CN106886788B - 基于多指标决策的单目标仿真航迹跟踪难度检测方法 - Google Patents
基于多指标决策的单目标仿真航迹跟踪难度检测方法 Download PDFInfo
- Publication number
- CN106886788B CN106886788B CN201510924087.6A CN201510924087A CN106886788B CN 106886788 B CN106886788 B CN 106886788B CN 201510924087 A CN201510924087 A CN 201510924087A CN 106886788 B CN106886788 B CN 106886788B
- Authority
- CN
- China
- Prior art keywords
- difficulty
- track
- function
- index
- model
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种能够有效评估单目标跟踪系统的基于多指标决策的单目标仿真航迹跟踪难度检测方法,首先采用多运动模型组合的方法生成仿真航迹,选择合适的性能评估指标形成指标集;然后使用合适的滤波算法对不同运动参数下的单个运动模型进行追踪,通过得到跟踪结果的性能指标值,采用模糊隶属度函数构造的方法,建立得到相应模型的参数—难度系数对应函数集合,从而完成了对单模型的难度综合评定;再根据不同的性能指标类型,选择对应的方法实现了从单模型到多模型的难度综合;最后通过样本学习实现了对生成航迹难度优化,从而得到了航迹的最终的跟踪难度。
Description
技术领域
本发明涉及的是一种机动目标跟踪和信息融合评估的技术,具体是基于多指标决策的单目标仿真航迹跟踪难度检测方法。
背景技术
随着信息处理技术的不断发展,基于信息融合的目标跟踪技术也在不断的完善。各种跟踪算法陆续被提出。在很多的领域,研究人员都提出了本领域的目标跟踪基准的设计方法。但是针对机动目标跟踪基准库的设计,却始终没有一个广泛认可的方法。基于这样的现状,本发明旨在提出一种基于多指标决策的单目标跟踪基准库的建立方法。
在当前的航迹评估中,常常被用到的有六种典型仿真场景。对这六条航迹的有效跟踪确实能够体现跟踪算法的性能,但是这几个航迹仅仅只是特例。而后也并没有人给出一种建立目标跟踪Benchmark库的完整方法。有人根据所需的场景要求设计了多个不同情况下的仿真航迹,定性的描述了场景跟踪的难易程度。但这样的定性描述却缺少了说服力,仿真航迹的合理设计一直是一个有待解决的问题。
如何有效的评估出一个跟踪系统的性能,一直是一个没有得到很好解决的问题。其中:有几个难点,一个是测试场景的合理生成是否具有合理性,一个是评价指标集是否具有客观性。要解决上面的问题,首先需要建立的就是个场景的生成的基准库,一方面满足合理性的要求,同时对后面指标集的选择提供参考。
发明内容
本发明针对现有技术存在的上述不足,提出一种基于多指标决策的单目标仿真航迹跟踪难度检测方法,通过合理的组合多个基本运动模型生成仿真的航迹,同时通过有效量化出仿真航迹的跟踪难度,从而可以解决场景生成合理性的问题,进一步实现对单目标跟踪基准库的有效建立,同时保证了基准库的自我完善和不断扩充性。
本发明是通过以下技术方案实现的:
本发明首先采用多运动模型组合的方法生成仿真航迹,选择合适的性能评估指标形成指标集;然后使用合适的滤波算法对不同运动参数下的单个运动模型进行追踪,通过得到跟踪结果的性能指标值,采用模糊隶属度函数构造的方法,建立得到相应模型的参数—难度系数对应函数集合,从而完成了对单模型的难度综合评定;再根据不同的性能指标类型,选择对应的方法实现了从单模型到多模型的难度综合;最后通过样本学习实现了对生成航迹难度优化,从而 得到了航迹的最终的跟踪难度。
所述方法具体包括如下步骤:
步骤A,使用多个单运动模型构成基准库的基础模型组,对于每个单运动模型设定其生成参数,得到一个具体的运动模块,通过组合多个运动模块生成一条仿真航迹;
所述的生成参数包括但不限于:加速度、运动时间、角速度、构成单运动模型的迭代更新方程,通过生成参数即决定单运动模型生成的航迹。
步骤B,使用单个运动模型形成简单航迹,通过模糊化方法将其性能指标值转化成为跟踪难度值,模糊集合可以通过这样的形式表示:假设定义在某一域U上的模糊集F,约定其隶属度函数值u(x)在[0,1]上选取。于是,我们可以利用元素数对的描述方法来表示集合中的元素,其形式为(x,u(x)),利用这样的方式可以将域中的模糊变量转换成为离散的点集。
