CN102307041A - 当前统计模型的概率假设密度粒子滤波器的设计及滤波器 - Google Patents
当前统计模型的概率假设密度粒子滤波器的设计及滤波器 Download PDFInfo
- Publication number
- CN102307041A CN102307041A CN201110109956A CN201110109956A CN102307041A CN 102307041 A CN102307041 A CN 102307041A CN 201110109956 A CN201110109956 A CN 201110109956A CN 201110109956 A CN201110109956 A CN 201110109956A CN 102307041 A CN102307041 A CN 102307041A
- Authority
- CN
- China
- Prior art keywords
- circuit
- particle
- input terminal
- adder
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种当前统计模型的概率假设密度粒子滤波器的设计及滤波器。其观测值接更新电路的第一输入端,预测电路的第一输入端接状态估计电路的第一输出端,预测电路的输出端接更新电路的第二输入端,更新电路的输出端接重采样电路的输入端,重采样电路的第一输出端接预测电路的第二输入端,重采样电路的第二输出端接状态估计电路的输入端。本发明在基于当前统计模型的概率假设密度粒子滤波器的理论基础上,设计了它的硬件电路实现方案,仿真结果表明,其跟踪性能和理论分析相近,能够用于跟踪杂波环境下的机动多目标运动的问题。
Description
技术领域
本发明涉及粒子滤波器的设计方法及硬件电路,尤其是涉及一种当前统计模型的概率假设密度粒子滤波器的设计及滤波器。
背景技术
机动目标跟踪是指利用测量设备得到的目标测量信息,通过建立合理准确的目标运动模型,使用随机过程、估计与检测理论、滤波算法等现代信号处理技术,对机动目标的运动状态(位置、速度、加速度等)进行估计和检测。经过几十年的研究发展,机动目标跟踪已经在军事和国民经济上都得到了广泛的应用,如军事上的精确制导、反弹道导弹防御、卫星侦察等方面,民用上的民航飞机的空中交通管制、机器人定位、汽车防撞和导航系统等方面。由于目标机动的复杂性、随机性和多样性,对机动目标的可靠精确跟踪一直是国际上的研究难点和热点,国内外众多学者都致力于研究满足实时性和精度要求的有效机动目标跟踪方法。
粒子滤波作为一种基于贝叶斯估计的非线性滤波算法,在处理非线性运动目标跟踪问题方面有独到的优势。但粒子滤波的框架中并没有包含数据关联的机制,当对多个目标进行跟踪,目标数发生变化或目标相互遮挡时,会出现跟踪目标的丢失。此外,多个目标之间的干扰也会影响跟踪的准确性。而近年来提出的概率假设密度算法用于跟踪多目标,不仅不需要做数据关联,而且可以跟踪目标数目不定的多个目标。它传递多目标联合后验概率分布的一阶矩,在保证跟踪精度的同时,极大地减少了计算量。在应用粒子滤波进行多目标跟踪的基础上,将粒子滤波和概率假设密度相结合来处理多目标跟踪问题的技术框架,为解决杂波环境下多目标跟踪的问题提供了一个很好的方法。
对于目标机动问题,在建立机动目标模型时,一般的原则是所建立的模型既要符合机动实际,又要便于数学处理,其中,由我国周宏仁博士提出的当前统计模型的优点在于,当目标正以某一加速度进行机动时,下一时刻的加速度取值是有限制的,即只能在“当前”加速度的领域内取值,无需考虑所有可能的机动加速度值。其实质是自适应调整均值的Singer模型,目标机动加速度的当前概率密度用修正的瑞利分布表示,该算法跟踪精度高,实时性好。
由于粒子滤波与概率假设密度相结合在硬件上的可实现性,和当前统计模型对跟踪机动目标能达到较好的性能,因此,将概率假设密度粒子滤波器和当前统计模型方法应用到实际的多机动目标跟踪,将会有很大的现实意义,这也使得研究将算法转化成硬件电路实现成为需要。
发明内容
为了研究将当前统计模型和概率假设密度粒子滤波器同时应用于多机动目标跟踪,本发明的目的在于提供一种当前统计模型的概率假设密度粒子滤波器的设计及滤波器。
本发明采用的技术方案是:
一、一种基于当前统计模型的概率假设密度粒子滤波器的设计方法:
1) 在预测电路中,为了跟踪机动多目标,采用当前统计模型对目标的后验概率分布进行采样得到粒子分布;
