• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 27
    • 下载费用:20 金币  

    重庆时时彩后一四码: 基于并行模糊高斯和粒子滤波的目标跟踪方法及装置.pdf

    摘要
    申请专利号:

    重庆时时彩单双窍门 www.4mum.com.cn CN201611249493.8

    申请日:

    2016.12.29

    公开号:

    CN106772354A

    公开日:

    2017.05.31

    当前法律状态:

    实审

    有效性:

    审中

    法律详情: 实质审查的生效IPC(主分类):G01S 13/66申请日:20161229|||公开
    IPC分类号: G01S13/66 主分类号: G01S13/66
    申请人: 深圳大学
    发明人: 李良群; 谢维信; 刘宗香
    地址: 518060 广东省深圳市南山区南海大道3688号
    优先权:
    专利代理机构: 深圳市威世博知识产权代理事务所(普通合伙) 44280 代理人: 李庆波
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201611249493.8

    授权公告号:

    |||

    法律状态公告日:

    2017.06.23|||2017.05.31

    法律状态类型:

    实质审查的生效|||公开

    摘要

    本发明公开了一种基于并行模糊高斯和粒子滤波的目标跟踪方法,包括:将传感器系统划分为多个子系统;分别为每个子系统利用其边界状态对其在当前目标观测时刻对目标状态的观测结果使用模糊高斯和粒子滤波方法进行滤波,以获取子系统当前目标观测时刻的目标状态后验概率密度函数,其中不同的子系统在滤波过程中使用的状态粒子不共享;利用所有子系统当前目标观测时刻的目标状态后验概率密度函数获取传感器系统当前目标观测时刻的目标状态后验概率密度函数;利用传感器系统当前目标观测时刻的目标状态后验概率密度函数获取当前目标观测时刻的目标状态估计值。本发明还公开了一种目标跟踪装置。通过上述方式,本发明能保证跟踪结果的准确性和实时性。