对于单运动模型,假定该模型跟踪难度值取决于参数α,α的大小会影响单运动模型生成航迹的跟踪难度,将其在足够大的取值区间αi,i=1,2,3...N等步长划分。在设定的场景环境下,其跟踪滤波得到的指定性能指标值设为函数f(αi),i=1,2,3...N的函数值,则有最大值fmax=max(f(αi)),i=1,2,3...N,可以得到隶属度为于是就得到了对应的模糊集合U={(αi,u(αi))},i=1,2,3...N;
步骤C:基于步骤B得到的模糊集合,采用最小二乘法得到对应单模型的难度函数,通过给不同指标意义下的模型函数赋权值就可以得到最后的单模型对应的难度函数集合。
步骤C1:通过最小二乘法拟合上述模糊集合,可以取φ为进行拟合的多项式空间φ=span(1,α,...αn)其中:1,α,...αn,是多项式空间上的线性无关组。则最小二乘意义下的拟合函数为其中:分别代表对应线性无关组的系数,得到最小二乘意义下的s*(α)在给定定义域中求取其最大值smax对数值进行归一化,则最后得到第k个指标下的难度函数可以表示为其中:s*(α)是拟合得到的函数,smax是拟合函数在定义域区间内的最大值;
步骤C2:通过对每个指标赋予权值,构建出单模型函数的整个难度函数集合,对于选定的K个指标,都按照上述的方法来构造对应的难度函数fk(α),k=1,2...K,通过每一个指 标对应的权重值κk来进行综合,有约束在综合评定模型的难度时,根据评价者的实际需要来设定合理的权值,综上可以得到单运动模块的难度函数集,
步骤D,根据不同的指标类型,选取合适的综合方法对难度进行综合:
步骤D1:当选取的指标是基于全局平均的指标,则可以按照下面的方法进行综合:对于一条由多个运动模块组成的综合航迹,有一个基于全局平均指标的函数为f(α),当每个运动模块的机动时间为ti,于是有总的运动时间为设Benchmark库中有M个运动模块,每个模型的平均性能指标最难值为于是有其中:RMAX为Benchmark库中的单模型的平均性能指标最难值,则有于是得到基于全局平均指标的多运动模块组合航迹的难度量化公式为
所述的Benchmark库由多条典型跟踪测试航迹和测试航迹生成算法构成。
步骤D2:基于全局平均指标值的权值确定方法,当有一个基于全局最大指标的函数为f(α),则在多个运动模块中利用求取最大值的方法确定整体航迹的难度,有u=max(fi(αi)γi)(i=1,2...m),其中:γi为相对难度权值,EMAX为Benchmark库中的单模型的最大性能指标最难值,为Benchmark库中每个运动模块的最大性能指标最难值,有
步骤D3:在K个指标下,综合全局平均指标和全局最大指标的难度函数,可以得出完整的计算公式ufinal=κkuk,k=1,2...K。
步骤E:使用样本学习的方法进行优化,通过对样本集合的处理,可以得到不同模型个数对应的优化难度函数值,可以表示为集合其中:表示航迹的运动模块个数以及对应的平均优化函数值,拟合可以得到对应的优化难度函数为g(n)≈λn+η,可以得到航迹的最终的跟踪难度uop=ufinalg(n)。
本发明涉及一种实现上述方法的单目标仿真航迹跟踪难度检测系统,包括:测试航迹的生成模块、综合难度计算模块、自适应样本学习优化模块,其中:航迹生成模块生成相应的测试航迹,综合难度计算模块计算出生成航迹的跟踪难度值,并根据自适应样本学习得到的优化函数对跟踪难度进行优化,完成仿真航迹的建立
技术效果
本发明提出的建立单目标跟踪基准库的技术,可以有效的生成,评定,反馈设计目标跟踪所需要的测试航迹,有较高的实用价值。
附图说明
图1为本发明方法流程图。
图2为本发明建立的基准库的结构图。
图3为利用本发明的基准库生成的经典测试航迹。
图4为利用本发明的难度函数构建方法得到的CA模型难度函数一。
图5为利用本发明的难度函数构建方法得到的CA模型难度函数二。
图6为利用本发明的难度函数构建方法得到的CT模型难度函数二。
图7为利用本发明的难度函数构建方法得到的CT模型难度函数二。
图8为利用本发明的航迹构建方法得出的一条固定跟踪难度的航迹。
图9为现有技术根据随机方法生成的航迹示意图。
具体实施方式
如图1所示,本实施例包括以下步骤:
步骤1,选用匀加速模型和匀速转弯模型作为基础模型:
步骤1.1:首先根据航迹的要求,选择合适的运动模型,设计相应的运动参数。组合多个模型后,利用上述的基础模型可以生成所需要的仿真航迹;
步骤1.2:采用CS和CV模型组合的交互多模型滤波方法对由单个运动模型组成的航迹进行跟踪,采用全局平均RMSE和全局最大RMSE两个指标来形成最后的指标集合;
步骤2,构造单模型函数集:
步骤2.1:为了突出变化参数对跟踪结果的影响,应该采用控制变量法,即每次使用相同的滤波算法,在同样的噪声环境下进行跟踪,以此来保证结果的合理性。根据本发明所选的运动模型,一般认为三个维度上是解耦和的,故此,考虑其中:一维的机动即可。