2) 对于每一个观测值,所有粒子都需要参与一个观测值处理电路。由于选取的观测值过多会带来时延从而影响实时性,所以综合考虑性能和实时性,选择使用m个观测值参与更新电路的运算,其中机动多目标的最大数为n,杂波数目通过泊松过程产生,均值为p,以小概率事件计算,杂波的最大数目为m–n,所用到的观测值处理电路小于等于m;
3) 考虑到系统重采样算法必须在获得所有粒子的权值及其权值之和才开始运行,不利于流水运行,从而影响实时性,因此考虑选择固定的阈值T,使用简化重采样算法,在获得粒子及其权值时即刻开始运行重采样操作,而无需等待所有粒子的生成,且易于并行实现;
4) 在状态估计电路中,需要计算机动目标当前加速度均值,并将其返回到预测电路,用于下一时刻利用当前统计模型对目标的后验概率分布进行采样;
5) 滤波器使用粒子来表征目标的后验概率分布,由于粒子滤波器的性能和粒子的数目成正比,但是在硬件电路中,粒子数目过多会带来延时从而影响实时性,所以综合考虑性能和实时性,选择使用1024个粒子用于存活粒子,另外1024个粒子用于新生粒子;
6) 在滤波器设计方法中,估计目标的状态值需要用到聚类算法,这一步骤将使用软件计算或者DSP处理,硬件电路不做具体处理。
二、一种基于当前统计模型的概率假设密度粒子滤波器:
一种基于当前统计模型的概率假设密度粒子滤波器包括预测电路、更新电路、重采样电路和状态估计电路;其观测值接更新电路的第一输入端,预测电路的第一输入端接状态估计电路的第一输出端,预测电路的输出端接更新电路的第二输入端,更新电路的输出端接重采样电路的输入端,重采样电路的第一输出端接预测电路的第二输入端,重采样电路的第二输出端接状态估计电路的输入端。
所述的预测电路,包括第一计数器,第二计数器,粒子序号存储器,粒子状态存储器,采样电路,状态估计电路,选择器,新生粒子生成器;第一计数器的输出端接粒子序号存储器的第一输入端,第二计数器的输出端接粒子序号存储器的第二输入端,粒子序号存储器的第一输出端接粒子状态存储器的第一输入端,粒子序号存储器的第二输出端接粒子状态存储器的第二输入端,粒子状态存储器的输出端接采样电路的第一输入端,状态估计电路的输出端接采样电路的第二输入端,采样电路的输出端接选择器的第一输入端,新生粒子生成器接选择器的第二输入端,新生粒子信号接选择器的第三输入端,选择器的输出端接粒子状态存储器的第三输入端。
所述的更新电路,包括结构相同的m个观测值处理电路,加法运算电路和权重更新计算电路;其中,每个观测值处理电路包括似然函数计算电路,第一乘法器,RAM,第一加法器、累加器、第二加法器、倒数计算电路和第二乘法器;加法运算电路包括第三加法器;权重更新计算电路包括第四加法器和第三乘法器;观测值接更新电路的m个观测值处理电路的输入端,每个观测值分别连接到各自对应的似然函数计算电路的输入端,似然函数计算电路的输出端连接第一乘法器的第一输入端,第一乘法器的第二输入端连接检测到概率 ,第一乘法器的输出端接RAM的输入端和第一加法器的第一输入端,RAM的输出端连接第二乘法器的第一输入端,第一加法器的第二输入端连接预测权重,第一加法器的输出端连接累加器的输入端,累加器的输出端连接第二加法器的第一输入端,第二加法器的第二输入端连接杂波密度,第二加法器的输出连接倒数计算电路的输入端,倒数计算电路的输出端连接乘法器的第二输入端,乘法器的输出端连接第三加法器的输入端,第三加法器的输出端连接第四加法器的第一输入端,第四加法器的第二输入端连接未检测到概率,第四加法器的输出端连接第三乘法器的第一输入端,第三乘法器的第二输入端连接预测权重。
所述的重采样电路,包括第一计数器,粒子权值存储器,比较器,第二计数器,第三计数器,选择器,粒子序号存储器;第一计数器的输出端接粒子权值存储器的输入端和粒子序号存储器的第一输入端,粒子权值存储器的输出端接比较器的第一输入端,阈值T接比较器的第二输入端,比较器的第一输出端接第二计数器的输入端,第二计数器的输出端接选择器的第一输入端,比较器的第二输出端接第三计数器的输入端,第三计数器的输出端接选择器的第二输入端,选择器的输出端接粒子序号存储器的第二输入端。
本发明与背景技术相比,具有的有益效果是:
本发明在一种基于当前统计模型的概率假设密度粒子滤波器的理论基础上,设计了它的滤波器实现方案,仿真结果表明,此概率假设密度粒子滤波器的设计方法及滤波器的跟踪性能和理论分析相近,能够用于跟踪杂波环境下的多机动目标跟踪的问题。
附图说明
图1是本发明的结构原理框图。
图2是图1的预测电路原理框图。
图3是图1的更新电路原理框图。
