结果表明,相较于APF-TBD和PF-TBD,OGRAPF-TBD具有更高的目标发现概率和跟踪精度,以及更强的适用性。（2）基于优化遗传重采样的多模型辅助粒子滤波检测前跟踪（Multi Model Auxiliary Particle Filter Track-Before-Detect Based on Optimized Genetic Resampling,MMOGRAPF-TBD）算法研究。针对MMPF-TBD由于采用序贯重要性重采样（Sequential Importance Resampling,SIR）滤波方法而无法较好地检测跟踪机动目标问题,提出了MMOGRAPF-TBD算法。将MMPF-TBD中的SIR替换成OGRAPF-TBD,从优化滤波方法角度改进了MMPF-TBD,保证粒子有效性的同时,解决了粒子匮乏问题,使加权平均后的粒子更接近目标的真实状态。仿真结果表明,相对于MMPF-TBD而言,MMOGRAPF-TBD具有更高的有效模型使用率、检测及跟踪精度,更强的适用性。（3）优化的多模型遗传重采样辅助粒子滤波检测前跟踪（Optimized Multi Model Genetic Resampling Auxiliary Particle Filter Track-Before-Detect,OMMOGRAPF-TBD）算法研究。针对MMOGRAPF-TBD存在运动模型不能很好地覆盖高机动目标的运动形式,模型间转换复杂和有效模型使用概率低问题,本文提出了OMMOGRAPF-TBD算法。以改变机动加速度的取值为核心,用一种运动模型模拟出多种运动模型,不仅增加了运动模型种类,也避免了多模型之间的转换。仿真结果表明,相较于MMPF-TBD和MMOGRAPF-TBD,OMMOGRAPF-TBD具有更高的运动模型使用效率、检测跟踪精度,以及更强的适用性。
其他文献
生物医学事件抽取以结构化的形式展示了海量生物医学文献中生物分子之间细粒度的复杂交互关系,为科研人员了解生物机理和攻克医学难题提供了重要依据。一个完整的生物医学事件由触发词和事件元素组成。触发词引起了整个生物医学事件的发生,并且决定了生物医学事件的类别。事件元素是生物医学事件的重要组成部分,在生物医学事件中扮演着重要的角色。因此,本文紧紧围绕生物医学事件抽取中的两个关键问题——触发词识别和事件元素检
程序开发人员在软件开发的过程中往往会遇到许多技术问题,提出具体问题并从在线专家那里得到有针对性回答的方式是当前最常用的方式之一。但是程序开发人员所提问题回复时间的长短取决于很多因素,包括问题的表述方式,问题表述的细致度,问题类别的数量,在线并对问题感兴趣的用户数等等。相关的研究工作集中在预测问题是否会在给定的时间间隔内被回复,而没有预测出其具体的回复时间。准确高效地预测问题的回复时间能够让用户对其
软件缺陷往往仅分布在少数代码中,但是这些少量的软件缺陷会给软件系统安全运行带来潜在的严重威胁。软件缺陷的不平衡分布,严重制约了软件缺陷预测（SDP）的准确度。因此,如何在软件缺陷预测中解决缺陷分类的不平衡分布问题,进而提升预测精度,是软件测试中一个重要问题。针对上述问题,本文提出一种基于合成少数类过采样技术（RSMOTE）的数据不平衡处理方法（RSMOTE-Based Data Imbalance
高光谱遥感技术能够提取地物的精细光谱特征,在目标识别方面拥有不可替代的优势。近年来随着高分五号等遥感卫星的发射,高光谱遥感技术得到了突飞猛进的发展,其中高光谱分类是指对目标图像的每一个像元划分出唯一的地物类别,在精准农业、地质探测及军事检测等领域都有着广泛的应用。相比于传统的分类方法,卷积神经网络（CNN）为代表的深度学习方法能获得更具判别性的特征表示,被成功用于高光谱分类领域。然而,由于高光谱遥
区块链技术是一种分布式账本技术,汇集密码算法、分布式数据存储、博弈共识算法等多种技术于一体,具有去中心化、去信任、不可篡改等特点。2014年,比特币在去中心模式下令人惊叹地稳定运行五年后,其背后的核心技术——区块链（Blockchain）被揭示。从此,区块链技术得到越来越多的关注,并迅速应用到各个领域。但是,由传统技术实现的区块链早期解决方案远不能够满足实际应用需求,区块链核心技术亟待创新与突破。
随着光学遥感成像技术的发展和深入,可获取的不同空间尺度、不同光谱范围和不同时相信息的遥感图像数据越来越丰富,其中,高光谱（hyperspectral image,HSI）遥感图像因其具有较高的光谱分辨率,在环境检测、灾害预警、城市规划、精准农业以及地质勘察等领域都有着十分重要的应用。然而,受成像设备限制,现有的高光谱成像系统往往无法获得同时具有高光谱分辨率和高空间分辨率的图像数据,从而限制了其在各
金融时间序列预测是一种利用统计工具或技术手段揭示金融时序的历史规律,预测未来发展趋势的技术,一直以来都是金融工程和企业风险管理的前沿领域,对于政府、企业和投资者都具有重要的指导意义。人工智能及深度学习算法兴起以后,在金融时间序列分析与预测方面得到了快速应用。本文基于深度森林与生成对抗对抗网络对金融时序预测进行了研究,主要工作如下:1、给出了一种基于深度森林的特征选择算法。针对将金融时间序列技术指标
车辆重识别旨在非重叠摄像头视角下识别特定车辆。由于不同摄像机视角下采集到的车辆图像易受光照、拍摄角度、分辨率及背景等环境因素的影响,并且不同车辆可能具有相同品牌、型号和颜色,因此很难通过全局外观对车辆进行区分。与全局外观相比,车辆的局部区域可能具有较为详细的视觉信息,例如车标、车灯等。针对这一问题,本文提出基于局部感知的车辆重识别算法（Research on Local-aware Based V
乡土企业与农民利益联结是乡村振兴战略的基本要求，也是推进农业农村现代化的有力抓手。对鄂西M镇“茶长制”实施的案例进行实证分析，可将乡土企业与农民的利益联结方式分为利益分配、利益保障及利益调节。从产销网络化、服务与资源供需适配、契约化治理等三个层面来看，M镇在“茶长制”实施中主要构建了三种利益联结机制，即以镇村融合来延伸区域产业链和生产网络、以“茶、旅、文”结合来引导服务和要素的供需适配以及以相机治
Pawlak粗糙集模型是粗糙集理论中最经典的模型,它通过确立一种等价关系使论域粒子化,非常适合处理离散型数据,但是对于生活问题中常见的数值型数据,Pawlak粗糙集模型却只能将数值型数据离散化以后再进行处理。为了能够直接处理连续的数值型数据,学者们提出了邻域粗糙集模型。运用邻域粗糙集理论可以直接地处理各种符号类型、数值类型以及混合属性类的大量数据,已被广泛应用于人工智能、模式识别与数据挖掘等科学研