步骤2.2在CA模型中,对跟踪效果起到决定性作用的是加速度,根据上述算法,在任一维度上进行机动,其余维不机动。在合理的场景设计下,采用IMM滤波算法,滤波模型为CV和CS的组合以保证公正性,观测噪声为50。根据跟踪结果的数据分布特点,本发明采用了三阶模型进行拟合,选择不同的加速度,使用滤波算法得到不同情况下的RMSE,其中:全局最大平均RMSE为通过前文所述的模糊化方法可以到隶属度函数值为u,使用最小二乘法拟合得到近似的难度函数为:
综合上面的结果可以得出CA模型的难度函数集为:
步骤2.4对于CT模型,涉及到转弯加速度和转弯角速度两个变化量,同样利用所述的量化算法,本发明采用控制变量的策略考虑不同加速度a的情况下随着角速度w的变化,跟踪效果的差异,不同的加速度只会影响到RMSE的上界,并不会影响到RMSE的变化趋势,于是对于全局平均RMSE,可以拟合得出的结果如图6,此时对应的最小二乘拟合函数表示为:
步骤2.5:使用全局最大RMSE作为评估指标,采用和上述相同的处理方法,可以得到如图7所示的结果,对应有最大同理,通过最小二乘法拟合图中的离散点可以得到难度函数为:
综合上面的结果可以得出CT模型的难度函数集合为:
步骤2.6,本次选择侧重考虑全局的跟踪特性,同时也要体现局部的难点,故此,本发明选择κ1=0.8,κ2=0.2这样的一组权值来评定综合难度。
步骤2.7:通过已有的难度函数以及其计算得出的难度值,综合得出样本集合,如下表
通过自适应样本学习可以得出,难度优化函数为g(n)=0.0153n+1.5872.。
步骤3.1:按照全局平均指标计算出了航迹难度1,按照全局最大性能指标计算出了航迹难度2,进行加权综合得到了综合难度,再通过上述样本学习得到的模块因子,可以计算出航迹的修正难度。其结果如下表所示意
步骤4在本发明的基准库中,根据给定的航迹难度值,通过反馈计算可以得出相应的运动模型个数以及模型的运动参数,从而设计出所需要的航迹:
步骤4.1:某评估跟踪系统需要一个难度适中的包含有转弯,Z轴机动的航迹用于测试评估系统的性能,基于上述的要求,可以设计修正难度值确定的一条航迹,首先根据运动模块的个数,大致估计出航迹的综合难度,在根据单运动模块对应的难度函数推导出参数,由此就可以确定航迹的运动模块,组合生成就可以得到所需的航迹。根据上面的方法我们建立一个难度在[0.4,0.6]内的一个包括Z轴运动的四个模块机动航迹,可以很容易的设计出下面的参数表:
步骤4.2:利用这样的一组参数可以生成的航迹如图8,这样就完成了一组合理航迹的设计。
与现有技术相比,本发明经测试得到的实验数据效果为:现有的技术根据随机方法生成的航迹如图9所示,显然这样生成的航迹质量明显差于本发明所提出的方法,本发明生成的航 迹更加的光滑,在拐弯处更加合理。同时现有的技术并没有给出一个计算航迹难度的策略,不能体现出不同航迹的差异性,本发明所提出的航迹构建方法在航迹生成,航迹难度计算两个方面都优于传统方法。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (4)
1.一种基于多指标决策的单目标仿真航迹跟踪难度检测方法,其特征在于,首先采用多个单运动模型组合的方法生成仿真航迹,然后使用CS和CV模型组合的交互多模型滤波方法对不同运动参数下的单运动模型进行追踪,得到跟踪结果的全局平均RMSE和全局最大RMSE性能指标值;再采用模糊处理得到隶属度函数值,建立得到单运动模型的运动参数-难度系数的对应函数集合;再根据不同的性能指标类型,选择对应的方法实现了从单模型到多模型的难度综合;最后通过样本学习实现了对生成航迹难度优化,从而得到了航迹的最终的跟踪难度;
所述方法具体包括如下步骤:
步骤A,使用多个单运动模型构成基准库的基础模型组,对于每个单运动模型设定其生成参数,得到一个具体的运动模块,通过组合多个运动模块生成一条仿真航迹;
步骤B,使用单个运动模型形成简单航迹,通过模糊化方法将其性能指标值转化成为跟踪难度值,模糊集合通过这样的形式表示:假设定义在某一域U上的模糊集F,约定其隶属度函数值u(x)在[0,1]上选取,于是,我们利用元素数对的描述方法来表示集合中的元素,其形式为(x,u(x)),利用这样的方式将域中的模糊变量转换成为离散的点集,该跟踪难度值取决于参数α,α的大小会影响单运动模型生成航迹的跟踪难度,将其在足够大的取值区间αi,i=1,2,3...N等步长划分,在设定的场景环境下,其跟踪滤波得到的指定性能指标值设为函数f(αi),i=1,2,3...N的函数值,则有最大值fmax=max(f(αi)),i=1,2,3...N,得到隶属度为于是就得到了对应的模糊集合U={(αi,u(αi))},i=1,2,3...N;