图4是图1的重采样电路原理框图。
图5是设计方法软件仿真和滤波器的性能比较图。
图中:1、观测值,2、预测电路,3、更新电路,4、重采样电路,5、状态估计电路,21、粒子状态存储器,22、采样电路,23、选择器,24、新生粒子生成器,3A、观测值处理电路,3B、加法运算电路、3C、权重更新计算电路,31、似然函数计算电路,32、第一乘法器,33、RAM,34、第一加法器,35、累加器,36、第二加法器,37、倒数计算电路,38、第二乘法器,3B1、第三加法器,3C1、第四加法器,3C2、第三乘法器,41、第一计数器,42、粒子权值存储器,43、比较器,44、第二计数器,45、第三计数器,46、选择器,47、粒子序号存储器,48、第一计数器,49、第二计数器。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示,本发明包括预测电路2,更新电路3,重采样电路4,状态估计电路5;观测值1接更新电路3的第一输入端,预测电路2的第一输入端接状态估计电路5的第一输出端,预测电路2的输出端接更新电路3的第二输入端,更新电路3的输出端接重采样电路4的输入端,重采样电路4的第一输出端接预测电路2的第二输入端,重采样电路4的第二输出端接状态估计电路5的输入端。
如图2所示,所述的预测电路2,包括第一计数器48,第二计数器49,粒子序号存储器47,粒子状态存储器21,采样电路22,状态估计电路5,选择器23,新生粒子生成器24;第一计数器48的输出端接粒子序号存储器47的第一输入端,第二计数器49的输出端接粒子序号存储器47的第二输入端,粒子序号存储器47的第一输出端接粒子状态存储器21的第一输入端,粒子序号存储器47的第二输出端接粒子状态存储器21的第二输入端,粒子状态存储器21的输出端接采样电路22的第一输入端,状态估计电路5的输出端接采样电路22的第二输入端,采样电路22的输出端接选择器23的第一输入端,新生粒子生成器24接选择器23的第二输入端,新生粒子信号接选择器23的第三输入端,选择器23的输出端接粒子状态存储器21的第三输入端。
表1 第一计数器48的计数方式
如图3所示,所述的更新电路3,包括结构相同的m个观测值处理电路3A,加法运算电路3B和权重更新计算电路3C;其中,每个观测值处理电路3A包括似然函数计算电路31,第一乘法器32,RAM 33,第一加法器34、累加器35、第二加法器36、倒数计算电路37和第二乘法器38;加法运算电路3B包括第三加法器3B1;权重更新计算电路3C包括第四加法器3C1和第三乘法器3C2;观测值1接更新电路3的m个观测值处理电路3A的输入端,每个观测值分别连接到各自对应的似然函数计算电路31的输入端,似然函数计算电路31的输出端连接第一乘法器32的第一输入端,第一乘法器32的第二输入端连接检测到概率,第一乘法器32的输出端接RAM 33的输入端和第一加法器34的第一输入端,RAM 33的输出端连接第二乘法器38的第一输入端,第一加法器34的第二输入端连接预测权重,第一加法器34的输出端连接累加器35的输入端,累加器35的输出端连接第二加法器36的第一输入端,第二加法器36的第二输入端连接杂波密度,第二加法器36的输出连接倒数计算电路37的输入端,倒数计算电路37的输出端连接乘法器38的第二输入端,乘法器38的输出端连接第三加法器3B1的输入端,第三加法器3B1的输出端连接第四加法器3C1的第一输入端,第四加法器3C1的第二输入端连接未检测到概率,第四加法器3C1的输出端连接第三乘法器3C2的第一输入端,第三乘法器3C2的第二输入端连接预测权重。
如图4所示,所述的重采样电路4,包括第一计数器41,粒子权值存储器42,比较器43,第二计数器44,第三计数器45,选择器46,粒子序号存储器47;第一计数器41的输出端接粒子权值存储器42的输入端和粒子序号存储器47的第一输入端,粒子权值存储器42的输出端接比较器43的第一输入端,阈值T接比较器43的第二输入端,比较器43的第一输出端接第二计数器44的输入端,第二计数器44的输出端接选择器46的第一输入端,比较器46的第二输出端接第三计数器45的输入端,第三计数器45的输出端接选择器46的第二输入端,选择器46的输出端接粒子序号存储器47的第二输入端。
假定观测值处理电路数目m为9,区域内目标最大数n等于3,杂波的位置通过泊松过程产生,均值p等于3,则以小概率事件计算,杂波的最大数目为6。实际中每次用到观测值处理电路小于等于9。
