《高斯混合概率假设密度无序估计分布式融合》PDF+DOC

📙 相关资料

1. 《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......
2. 《有序粒子概率假定密度跟踪算法》PDF+DOC 针对由单传感器概率假定密度滤波到多传感器情形推导困难的问题，提出了一种有序粒子概率假定密度跟踪算法。首先，推导出集中式多传感器粒子概率假定密度滤波模型，再根据集中式融合系统的特点，选取与多传感器相关的重要性密度函数，通过多传感器多步更新重采样粒子，从而实现多传感器多目标有序粒子概率假定密度跟踪。仿真......
3. 《传感器组网中基于模糊信息处理的多目标跟踪》PDF+DOC 多目标跟踪是信息融合中的一个难点问题，数据关联则是多目标跟踪中的关键技术之一。以模糊信息处理为理论基础，分布式融合模型为框架，介绍了传感器组网中多目标跟踪的相关方法，包括数据关联和机动目标跟踪，其中数据关联包括观测-观测关联(航迹起始)、观测-航迹关联以及航迹-航迹关联，旨在分布式多传感器融合系统中......
4. 《基于传感器个数加权的分布式多传感器信息融合》PDF+DOC 多传感器信息融合在跟踪多个目标和隐身小目标时有着不可替代的作用。为解决集中式扩维和分布式多传感器信息融合中普遍存在的计算量大、难以实时应用的问题，文中提出一种使用传感器网络中参与融合传感器个数加权的数据融合方法。文中通过分析集中式扩维融合、基于协方差分布式加权融合方法，在不考虑传感器间互协方差的条件......
5. 《多目标滤波中的多传感器概率假设密度算法》PDF+DOC 多传感器情况下的多目标概率假设密度(PHD)滤波是建立在假设模型上实现的。该文用随机有限集(RFS)方法描述多目标状态空间和传感器量测空间，分析了多传感器通用假设模型下的探测概率、似然函数和杂波分布，在此基础上利用概率产生泛函(PGFL)推导出了多传感器PHD滤波递归式，进而提出粒子标记法多传感器贯......
6. 《改进高斯混合粒子滤波被动目标跟踪算法》PDF+DOC 针对被动传感器跟踪系统非线性较强问题，提出了一种基于改进高斯混合粒子滤波的被动传感器目标跟踪算法。该算法基于Sigma点卡曼滤波和粒子滤波的特点，用有限的高斯混合模型来近似后验状态密度、系统噪声和观测噪声的分布。然后结合遗传算法和EM算法来实现模型的降阶，克服了EM算法假定混合成分数为已知、迭代的结......
7. 《概率损伤成像在兰姆波结构健康监测中的应用》PDF+DOC 应用概率成像方法对分布式传感器网络兰姆波结构健康监测中的损伤进行识别。根据损伤散射信号的传播时间确定1个椭圆轨迹，该轨迹显示了损伤可能存在的位置。若损伤恰在椭圆轨迹上，概率值最大，损伤距离椭圆轨迹越远，损伤在该位置出现的概率越小。对检测区域中所有空间位置的像素值按照损伤出现的概率量化，能够可视化地显......
8. 《改进高斯混合粒子滤波的纯方位目标跟踪算法》PDF+DOC 针对纯方位跟踪系统非线性较强、传统跟踪滤波方法收敛速度慢且容易发散的问题，提出了一种基于改进高斯混合粒子滤波的纯方位跟踪算法。该算法基于Sigma点卡尔曼滤波(SPKF)和粒子滤波的特点，用有限的高斯混合模型来近似后验状态密度、系统噪声和观测噪声的分布。利用贪心EM算法实现模型的降阶，一定程度上克服......
9. 《无线传感器网络分布式概率覆盖保持协议》PDF+DOC 覆盖配置能有效缓解无线传感器网络中节点能量受限的问题，但现有的研究多是基于物理覆盖，这与实际的信号传播特点不符。针对这一问题，提出了分布式传感器网络概率覆盖保持协议(DPCCP)，该协议基于概率探测模型，利用Voronoi划分在节点本地执行概率覆盖判断算法。仿真实验中，将DPCCP嵌入LEACH路由......
10. 《协方差交叉在分布式传感器网络定位中的应用》PDF+DOC 节点定位的精确性在分布式传感器网络的许多应用中都起着至关重要的作用。目前较受关注的定位方法主要包括TDOA和RSS。这两种方法是非独立的，而且定位精度易受噪声影响。如果采用传统的卡尔曼滤波方式对数据加以融合，可以降低估计误差。但因假定数据间的协方差为零，使结果并非保守可靠。本文将协方差交叉算法应用于......