步骤C:基于步骤B得到的模糊集合,采用最小二乘法得到对应单模型的难度函数,通过给不同指标意义下的模型函数赋权值就得到最后的单模型对应的难度函数集合;
步骤D,根据不同的指标类型,选取合适的综合方法对难度进行综合;
步骤E:使用样本学习的方法进行优化,通过对样本集合的处理,得到不同模型个数对应的优化难度函数值,表示为集合其中:表示航迹的运动模块个数以及对应的平均优化函数值,拟合得到对应的优化难度函数为g(n)≈λn+η,进而得到航迹的最终的跟踪难度uop=ufinalg(n)。
2.根据权利要求1所述的方法,其特征是,所述的步骤C,具体包括:
步骤C1:通过最小二乘法拟合上述模糊集合,取φ为进行拟合的多项式空间φ=span(1,α,...αn),其中:1,α,...αn,是多项式空间上的线性无关组,则最小二乘意义下的拟合函数为其中:分别代表对应线性无关组的系数,得到最小二乘意义下的s*(α)在给定定义域中求取其最大值smax对数值进行归一化,则最后得到第k个指标下的难度函数表示为其中:s*(α)是拟合得到的函数,smax是拟合函数在定义域区间内的最大值;
3.根据权利要求1所述的方法,其特征是,所述的步骤D具体包括:
步骤D1:当选取的指标是基于全局平均的指标,则按照下面的方法进行综合:对于一条由多个运动模块组成的综合航迹,有一个基于全局平均指标的函数为f(α),当每个运动模块的机动时间为ti,于是有总的运动时间为设Benchmark库中有M个运动模块,每个模型的平均性能指标最难值为于是有其中:RMAX为Benchmark库中的单模型的平均性能指标最难值,则有于是得到基于全局平均指标的多运动模块组合航迹的难度量化公式为
步骤D2:基于全局平均指标值的权值确定方法,当有一个基于全局最大指标的函数为f(α),则在多个运动模块中利用求取最大值的方法确定整体航迹的难度,有u=max(fi(αi)γi),i=1,2...m,其中:γi为相对难度权值,EMAX为Benchmark库中的单模型的最大性能指标最难值,为Benchmark库中每个运动模块的最大性能指标最难值,有
步骤D3:在K个指标下,综合全局平均指标和全局最大指标的难度函数,得出完整的计算公式ufinal=κkuk,k=1,2...K。
4.一种实现上述任一权利要求所述方法的跟踪难度检测系统,其特征在于,包括:测试航迹的生成模块、综合难度计算模块、自适应样本学习优化模块,其中:航迹生成模块生成相应的测试航迹,综合难度计算模块计算出生成航迹的跟踪难度值,并根据自适应样本学习得到的优化函数对跟踪难度进行优化,完成仿真航迹的建立。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510924087.6A CN106886788B (zh) | 2015-12-11 | 2015-12-11 | 基于多指标决策的单目标仿真航迹跟踪难度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510924087.6A CN106886788B (zh) | 2015-12-11 | 2015-12-11 | 基于多指标决策的单目标仿真航迹跟踪难度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106886788A CN106886788A (zh) | 2017-06-23 |
CN106886788B true CN106886788B (zh) | 2020-02-18 |
Family
ID=59173233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510924087.6A Expired - Fee Related CN106886788B (zh) | 2015-12-11 | 2015-12-11 | 基于多指标决策的单目标仿真航迹跟踪难度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106886788B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110806691A (zh) * | 2018-08-06 | 2020-02-18 | 上海交通大学 | 带有自适应策略的滚动时域优化无人机航迹规划方法 |
CN109357696B (zh) * | 2018-09-28 | 2020-10-23 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 多源传感器信息融合闭环测试架构 |