k时刻,在重采样电路中,重采样前,粒子的权值存放于粒子权值存储器42中,重采样开始时,由第一计数器41从1到2048控制逐一读取权值,比较器用于对粒子的权值与所选的固定阈值T进行比较,从而决定该粒子是选取还是丢弃。如果粒子的权值比阈值大,则由第三计数器45控制,将其粒子序号从最低地址开始写入粒子序号存储器47中;而如果粒子的权值比阈值小,则由第二计数器44控制,将其粒子序号从最高地址写入粒子序号存储器中。重采样结束后,粒子序号存储器的低Ns部分存储着权值较高的粒子序号,而高Nd部分存储着权值较低的粒子序号,粒子序号存储器47在第一计数器48的控制下从地址0到Ns-1被反复读取1024次,读取的粒子序号作为地址从粒子状态存储器21中读取相应的粒子状态,进入采样电路22更新后,由第二计数器49从粒子序号存储器47中从最高地址开始顺序读取一个粒子序号作为写地址,往粒子状态存储器21中写入新状态,由于在采样电路22中,采用当前统计模型来采样多目标后验概率分布需要用到机动目标当前x方向和y方向上的加速度均值,而加速度均值通过状态估计电路5在计算机或者DSP上计算获得,因此前一时刻状态估计单路5对目标的加速度均值进行计算后,需要反馈到采样电路22中,用于当前时刻对目标后验概率分布进行采样。每一时刻的粒子序号通过重采样之后送入状态估计电路5做状态估计。1024个存活粒子的状态更新完毕之后,新生粒子生成器24生成新生粒子状态,通过选择器23选择,继续由第二计数器49由1024的位置开始往低地址的方向从粒子序号存储器47中读取一个粒子序号作为写地址,在粒子状态存储器21中写入新生粒子状态。新生粒子的数目为1024。
在更新电路3中,每个观测值将进入观测值处理电路3A进行计算。以第i个观测值为例,观测值进入似然函数计算电路31,和所有的2048个粒子分别计算似然函数,结果乘上检测到概率,乘积存入RAM 33,同时乘积值和预测权重相乘,输出2048个乘积进入累加器35求累加和,累加和加上杂波密度,计算得到的和进入倒数计算电路37求取倒数,此倒数值和RAM 33中存放的2048个值相乘并输出到加法运算电路3B。共有至多9组乘积同时输入到加法运算电路3B,在第三加法器3B1中求和,结果输出到权重更新计算电路3C与未检测到概率相加,得到的和再乘上预测权重,从而获得更新权重值。
如图5所示,为设计方法软件仿真和滤波器的误差比较。滤波器和软件模拟仿真结果具有相当的性能,证明一种基于当前统计模型的概率假设密度粒子滤波器的设计方法及滤波器具有可行性。
Claims (5)
1.一种基于当前统计模型的概率假设密度粒子滤波器的设计方法,其特征在于:
1) 在预测电路中,为了跟踪机动多目标,采用当前统计模型对目标的后验概率分布进行采样得到粒子分布;
2) 对于每一个观测值,所有粒子都需要参与一个观测值处理电路;由于选取的观测值过多会带来时延从而影响实时性,所以综合考虑性能和实时性,选择使用m个观测值参与更新电路的运算,其中机动多目标的最大数为n,杂波数目通过泊松过程产生,均值为p,以小概率事件计算,杂波的最大数目为m–n,所用到的观测值处理电路小于等于m;
3) 考虑到系统重采样算法必须在获得所有粒子的权值及其权值之和才开始运行,不利于流水运行,从而影响实时性,因此考虑选择固定的阈值,使用简化重采样算法,在获得粒子及其权值时即刻开始运行重采样操作,而无需等待所有粒子的生成,且易于并行实现;
4) 在状态估计电路中,需要计算机动目标当前加速度均值,并将其返回到预测电路,用于下一时刻利用当前统计模型对目标的后验概率分布进行采样;
5) 滤波器使用粒子来表征目标的后验概率分布,由于粒子滤波器的性能和粒子的数目成正比,但是在硬件电路中,粒子数目过多会带来延时从而影响实时性,所以综合考虑性能和实时性,选择使用1024个粒子用于存活粒子,另外1024个粒子用于新生粒子;
6) 在滤波器设计方法中,估计目标的状态值需要用到聚类算法,这一步骤将使用软件计算或者DSP处理,硬件电路不做具体处理。
2.根据权利要求1所述方法的一种基于当前统计模型的概率假设密度粒子滤波器,其特征在于:包括预测电路(2)、更新电路(3)、重采样电路(4)和状态估计电路(5);观测值(1)接更新电路(3)的第一输入端,预测电路(2)的第一输入端接状态估计电路(5)的第一输出端,预测电路(2)的输出端接更新电路(3)的第二输入端,更新电路(3)的输出端接重采样电路(4)的输入端,重采样电路(4)的第一输出端接预测电路(2)的第二输入端,重采样电路(4)的第二输出端接状态估计电路(5)的输入端。