    权利要求书

    1.一种基于并行模糊高斯和粒子滤波的目标跟踪方法,其特征在于,包括:
    将传感器系统划分为多个子系统;
    分别为每个所述子系统利用其边界状态对其在当前目标观测时刻对目标状态的观测
    结果使用模糊高斯和粒子滤波方法进行滤波,以获取所述子系统当前目标观测时刻的目标
    状态后验概率密度函数,其中不同的所述子系统在滤波过程中使用的状态粒子不共享;
    利用所有所述子系统当前目标观测时刻的目标状态后验概率密度函数获取所述传感
    器系统当前目标观测时刻的目标状态后验概率密度函数;
    利用所述传感器系统当前目标观测时刻的目标状态后验概率密度函数获取当前目标
    观测时刻的目标状态估计值。
    2.根据权利要求1所述的方法,其特征在于,
    所述为所述子系统利用其边界状态对其当前目标观测时刻观测的目标状态使用模糊
    高斯和粒子滤波方法进行滤波包括:
    对于所述子系统,利用高斯和构建上一目标观测时刻的目标状态后验概率密度函数、
    观测噪声概率密度函数以及过程噪声概率密度函数;
    根据高斯-厄米特积分和蒙特卡罗原理,利用所述上一目标观测时刻的目标状态后验
    概率密度函数、所述过程噪声概率密度函数和所述边界状态获取当前目标观测时刻的目标
    状态预测概率密度函数;
    利用所述当前目标观测时刻的目标状态预测概率密度函数、所述观测结果和所述观测
    噪声概率密度函数获取多个高斯项及其权值;
    利用所述权值对所述高斯项进行重采样,获取其中权值最大的G个高斯项,其中G为正
    整数;
    利用所述权值最大的G个高斯项获取所述子系统当前目标观测时刻的目标状态后验概
    率密度函数。
    3.根据权利要求2所述的方法,其特征在于,
    对于第s个所述子系统,利用高斯和构建的所述上一目标观测时刻n的目标状态后验概
    率密度函数为G个第一高斯分布函数的加权和,具体定义为:
    <mrow> <mi>p</mi> <mrow> <mo>(</mo> <msubsup> <mi>x</mi> <mi>n</mi> <mi>s</mi> </msubsup> <mo>|</mo> <msubsup> <mi>z</mi> <mrow> <mn>0</mn> <mo>:</mo> <mi>n</mi> </mrow> <mi>s</mi> </msubsup> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>g</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>G</mi> </munderover> <msubsup> <mi>&omega;</mi> <mrow> <mi>n</mi> <mi>g</mi> </mrow> <mi>s</mi> </msubsup> <mi>N</mi> <mrow> <mo>(</mo> <msubsup> <mi>x</mi> <mi>n</mi> <mi>s</mi> </msubsup> <mo>;</mo> <msubsup> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>n</mi> <mo>|</mo> <mi>n</mi> <mo>)</mo> <mi>g</mi> </mrow> <mi>s</mi> </msubsup> <mo>,</mo> <msubsup> <mi>P</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>|</mo> <mi>n</mi> <mo>)</mo> <mi>g</mi> </mrow> <mi>s</mi> </msubsup> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
    其中s=1,2,…,S,S为所述传感器系统中所述子系统的总数,为第g个所述第一高
    斯分布函数的均值,为第g个所述第一高斯分布函数的协方差,为第g个所述第一高
    斯分布函数的权值,g=1,2,…,G,所述均值和所述协方差是利用当前目标观测时
    刻n+1之前第s个所述子系统对目标状态的观测结果而获得的;
    过程噪声概率密度函数p(un)为K个第二高斯分布函数的加权和,具体定义为:
    <mrow> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mi>n</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <msub> <mi>&alpha;</mi> <mi>k</mi> </msub> <mi>N</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mi>n</mi> </msub> <mo>;</mo> <msub> <mover> <mi>&mu;</mi> <mo>~</mo> </mover> <mrow> <mi>n</mi> <mi>k</mi> </mrow> </msub> <mo>,</mo> <msub> <mover> <mo>&Sigma;</mo> <mo>~</mo> </mover> <mrow> <mi>n</mi> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
