CN108934028A - 一种多伯努利滤波器分布式融合方法 - Google Patents
一种多伯努利滤波器分布式融合方法 Download PDFInfo
- Publication number
- CN108934028A CN108934028A CN201810728259.6A CN201810728259A CN108934028A CN 108934028 A CN108934028 A CN 108934028A CN 201810728259 A CN201810728259 A CN 201810728259A CN 108934028 A CN108934028 A CN 108934028A
- Authority
- CN
- China
- Prior art keywords
- sensor node
- bernoulli jacob
- fusion
- target
- indicate
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种多伯努利滤波器分布式融合方法,其包括对传感器网络各传感器节点采用多伯努利滤波器实现本地滤波,并通过通信链路接收其邻近节点的多伯努利后验分布,然后基于广义协方差交集信息熵实现传感器间目标航迹的联合分组,最后在每一目标航迹分组下计算多伯努利滤波器分布式融合的各个参数,并得到融合后验多伯努利分布参数。本发明在大批量目标条件下能够高效地实现多伯努利滤波器分布式融合,并且具有近似误差小,实现复杂度低等优点。
Description
技术领域
本发明属于多传感器融合领域,具体涉及一种多伯努利滤波器分布式融合方法。
背景技术
单传感器探测系统因其探测视角单一、探测能力单一、探测环境复杂多样等原因,无法达到时变多目标的精准有效探测目的,亟需一种立足于多向散射机理的传感器网络探测系统,以满足复杂探测场景中多目标的稳定、持续探测任务需求。另一方面,随着小型化探测器的计算、存储、通信能力提升,由该型探测器构建的多传感器网络系统备受青睐,该系统为多目标探测提供了目标多样化信息采集平台。
多传感器多目标跟踪技术是实现多传感器网络系统目标探测任务的重要途径。传统集中式多传感器融合需要每个传感器节点不进行本地滤波处理,而是将原始量测数据传输到融合中心节点,然后融合中心节点联合所有节点量测数据进行滤波处理,最后融合后信息反馈给各本地节点,以进一步提升多目标跟踪性能。因此,集中式算法的目标跟踪性能是最优的。然而,由于需要将所有节点量测数据传输到融合中心,通信代价高昂,同时集中式处理结构复杂,容易出现单点故障、网络可延展性差等问题。
由于分布式融合技术具有通信代价低、容错率高、鲁棒性强等一系列优势,该技术的发展备受青睐,尤其近20~30年该技术已被广泛应用于广域区域的监视与监测任务,其典型应用从民用范围,包括污染源监测,交通管控,汽车防撞,移动通信等传感器网络,到军事领域的水声探测的声纳阵列网络、国土防空的雷达网络、隐身目标探测的主/被雷达协同网络等。相比于集中式融合算法已展开的研究工作,分布式多传感器多目标跟踪技术的研究仍在探索阶段,其理论研究、算法实现、工程应用等方面还存在诸多亟待解决的问题。
分布式融合技术的本质是实现传感器网络内各节点多目标后验分布的融合,为了获得优异、稳定的融合性能,本地节点多目标跟踪问题需建立在完备的理论框架下。在实际多目标跟踪场景中,面临着目标出生死亡时刻未知、目标个数时变未知、传感器量测数据构成复杂、量测个数时变未知、量测与目标关联关系时变未知等难题。面对这些难题,现有的多目标跟踪算法由于其理论支撑的局限性无法将这些问题建立统一的数学模型,因此只能采用临时的(adhoc)策略进行处理,例如单目标卡尔曼滤波器、数据关联算法与航迹管理策略相结合。虽然这些ad-hoc的处理方法是有效的工程解,但是其理论最优性难以得到验证。
2007年,R.Mahler将有限集统计论(Finite Set Statistics,FISST)引入到多目标跟踪问题中,利用随机有限集合的数学特性,建立了包括目标出生、死亡和单个目标状态转移模型的多目标马尔科夫转移函数和包括虚警、漏检以及目标量测不确定关联关系的多目标似然函数等数学模型,并结合最优贝叶斯滤波器,提出多目标跟踪问题的最优解,即多目标贝叶斯滤波器。然而,由于计算过程中涉及到集合积分,多目标贝叶斯滤波器面临高维度和组合爆炸双重问题。为了实际工程实现,基于各类合理近似,R.Mahler和B.T.Vo等人相继提出非标号随机集合滤波器,包括Probability Hypothesis Density(PHD)/Cardinalized PHD(CPHD)滤波器、multi-Bernoulli(MB)滤波器等,以及标号随机集合滤波器等。
多伯努利滤波器是很好地平衡算法性能与计算量关系的非标号随机集合滤波器,具有性能稳定、鲁棒性更强等优点。目前,MB滤波器已经被成功应用到许多实际问题中,例如雷达目标跟踪,图像数据跟踪,地面目标跟踪,传感器管理,声频和视频数据跟踪,视觉数据跟踪和细胞跟踪,和移动多目标跟踪等其它应用。然而,基于多伯努利滤波器的GCI融合解析形式数学表达式实现多目标后验分布融合时,存在计算资源代价高,融合结构复杂等缺点,使得未经优化的分布式融合算法在无法满足分布式传感器网络所要求本地节点信息处理实时性高,节点间信息传输延时短需求,因此亟需一种较未经优化的分布式融合算法具有性能稳健、高效、融合结构简洁的高效实现方法,以接近或达到分布式实时处理实际需求,是把将分布式多伯努利滤波器融合技术应用到更广泛实际应用场景中的关键。