3.根据权利要求2所述的一种基于当前统计模型的概率假设密度粒子滤波器,其特征在于:所述的预测电路(2),包括第一计数器(48),第二计数器(49),粒子序号存储器(47),粒子状态存储器(21),采样电路(22),状态估计电路(5),选择器(23),新生粒子生成器(24);第一计数器(48)的输出端接粒子序号存储器(47)的第一输入端,第二计数器(49)的输出端接粒子序号存储器(47)的第二输入端,粒子序号存储器(47)的第一输出端接粒子状态存储器(21)的第一输入端,粒子序号存储器(47)的第二输出端接粒子状态存储器(21)的第二输入端,粒子状态存储器(21)的输出端接采样电路(22)的第一输入端,状态估计电路(5)的输出端接采样电路(22)的第二输入端,采样电路(22)的输出端接选择器(23)的第一输入端,新生粒子生成器(24)接选择器(23)的第二输入端,新生粒子信号接选择器(23)的第三输入端,选择器(23)的输出端接粒子状态存储器(21)的第三输入端。
4.根据权利要求2所述的一种基于当前统计模型的概率假设密度粒子滤波器,其特征在于:所述的更新电路(3),包括结构相同的m个观测值处理电路(3A),加法运算电路(3B)和权重更新计算电路(3C);其中:每个观测值处理电路(3A)包括似然函数计算电路(31),第一乘法器(32),RAM(33),第一加法器(34)、累加器(35)、第二加法器(36)、倒数计算电路(37)和第二乘法器(38);加法运算电路(3B)包括第三加法器(3B1);权重更新计算电路(3C)包括第四加法器(3C1)和第三乘法器(3C2);观测值(1)接更新电路(3)的m个观测值处理电路(3A)的输入端,每个观测值分别连接到各自对应的似然函数计算电路(31)的输入端,似然函数计算电路(31)的输出端连接第一乘法器(32)的第一输入端,第一乘法器(32)的第二输入端连接检测到概率 ,第一乘法器(32)的输出端接RAM(33)的输入端和第一加法器(34)的第一输入端,RAM(33)的输出端连接第二乘法器(38)的第一输入端,第一加法器(34)的第二输入端连接预测权重,第一加法器(34)的输出端连接累加器(35)的输入端,累加器(35)的输出端连接第二加法器(36)的第一输入端,第二加法器(36)的第二输入端连接杂波密度,第二加法器(36)的输出连接倒数计算电路(37)的输入端,倒数计算电路(37)的输出端连接乘法器(38)的第二输入端,乘法器(38)的输出端连接第三加法器(3B1)的输入端,第三加法器(3B1)的输出端连接第四加法器(3C1)的第一输入端,第四加法器(3C1)的第二输入端连接未检测到概率,第四加法器(3C1)的输出端连接第三乘法器(3C2)的第一输入端,第三乘法器(3C2)的第二输入端连接预测权重。
5.根据权利要求2所述的一种基于当前统计模型的概率假设密度粒子滤波器,其特征在于:所述的重采样电路(4),包括第一计数器(41),粒子权值存储器(42),比较器(43),第二计数器(44),第三计数器(45),选择器(46),粒子序号存储器(47);第一计数器(41)的输出端接粒子权值存储器(42)的输入端和粒子序号存储器(47)的第一输入端,粒子权值存储器(42)的输出端接比较器(43)的第一输入端,阈值T接比较器(43)的第二输入端,比较器(43)的第一输出端接第二计数器(44)的输入端,第二计数器(44)的输出端接选择器(46)的第一输入端,比较器(43)的第二输出端接第三计数器(45)的输入端,第三计数器(45)的输出端接选择器(46)的第二输入端,选择器(46)的输出端接粒子序号存储器(47)的第二输入端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110109956A CN102307041A (zh) | 2011-04-29 | 2011-04-29 | 当前统计模型的概率假设密度粒子滤波器的设计及滤波器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110109956A CN102307041A (zh) | 2011-04-29 | 2011-04-29 | 当前统计模型的概率假设密度粒子滤波器的设计及滤波器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102307041A true CN102307041A (zh) | 2012-01-04 |
Family