    其中αk为第k个所述第二高斯分布函数的权值,且为非负常数同时满足
    和分别表示第k个所述第二高斯分布函数的均值和协方差,k=1,2,…,K;
    观测噪声概率密度函数p(vn)为L个第三高斯分布函数的加权和,具体定义为:
    <mrow> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>v</mi> <mi>n</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>L</mi> </munderover> <msub> <mi>&beta;</mi> <mi>j</mi> </msub> <mi>N</mi> <mrow> <mo>(</mo> <msub> <mi>v</mi> <mi>n</mi> </msub> <mo>;</mo> <msub> <mover> <mi>&mu;</mi> <mo>~</mo> </mover> <mrow> <mi>n</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mover> <mo>&Sigma;</mo> <mo>~</mo> </mover> <mrow> <mi>n</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
    其中βj为第j个所述第三高斯分布函数的权值,且为非负常数同时满足
    和分别表示第j个所述第三高斯分布函数的均值和协方差,j=1,2,…,L。
    4.根据权利要求3所述的方法,其特征在于,
    所述根据高斯-厄米特积分和蒙特卡罗原理,利用所述上一目标观测时刻的目标状态
    后验概率密度函数、所述过程噪声概率密度函数和所述边界状态获取当前目标观测时刻的
    目标状态预测概率密度函数包括:
    利用所述上一目标观测时刻n的目标状态后验概率密度函数和所述过程噪声概率密度
    函数获取第一积分点粒子集,利用所述边界状态获取边界状态粒子集,所述第一积分点粒
    子集和所述边界状态粒子集组成第一近似粒子集;
    利用所述第一近似粒子集和所述子系统的状态方程获取预测粒子集;
    利用所述预测粒子集获取所述当前目标观测时刻n+1的目标状态预测概率密度函数。
    5.根据权利要求4所述的方法,其特征在于,
    所述利用所述上一目标观测时刻n的目标状态后验概率密度函数和所述过程噪声概率
    密度函数获取第一积分点粒子集包括:
    利用所述上一目标观测时刻n的目标状态后验概率密度函数和所述过程噪
    声概率密度函数p(un)获取所述上一目标观测时刻n的目标状态后验概率密度函数
    的每个所述第一高斯分布函数对应的第一积分点
    <mrow> <msubsup> <mi>x</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>|</mo> <mi>n</mi> <mo>)</mo> <msup> <mi>g</mi> <mo>&prime;</mo> </msup> </mrow> <mrow> <mi>s</mi> <mo>,</mo> <mi>l</mi> </mrow> </msubsup> <mo>=</mo> <msqrt> <msubsup> <mi>P</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>|</mo> <mi>n</mi> <mo>)</mo> <mi>g</mi> </mrow> <mi>s</mi> </msubsup> </msqrt> <mo>&CenterDot;</mo> <msup> <mi>&xi;</mi> <mi>l</mi> </msup> <mo>+</mo> <msubsup> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>n</mi> <mo>|</mo> <mi>n</mi> <mo>)</mo> <mi>g</mi> </mrow> <mi>s</mi> </msubsup> <mo>+</mo> <msub> <mover> <mi>&mu;</mi> <mo>~</mo> </mover> <mrow> <mi>n</mi> <mi>k</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
    其中g’=g+(k-1)K,g为所述第一高斯分布函数的序号,ξl为高斯-厄米特积分点,ξl对
    应的权系数为l为所述高斯-厄米特积分点的序号,为所述过程噪声概率密度函
    数p(un)的第k个所述第二高斯分布函数的均值,g=1,2,…,G,k=1,2,…,K,l=1,2,…,m,
    m为所述高斯-厄米特积分点的总数;
    根据高斯-厄米特积分原理,以所述第一积分点为均值,以第g个所述第一高斯分
    布函数的协方差为协方差,构建所述上一目标观测时刻n的第一积分点概率密度函数