CN111190172B (zh) * | 2020-01-08 | 2022-07-29 | 中国船舶重工集团公司第七二四研究所 | 利用目标运动状态模型的同平台多雷达航迹关联判决方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1389808A (zh) * | 2002-07-18 | 2003-01-08 | 上海交通大学 | 机动多目标跟踪方法 |
CN101770024A (zh) * | 2010-01-25 | 2010-07-07 | 上海交通大学 | 多目标跟踪方法 |
CN103076605A (zh) * | 2013-01-06 | 2013-05-01 | 中国电子科技集团公司第十研究所 | 多模式轮询和s模式点名询问的二次雷达航迹录取方法 |
CN104199022A (zh) * | 2014-08-30 | 2014-12-10 | 电子科技大学 | 一种基于目标模态估计的临近空间高超声速目标跟踪方法 |
CN104316058A (zh) * | 2014-11-04 | 2015-01-28 | 东南大学 | 一种采用交互多模型的移动机器人wsn/ins组合导航方法 |
CN104793201A (zh) * | 2015-05-04 | 2015-07-22 | 哈尔滨工业大学 | 一种跟踪临近空间高超声速目标的修正变结构网格交互多模型滤波方法 |
-
2015
- 2015-12-11 CN CN201510924087.6A patent/CN106886788B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1389808A (zh) * | 2002-07-18 | 2003-01-08 | 上海交通大学 | 机动多目标跟踪方法 |
CN101770024A (zh) * | 2010-01-25 | 2010-07-07 | 上海交通大学 | 多目标跟踪方法 |
CN103076605A (zh) * | 2013-01-06 | 2013-05-01 | 中国电子科技集团公司第十研究所 | 多模式轮询和s模式点名询问的二次雷达航迹录取方法 |
CN104199022A (zh) * | 2014-08-30 | 2014-12-10 | 电子科技大学 | 一种基于目标模态估计的临近空间高超声速目标跟踪方法 |
CN104316058A (zh) * | 2014-11-04 | 2015-01-28 | 东南大学 | 一种采用交互多模型的移动机器人wsn/ins组合导航方法 |
CN104793201A (zh) * | 2015-05-04 | 2015-07-22 | 哈尔滨工业大学 | 一种跟踪临近空间高超声速目标的修正变结构网格交互多模型滤波方法 |
Non-Patent Citations (6)
Title |
---|
A Full-Rate Tracking Algorithm of Maneuvering Target Based on Multi-Rate;Ting Cheng 等;《2006 CIE International Conference on Radar》;20061019;1-4 * |
Benchmark for Radar Allocation and Tracking in ECM;W. D. BLAIR 等;《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》;19981031;第34卷(第4期);1097-1114 * |
Optimal orientation in flows: providing a benchmark for animal movement strategies;James D. McLaren 等;《Journal of The Royal Society Interface》;20141006;1-11 * |
一种非线性航迹自适应跟踪控制方法;缪存孝 等;《北京航空航天大学学报》;20120415;第38卷(第4期);13-16 * |
基于交互多模型的低空目标跟踪算法研究;张红旗;《信号与信息处理》;20091205;第39卷(第12期);427-431 * |
基于交互式多模型的红外/雷达低小慢目标跟踪算法研究;戚春 等;《上海航天》;20121225;第29卷(第6期);37-41 * |
Also Published As
Publication number | Publication date |
---|---|