ID=45380863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110109956A Pending CN102307041A (zh) | 2011-04-29 | 2011-04-29 | 当前统计模型的概率假设密度粒子滤波器的设计及滤波器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102307041A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324835A (zh) * | 2013-05-30 | 2013-09-25 | 深圳大学 | 概率假设密度滤波器目标信息的保持方法及信息保持系统 |
CN103679753A (zh) * | 2013-12-16 | 2014-03-26 | 深圳大学 | 一种概率假设密度滤波器的轨迹标识方法及轨迹标识系统 |
CN106772401A (zh) * | 2016-12-23 | 2017-05-31 | 浙江大学 | 基于概率假设密度粒子滤波算法的鱼群数量估计方法 |
CN107040176A (zh) * | 2017-06-12 | 2017-08-11 | 武汉科技大学 | 一种新型步进电机驱动方法及系统 |
CN113987980A (zh) * | 2021-09-23 | 2022-01-28 | 北京连山科技股份有限公司 | 一种图形物理phd流行仿真实现方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050049830A1 (en) * | 2003-06-25 | 2005-03-03 | Kouritzin Michael A. | Selectively resampling particle filter |
CN1866763A (zh) * | 2006-05-11 | 2006-11-22 | 上海交通大学 | 基于粒子滤波的信道估计方法 |
-
2011
- 2011-04-29 CN CN201110109956A patent/CN102307041A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050049830A1 (en) * | 2003-06-25 | 2005-03-03 | Kouritzin Michael A. | Selectively resampling particle filter |
CN1866763A (zh) * | 2006-05-11 | 2006-11-22 | 上海交通大学 | 基于粒子滤波的信道估计方法 |
Non-Patent Citations (2)
Title |
---|
MENGJUN JIN等: "Current Statistical Model Probability Hypothesis Density Filter for Multiple Maneuvering Targets Tracking", 《INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATION AND SIGNAL PROCESSING,2009.WCSP 2009》 * |
洪少华等: "用于纯方位跟踪的简化粒子滤波算法及其硬件实现", 《电子与信息学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324835A (zh) * | 2013-05-30 | 2013-09-25 | 深圳大学 | 概率假设密度滤波器目标信息的保持方法及信息保持系统 |
CN103324835B (zh) * | 2013-05-30 | 2016-09-28 | 深圳大学 | 概率假设密度滤波器目标信息的保持方法及信息保持系统 |
CN103679753A (zh) * | 2013-12-16 | 2014-03-26 | 深圳大学 | 一种概率假设密度滤波器的轨迹标识方法及轨迹标识系统 |
CN106772401A (zh) * | 2016-12-23 | 2017-05-31 | 浙江大学 | 基于概率假设密度粒子滤波算法的鱼群数量估计方法 |
CN107040176A (zh) * | 2017-06-12 | 2017-08-11 | 武汉科技大学 | 一种新型步进电机驱动方法及系统 |