    利用所述第一积分点概率密度函数获取对应的第一积分点粒子集
    其中i=1,2,…,N,N为所述第一积分点粒子集中粒子的总数,所述第一积分点粒
    子集
    所述利用所述边界状态获取边界状态粒子集包括:
    第s个所述子系统在所述上一目标观测时刻n收到m1个子系统的边界状态i1
    =1,2,…,m1,边界状态概率密度函数为其中所述边界状态概率密度函数
    的均值和协方差分别为:


    其中πi1表示第s个所述子系统在所述上一目标观测时刻n收到的第i1个子系统的权值,
    其取值范围为[0,1]且满足
    利用所述边界状态概率密度函数获取边界状态粒子集其中

    所述利用所述第一近似粒子集和所述子系统的状态方程获取预测粒子集包括:
    所述预测粒子集为其中为所
    述子系统的状态转移概率密度函数,可由所述子系统的状态方程得到,所述子系统的状态
    方程为:

    其中为第s个所述子系统在所述上一目标观测时刻n收到的所有邻近子系统的状态矢
    量;
    所述利用所述预测粒子集获取所述当前目标观测时刻n+1的目标状态预测概率密度函
    数包括:
    利用所述预测粒子集获取所述第一积分点对应的所述当前目标观测时刻n+1的均
    值和协方差
    <mrow> <msubsup> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>n</mi> <mo>)</mo> <msup> <mi>g</mi> <mo>&prime;</mo> </msup> </mrow> <mrow> <mi>s</mi> <mo>,</mo> <mi>l</mi> </mrow> </msubsup> <mo>=</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msubsup> <mi>x</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>n</mi> <mo>)</mo> <msup> <mi>g</mi> <mo>&prime;</mo> </msup> </mrow> <mrow> <mi>s</mi> <mo>,</mo> <mi>l</mi> <mo>,</mo> <mi>i</mi> </mrow> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
    <mrow> <msubsup> <mi>P</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>n</mi> <mo>)</mo> <msup> <mi>g</mi> <mo>&prime;</mo> </msup> </mrow> <mrow> <mi>s</mi> <mo>,</mo> <mi>l</mi> </mrow> </msubsup> <mo>=</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mrow> <mo>(</mo> <msubsup> <mi>x</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>n</mi> <mo>)</mo> <msup> <mi>g</mi> <mo>&prime;</mo> </msup> </mrow> <mrow> <mi>s</mi> <mo>,</mo> <mi>l</mi> <mo>,</mo> <mi>i</mi> </mrow> </msubsup> <mo>-</mo> <msubsup> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>n</mi> <mo>)</mo> <msup> <mi>g</mi> <mo>&prime;</mo> </msup> </mrow> <mrow> <mi>s</mi> <mo>,</mo> <mi>l</mi> </mrow> </msubsup> <mo>)</mo> </mrow> <msup> <mrow> <mo>(</mo> <msubsup> <mi>x</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>n</mi> <mo>)</mo> <msup> <mi>g</mi> <mo>&prime;</mo> </msup> </mrow> <mrow> <mi>s</mi> <mo>,</mo> <mi>l</mi> <mo>,</mo> <mi>i</mi> </mrow> </msubsup> <mo>-</mo> <msubsup> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>n</mi> <mo>)</mo> <msup> <mi>g</mi> <mo>&prime;</mo> </msup> </mrow> <mrow> <mi>s</mi> <mo>,</mo> <mi>l</mi> </mrow> </msubsup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
    利用所述均值和协方差获取所述当前目标观测时刻n+1的目标状态的共
    G’个第四高斯分布函数,其中G’=K*G,第g’个所述第四高斯分布函数的均值和协方
    差为:
    <mrow> <msubsup> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>n</mi> <mo>)</mo> <msup> <mi>g</mi> <mo>&prime;</mo> </msup> </mrow> <mi>s</mi> </msubsup> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msubsup> <mi>&omega;</mi> <mi>l</mi> <mi>s</mi> </msubsup> <msubsup> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>n</mi> <mo>)</mo> <msup> <mi>g</mi> <mo>&prime;</mo> </msup> </mrow> <mrow> <mi>s</mi> <mo>,</mo> <mi>l</mi> </mrow> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>
    <mrow> <msubsup> <mi>P</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>n</mi> <mo>)</mo> <msup> <mi>g</mi> <mo>&prime;</mo> </msup> </mrow> <mi>s</mi> </msubsup> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msubsup> <mi>&omega;</mi> <mi>l</mi> <mi>s</mi> </msubsup> <msubsup> <mi>P</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>n</mi> <mo>)</mo> <msup> <mi>g</mi> <mo>&prime;</mo> </msup> </mrow> <mrow> <mi>s</mi> <mo>,</mo> <mi>l</mi> </mrow> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo> </mrow> </mrow>
    计算第g’个所述第四高斯分布函数的权值:

    将G’个所述第四高斯分布函数的加权和作为当前目标观测时刻n+1的目标状态预测概
    率密度函数

    6.根据权利要求5所述的方法,其特征在于,
    所述利用所述当前目标观测时刻的目标状态预测概率密度函数、所述观测结果和所述
    观测噪声概率密度函数获取多个高斯项及其权值包括:
    利用所述当前目标观测时刻n+1的目标状态预测概率密度函数获取所述当
    前目标观测时刻n+1的目标状态预测概率密度函数的每个所述第四高斯分布
    函数对应的第二积分点
    <mrow> <msubsup> <mi>x</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>n</mi> <mo>)</mo> <msup> <mi>g</mi> <mo>&prime;</mo> </msup> <mo>,</mo> <mi>j</mi> </mrow> <mrow> <mi>s</mi> <mo>,</mo> <mi>l</mi> </mrow> </msubsup> <mo>=</mo> <msqrt> <msubsup> <mi>P</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>n</mi> <mo>)</mo> <msup> <mi>g</mi> <mo>&prime;</mo> </msup> </mrow> <mi>s</mi> </msubsup> </msqrt> <mo>&CenterDot;</mo> <msup> <mi>&xi;</mi> <mi>l</mi> </msup> <mo>+</mo> <msubsup> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>n</mi> <mo>)</mo> <msup> <mi>g</mi> <mo>&prime;</mo> </msup> </mrow> <mi>s</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>14</mn> <mo>)</mo> </mrow> </mrow>
    其中g’=1,2,…,G’,j=1,2,…,L;
    为所述第二积分点构建其重要性函数
    利用所述重要性函数获取所述第二积分点的第二近似粒子集其中