CN106886788A (zh) | 2017-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549233B (zh) | 一种带有直觉模糊信息的无人机空战机动博弈方法 | |
CN108319132B (zh) | 用于无人机空中对抗的决策系统及方法 | |
CN106886788B (zh) | 基于多指标决策的单目标仿真航迹跟踪难度检测方法 | |
CN115470704B (zh) | 一种动态多目标优化方法、装置、设备和计算机可读介质 | |
CN110705690A (zh) | 基于生成模型和元学习优化方法的连续学习方法及系统 | |
Kortvelesy et al. | ModGNN: Expert policy approximation in multi-agent systems with a modular graph neural network architecture | |
CN110674857A (zh) | 一种基于多尺度堆叠网络的广告点击分类方法 | |
CN104376382B (zh) | 面向大规模多Agent系统的非对称分布式约束优化算法及系统 | |
CN111798494A (zh) | 广义相关熵准则下的机动目标鲁棒跟踪方法 | |
CN114971283A (zh) | 一种面向分布式组网雷达多目标跟踪的资源优化调度方法 | |
Khokhar et al. | Utilizing enhanced membership functions to improve the accuracy of a multi-inputs and single-output fuzzy system | |
Li et al. | Learning adversarial policy in multiple scenes environment via multi-agent reinforcement learning | |
CN110851911A (zh) | 终端状态计算模型训练方法、控制序列搜索方法及装置 | |
Abiyev | Fuzzy wavelet neural network for prediction of electricity consumption | |
Pan et al. | Learning navigation policies for mobile robots in deep reinforcement learning with random network distillation | |
CN112232565A (zh) | 基于两阶段的时间序列预测方法、预测系统、终端及介质 | |
Hoogendoorn et al. | Modeling and validation of biased human trust | |
CN108460459A (zh) | 基于小波神经网络的无人机遥感测温中温度拟合的方法 | |
Chen et al. | Multi-robot task allocation based on the modified particle swarm optimization algorithm | |
Liefooghe | Metaheuristics for multiobjective optimisation: Cooperative approaches, uncertainty handling and application in logistics | |
Wright et al. | A generalized algorithm for tuning UAS flight controllers | |
JPH0756617A (ja) | マニピュレータの最適軌道計画法 | |
Agethen et al. | A probabilistic steering parameter model for deterministic motion planning algorithms | |
CN115890738B (zh) | 一种机器人迁移能力评价方法及系统 | |
Xia et al. | Online Optimization and Feedback Elman Neural Network for Maneuvering Target Tracking |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200218 Termination date: 20211211 |