2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩78頁未讀 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、對于擴展目標(biāo)來說,由于每個目標(biāo)在每一個采樣周期會產(chǎn)生多個量測,如若將量測和目標(biāo)相關(guān)聯(lián),勢必會存在巨大的困難,因此,研究一種更為實時有效的跟蹤方法具有極其重要的現(xiàn)實意義和應(yīng)用價值。近年來,由于計算復(fù)雜度比傳統(tǒng)方法要小而且可以有效地處理傳統(tǒng)跟蹤算法中出現(xiàn)的某些問題,基于隨機有限集的多目標(biāo)跟蹤方法受到了廣泛的認同。本文針對基于隨機有限集的跟蹤方法展開重點研究,具體內(nèi)容如下:
  1.基于高斯逆威舍特概率假設(shè)密度(GIW-PHD)的擴展目

2、標(biāo)跟蹤算法。該算法在已知量測噪聲協(xié)方差情況下,不僅考慮了目標(biāo)的運動狀態(tài),而且考慮了目標(biāo)的擴展?fàn)顟B(tài)。它將目標(biāo)的運動狀態(tài)建模為高斯分布,擴展?fàn)顟B(tài)建模為逆威舍特分布,通過量測數(shù)據(jù)來更新高斯分布以及逆威舍特分布中的參數(shù),如自由度、逆尺度矩陣等,以此來達到跟蹤目標(biāo)的位置、大小、方向等信息的目的。
  2.基于隨機超曲面概率假設(shè)密度(RHM-PHD)的擴展目標(biāo)跟蹤算法。該算法同GIW-PHD算法相似,在已知量測噪聲協(xié)方差情況下并且考慮了目標(biāo)的

3、擴展?fàn)顟B(tài)。不過,RHM-PHD算法的量測建模方式與GIW-PHD算法有很大不同。RHM-PHD算法認為量測是由在目標(biāo)表面隨機分布的量測源再加上噪聲所產(chǎn)生,GIW-PHD中的量測是由目標(biāo)的運動狀態(tài)再加上噪聲所產(chǎn)生。此外,RHM-PHD算法是將表示目標(biāo)擴展?fàn)顟B(tài)的參數(shù)嵌入到了運動狀態(tài)矢量中,通過對運動狀態(tài)矢量的更新來估計目標(biāo)的形狀、大小及方向。
  3.基于變分貝葉斯勢均衡多目標(biāo)多伯努利的擴展目標(biāo)跟蹤算法。該算法的優(yōu)勢在于它適用于量測噪

4、聲協(xié)方差未知的場景并且還提出了一種新的擴展目標(biāo)的量測建模方式。核心思想在于對量測產(chǎn)生點狀態(tài)和量測噪聲協(xié)方差的聯(lián)合概率密度用變分貝葉斯近似,之后再嵌入到勢均衡多目標(biāo)多伯努利框架中,在濾波更新得到量測產(chǎn)生點狀態(tài)后,對其進行聚類從而得到擴展目標(biāo)的估計狀態(tài)。
  4.基于變分貝葉斯概率假設(shè)密度(VB-PHD)的擴展目標(biāo)跟蹤算法,同VB-CBMeMBer相同的是,該算法依然適用于量測噪聲協(xié)方差未知的場景并且應(yīng)用了VB-CBMeMBer中所提

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論