CN113987980A (zh) * | 2021-09-23 | 2022-01-28 | 北京连山科技股份有限公司 | 一种图形物理phd流行仿真实现方法 |
CN113987980B (zh) * | 2021-09-23 | 2022-05-20 | 北京连山科技股份有限公司 | 一种图形物理phd流行仿真实现方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832575B (zh) | 基于伪测量的带反馈机动目标异步航迹融合算法 | |
US9562965B2 (en) | Two-stage filtering based method for multiple target tracking | |
CN102064783B (zh) | 一种概率假设密度粒子滤波器的设计方法及滤波器 | |
CN104730537B (zh) | 基于多尺度模型的红外/激光雷达数据融合目标跟踪方法 | |
CN102307041A (zh) | 当前统计模型的概率假设密度粒子滤波器的设计及滤波器 | |
CN110503071A (zh) | 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法 | |
CN111289965B (zh) | 一种多目标雷达快速跟踪方法及系统 | |
Kim et al. | Particle filter for ballistic target tracking with glint noise | |
CN110530424B (zh) | 一种基于目标威胁度的空中目标传感器管理方法 | |
CN110865343A (zh) | 基于lmb的粒子滤波检测前跟踪方法及系统 | |
CN106323272B (zh) | 一种获取航迹起始轨迹的方法及电子设备 | |
CN106168943A (zh) | 一种用于跟踪转弯机动目标的方法及其系统 | |
CN105372653A (zh) | 面向岸基空管雷达系统中一种高效转弯机动目标跟踪方法 | |
Bruno et al. | Improved particle filters for ballistic target tracking | |
Yang et al. | Particle swarm optimization algorithm for passive multi-target tracking | |
CN115204212A (zh) | 一种基于stm-pmbm滤波算法的多目标跟踪方法 | |
Wang et al. | Research on multi-maneuvering target tracking JPDA algorithm | |
CN109474892A (zh) | 基于信息形式的强鲁棒传感器网络目标跟踪方法 | |
Chen et al. | Single-step-lag OOSM algorithm based on unscented transformation | |
Zhifeng et al. | A data fusion algorithm for multi-sensor dynamic system based on Interacting Multiple Model | |
Wang et al. | Turn rate estimation based on curve fitting in maneuvering target tracking | |
Nie et al. | Adaptive tracking algorithm based on 3D variable turn model | |
Yang et al. | Probability hypothesis density filter based on strong tracking MIE for multiple maneuvering target tracking | |
CN108981707A (zh) | 基于时差量测箱粒子phd的被动跟踪多目标方法 | |
Sun et al. | A novel track-before-detect method based on H-PMHT and the polynomial filter |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120104 |