《基于改进粒子滤波算法的水下目标跟踪》PDF+DOC

📙 相关资料

1. 《基于UUV的水下目标非声探测技术研究综述》PDF+DOC 无人水下航行器(UUV)是一种无人驾驶，通过遥控或自动控制在水下航行的航行体，具有自主性、低风险性、隐蔽性、可部署性和环境适应性的特点，具有重要的军事价值。UUV以潜艇或水面舰为支援平台能够长时间在水下自主远程航行，并且可作为多种传感器的搭载平台，可应用于探扫雷、海洋监视侦察、潜艇探测、水下障碍物搜......
2. 《多传感器高斯混合PHD融合多目标跟踪方法》PDF+DOC 针对复杂环境下单传感器多目标跟踪方法效果不佳的问题，基于FISST(Finite set statistics)跟踪理论提出一种多传感器高斯混合PHD(Probability hypothesis density)多目标跟踪方法.首先，分析了FISST下多传感器PHD的形式化滤波器，在此基础上构建一......
3. 《一种改进的高斯粒子滤波室内定位算法》PDF+DOC 在无线室内定位研究中，为减少离线指纹数据库建立阶段的大量数据采集工作，提出利用手机内置惯性传感器加速度数据，计算用户运动路径，在经过指纹点时自动采集该指纹点的数据，自动动态建立指纹库的方法。针对手机内置传感器采集的加速度数据存在非线性噪声等干扰，提出了改进的高斯粒子滤波GPF(Gaussian Pa......
4. 《一种高斯渐进滤波框架下的目标跟踪方法》PDF+DOC 本文研究了一类存在量测信息缺失情况的目标跟踪问题，提出了一种高斯渐进框架下的目标跟踪方法以实现移动目标的跟踪.考虑可能存在的传感器故障或失效问题，采用假设检验方式以删选错误的量测信息.针对非线性滤波问题，量测信息的缺失将可能引起线性化误差、数值计算误差的增大，从而破坏目标跟踪估计器的稳定性和收敛性.......
5. 《GM-PHD雷达密集多目标跟踪应用研究》PDF+DOC 针对雷达密集多目标跟踪数据关联的难题，深入研究了可以避免数据关联的多目标跟踪方法-高斯混合概率假设密度算法(GM-PHD)。首先，将多目标的运动和多目标量测建模为随机有限集的形式，并给出了相应的最优多目标贝叶斯滤波器；然后，在线性高斯假设条件下，详细给出了GM-PHD均值、方差和权值的递归形式，降低......
6. 《基于高斯粒子JPDA滤波的多目标跟踪算法》PDF+DOC 在多目标跟踪中，由于观测的不确定性带来数据关联问题，并且，多目标状态空间尺寸的增长带来了维数增大问题，该文提出了一种新的高斯粒子联合概率数据关联滤波算法(GP-JPDAF)，在JPDA框架中引入高斯粒子滤波(GPF)的思想，通过高斯粒子而不是高斯量，来近似目标与观测的边缘关联概率，利用GPF计算目标......
7. 《分布式多传感器融合多目标跟踪方法》PDF+DOC 为实现杂波干扰环境中对密集多目标的精确跟踪，对于分布式多传感器融合多目标跟踪系统，提出一种序贯处理的航迹关联算法。其中航迹关联采用了粗、精关联相结合的方法，航迹融合采用了序贯的融合方法。本文算法在保证航迹关联正确的同时，大大降低了计算量。仿真实验结果说明了本文方法的有效性。...
8. 《基于S变换的雷达脉内调制特征提取方法》PDF+DOC 针对利用常规参数进行复杂体制雷达辐射源信号分类识别存在的问题，提出一种基于S变换的雷达脉内调制特征提取方法。将S变换引入雷达脉内信号分析中，首先提取信号S变换时频图像的不变矩特征；然后针对其在BPSK和QPSK信号分类上的不足，提出了基于S变换峰值包络特征提取方法；最后用支持向量机作为分类器进行分类......
9. 《基于改进在线多示例学习算法的机器人目标跟踪》PDF+DOC 提出基于改进的在线多示例学习算法(Improved multiple instance learning，IMIL)的移动机器人目标跟踪方法.该方法利用射频识别系统(Radio frequency identification，RFID)粗定位IMIL算法的搜索区域，然后应用IMIL算法实现目标跟踪......
10. 《使用高斯混合滤波器的机动目标跟踪》PDF+DOC 实际目标跟踪过程中，被跟踪目标的状态与类型都是不确定的。使用运动学传感器与属性传感器分别获取的目标状态量测信息与特征量测信息，给出了目标状态与类型不确定性的联合状态类型概率密度函数表示，并推导了线性高斯假设下的系统模型为高斯混合模型。根据这一性质，引入高斯混合滤波器，实现了机动目标的有效跟踪。在仿真......