本文針對(duì)雜波條件下多擴(kuò)展目標(biāo)的狀態(tài)估計(jì),目標(biāo)個(gè)數(shù)估計(jì),擴(kuò)展目標(biāo)形狀估計(jì)問題,提出了一種基于標(biāo)簽隨機(jī)有限集(Labelled random finite sets, L-RFS)框架下多擴(kuò)展目標(biāo)跟蹤學(xué)習(xí)算法,該學(xué)習(xí)算法主要包括兩方面:多擴(kuò)展目標(biāo)動(dòng)態(tài)建模和多擴(kuò)展目標(biāo)的跟蹤估計(jì).首先,結(jié)合廣義標(biāo)簽多伯努利濾波器(Generalized labelled multi-Bernoulli, GLMB)建立了擴(kuò)展目標(biāo)的量測(cè)有限混合模型(Finite mixture models, FMM),利用Gibbs采樣和貝葉斯信息準(zhǔn)則(Bayesian information criterion, BIC)準(zhǔn)則推導(dǎo)出有限混合模型的參數(shù)來對(duì)多擴(kuò)展目標(biāo)形狀進(jìn)行學(xué)習(xí),然后采用等效量測(cè)方法來替代擴(kuò)展目標(biāo)產(chǎn)生的量測(cè),對(duì)擴(kuò)展目標(biāo)形狀采用橢圓逼近建模,實(shí)現(xiàn)擴(kuò)展目標(biāo)形狀與狀態(tài)的估計(jì).仿真實(shí)驗(yàn)表明本文所給的方法能夠有效跟蹤多擴(kuò)展目標(biāo),并且在目標(biāo)個(gè)數(shù)估計(jì)方面優(yōu)于CBMeMBer算法.此外,與標(biāo)簽多伯努利濾波(LMB)計(jì)算比較表明:GLMB和LMB算法濾波估計(jì)精度接近,二者精度高于CBMeMBer算法.

【文章頁數(shù)】：12 頁


本文編號(hào)：3966920