    利用最大熵模糊聚类原理计算所述第二近似粒子集中粒子的权值
    <mrow> <msubsup> <mi>&mu;</mi> <mrow> <msup> <mi>g</mi> <mo>&prime;</mo> </msup> <mo>,</mo> <mi>j</mi> </mrow> <mrow> <mi>s</mi> <mo>,</mo> <mi>l</mi> <mo>,</mo> <mi>i</mi> </mrow> </msubsup> <mo>=</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <msubsup> <mi>&alpha;d</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mn>2</mn> </msubsup> </mrow> </msup> <mo>/</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msup> <mi>e</mi> <mrow> <mo>-</mo> <msubsup> <mi>&alpha;d</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> <mn>2</mn> </msubsup> </mrow> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>15</mn> <mo>)</mo> </mrow> </mrow>

    其中α为拉格朗日乘子,为所述当前目标观测时刻n+1的观测结果zn+1与所述第二近
    似粒子集中的粒子之间的模糊隶属度,表示所述第二近似粒子集中的粒子
    与所述当前目标观测时刻n+1的观测结果zn+1之间的欧氏距离;
    利用所述第二近似粒子集中的粒子权值计算其对应的所述第二积分点
    的权值

    其中m2为加权指数,l1=1,2,…m;
    利用所述第二近似粒子集及其中粒子的权值获取所述第二积分点
    对应的均值和协方差


    利用所述第二积分点的权值均值和协方差获取高斯项
    其中所述高斯项的均值和协方差分别为:
    <mrow> <msubsup> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> <msup> <mi>g</mi> <mo>&prime;</mo> </msup> <mo>,</mo> <mi>j</mi> </mrow> <mi>s</mi> </msubsup> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msubsup> <mi>&omega;</mi> <mrow> <msup> <mi>g</mi> <mo>&prime;</mo> </msup> <mo>,</mo> <mi>j</mi> </mrow> <mrow> <mi>s</mi> <mo>,</mo> <mi>l</mi> </mrow> </msubsup> <msubsup> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> <msup> <mi>g</mi> <mo>&prime;</mo> </msup> <mo>,</mo> <mi>j</mi> </mrow> <mrow> <mi>s</mi> <mo>,</mo> <mi>l</mi> </mrow> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>20</mn> <mo>)</mo> </mrow> </mrow>
    <mrow> <msubsup> <mi>P</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> <msup> <mi>g</mi> <mo>&prime;</mo> </msup> <mo>,</mo> <mi>j</mi> </mrow> <mi>s</mi> </msubsup> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msubsup> <mi>&omega;</mi> <mrow> <msup> <mi>g</mi> <mo>&prime;</mo> </msup> <mo>,</mo> <mi>j</mi> </mrow> <mrow> <mi>s</mi> <mo>,</mo> <mi>l</mi> </mrow> </msubsup> <msubsup> <mi>P</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> <msup> <mi>g</mi> <mo>&prime;</mo> </msup> <mo>,</mo> <mi>j</mi> </mrow> <mrow> <mi>s</mi> <mo>,</mo> <mi>l</mi> </mrow> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>21</mn> <mo>)</mo> </mrow> </mrow>
    利用所述第二近似粒子集及其中粒子的权值和所述观测噪声概率密
    度函数p(vn)获取所述高斯项的权值

    其中
    所述利用所述权值对所述高斯项进行重采样,获取其中权值最大的G个高斯项包括:
    将计算得到的G*K*L个所述高斯项按照权值的降序排列并获取前G个所述高斯
    项及权值g=1,2,…,G;
    判断所述权值是否小于预设阈值
    若小于,则修改所述高斯项的均值为协方差为
    其中q为随机提取,且q∈{1,...,G},提取到q的概率正比于标准化权值
    若不小于,则保留所述高斯项
    为每个所述高斯项执行前一步骤以获取所述权值最大的G个高斯项;
    所述利用所述权值最大的G个高斯项获取所述子系统当前目标观测时刻n+1的目标状
    态后验概率密度函数包括:
    所述当前目标观测时刻n+1的目标状态后验概率密度函数为均值为
    协方差为的高斯分布,其中所述均值和协方差分别为:


    7.根据权利要求6所述的方法,其特征在于,
    所述利用所有所述子系统当前目标观测时刻的目标状态后验概率密度函数获取所述
    传感器系统当前目标观测时刻的目标状态后验概率密度函数包括:
    所述传感器系统当前目标观测时刻n+1的目标状态后验概率密度函数p(xn+1|z0:n+1)为
    均值为协方差为Pn+1|n+1的高斯分布,其中所述均值和协方差Pn+1|n+1分别为:
    <mrow> <msub> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>s</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>S</mi> </munderover> <msub> <mi>&beta;</mi> <mi>s</mi> </msub> <mo>&CenterDot;</mo> <msubsup> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>s</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>25</mn> <mo>)</mo> </mrow> </mrow>
    <mrow> <msub> <mi>P</mi> <mrow> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>s</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>S</mi> </munderover> <msub> <mi>&beta;</mi> <mi>s</mi> </msub> <mo>&CenterDot;</mo> <msubsup> <mi>P</mi> <mrow> <mi>n</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>n</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>s</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>26</mn> <mo>)</mo> </mrow> </mrow>
    其中
    8.根据权利要求1-7中任一项所述的方法,其特征在于,
    所述利用所述传感器系统当前目标观测时刻的目标状态后验概率密度函数获取当前
    目标观测时刻的目标状态估计值包括:
    根据最大后验准则或最小均方误差准则,利用所述传感器系统当前目标观测时刻的目
    标状态后验概率密度函数获取当前目标观测时刻的目标状态估计值。
    9.一种基于并行模糊高斯和粒子滤波的目标跟踪装置,其特征在于,包括:
    划分???,用于将传感器系统划分为多个子系统;
    滤波???,用于分别为每个所述子系统利用其边界状态对其在当前目标观测时刻对目
    标状态的观测结果使用模糊高斯和粒子滤波方法进行滤波,以获取所述子系统当前目标观
    测时刻的目标状态后验概率密度函数,其中不同的所述子系统在滤波过程中使用的状态粒
    子不共享;
    综合???,用于利用所有所述子系统当前目标观测时刻的目标状态后验概率密度函数
    获取所述传感器系统当前目标观测时刻的目标状态后验概率密度函数;
    估计???,用于利用所述传感器系统当前目标观测时刻的目标状态后验概率密度函数
    获取当前目标观测时刻的目标状态估计值。
    10.一种基于并行模糊高斯和粒子滤波的目标跟踪装置,其特征在于,包括:处理器和
    传感器系统,所述处理器耦接所述传感器系统;
    所述处理器用于将所述传感器系统划分为多个子系统;分别为每个所述子系统利用其
    边界状态对其在当前目标观测时刻对目标状态的观测结果使用模糊高斯和粒子滤波方法
    进行滤波,以获取所述子系统当前目标观测时刻的目标状态后验概率密度函数,其中不同
    的所述子系统在滤波过程中使用的状态粒子不共享;利用所有所述子系统当前目标观测时
    刻的目标状态后验概率密度函数获取所述传感器系统当前目标观测时刻的目标状态后验
    概率密度函数;利用所述传感器系统当前目标观测时刻的目标状态后验概率密度函数获取
    当前目标观测时刻的目标状态估计值。

    关 键 词:
    基于 并行 模糊 粒子 滤波 目标 跟踪 方法 装置
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    0条评论

    还可以输入200字符

    暂无评论,赶快抢占沙发吧。

    关于本文
    本文标题:基于并行模糊高斯和粒子滤波的目标跟踪方法及装置.pdf
    链接地址://www.4mum.com.cn/p-6001263.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 幸运飞艇人工杀号网站 全天北京pk10赛车计划最准 七星彩开奖号码结果 安徽快三有没有单双 pk10两码精准计划 时时彩二星直选 必赢客北京pk拾v12.1 三分彩怎么看规律 11选五任选八胆拖可以错 高频彩计划软件下载 pk拾计划软件手机版免费 河北时时开奖结果查询 双色球蓝球杀号 彩神广东11选5全能版 pk10长期稳赚8码技巧 重庆时时开奖时间安排