发明内容
本发明的发明目的是:为了解决现有技术中存在的以上问题,本发明提出了一种多伯努利滤波器分布式融合方法。
本发明的技术方案是:一种多伯努利滤波器分布式融合方法,包括以下步骤:
A、对各个本地传感器节点均采用多伯努利滤波器进行本地滤波;
B、利用传感器节点接收本地传感器节点及其邻近节点多伯努利分布后验分布信息;
C、初始化传感器节点集合的元素序号,并对传感器节点融合后多伯努利分布进行初始化处理;
D、根据传感器节点集合的元素序号进行迭代,将传感器节点及其邻近节点融合后的多伯努利分布所对应目标索引集合进行联合分组处理;
E、根据步骤D的联合分组结果,进行并行分组多伯努利分布融合处理;
F、判断传感器节点集合的元素序号是否小于传感器节点获得的多伯努利分布后验分布总数;若是,则返回步骤D;若否,则得到融合后多伯努利分布参数。
进一步地,所述步骤A中传感器节点s输出的多伯努利后验分布参数表征为其中表示传感器节点s的目标航迹索引号集合,x表示单目标动力学状态,表示传感器节点s目标索引号为的目标存在概率,表示传感器节点s目标索引号为的目标位置密度分布。
进一步地,所述步骤B中传感器节点s获得的多伯努利分布后验集合表示其中表示传感器节点s与其邻近节点传感器的集合,s'表示传感器节点集合中的元素序号,表示传感器节点集合中第s'个传感器节点的目标存在概率,表示传感器节点集合中第s'个传感器节点的目标位置密度分布,表示传感器节点集合中第s'个传感器节点的目标航迹索引号集合。
进一步地,所述步骤C初始化传感器节点集合的元素序号,并对传感器节点融合后多伯努利分布进行初始化处理,具体为:
令传感器节点集合的元素序号s'=1,对传感器节点融合后多伯努利分布进行初始化处理,表示为
其中,πω表示融合后多伯努利分布,表示融合后目标索引号为的目标存在概率,表示融合后目标索引号为的目标位置密度分布,表示融合后的目标航迹索引号集合。
进一步地,所述步骤D中将传感器节点及其邻近节点融合后的多伯努利分布所对应目标索引集合进行联合分组处理,具体包括以下分步骤:
D1、选取广义协方差交集信息熵作为联合分组准则,将任意和对应的广义协方差交集信息熵表示为
其中,ln表示去自然对数运算,ω1表示融合后多伯努利后验分布的融合权重,ω2表示传感器节点集合中第s'个传感器节点对应多伯努利后验分布的融合权重,∫·dx表示积分运算;
D2、初始化联合分组,表示为
其中,表示第i个初始化分组,Γ表示给定的分组门限,|·|表示取模运算;
D3、将含有公共目标航迹的任意初始化分组和进行联合分组合并,表示为
其中,表示初始化分组和合并后分组,表示融合后多伯努利后验分布第i组目标航迹索引集合,表示传感器节点集合中第s'个传感器节点对应多伯努利后验分布的第i组目标航迹索引集合;
D4、重复步骤D3直至组间没有公共目标,得到N组关于融合后多伯努利后验分布所表征目标航迹与传感器节点集合中第s'个传感器节点对应多伯努利后验分布所表征目标航迹的联合分组,记为其中
进一步地,所述步骤E根据步骤D的联合分组结果,进行并行分组多伯努利分布融合处理,具体包括以下分步骤:
E1、初始化组数g,令g=1;
E2、建立与间的假设航迹映射函数θ: 表示中航迹索引号在中的映射航迹索引号;
E3、进行第g组多伯努利分布融合,融合后多伯努利分布参数表征为
E4、判断组数g是否小于总组数N;若是,则将组数g递增1,返回步骤E2;如否,则操作结束。
本发明的有益效果是:本发明首先对传感器网络各传感器节点采用多伯努利滤波器实现本地滤波,并通过通信链路接收其邻近节点的多伯努利后验分布,然后基于广义协方差交集信息熵实现传感器间目标航迹的联合分组,最后在每一目标航迹分组下计算多伯努利滤波器分布式融合的各个参数,并得到融合后验多伯努利分布参数,从而在大批量目标条件下高效地实现多伯努利滤波器分布式融合,并且具有近似误差小,实现复杂度低等优点。
附图说明
图1为本发明的多伯努利滤波器分布式融合方法的流程示意图;
图2为本发明实施例中传感器网络结构示意图;
图3为本发明实施例中不同算法计算资源消耗对比示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,为本发明的多伯努利滤波器分布式融合方法的流程示意图。一种多伯努利滤波器分布式融合方法,包括以下步骤:
A、对各个本地传感器节点均采用多伯努利滤波器进行本地滤波;
B、利用传感器节点接收本地传感器节点及其邻近节点多伯努利分布后验分布信息;
C、初始化传感器节点集合的元素序号,并对传感器节点融合后多伯努利分布进行初始化处理;
D、根据传感器节点集合的元素序号进行迭代,将传感器节点及其邻近节点融合后的多伯努利分布所对应目标索引集合进行联合分组处理;
E、根据步骤D的联合分组结果,进行并行分组多伯努利分布融合处理;
F、判断传感器节点集合的元素序号是否小于传感器节点获得的多伯努利分布后验分布总数;若是,则返回步骤D;若否,则得到融合后多伯努利分布参数。
在本发明的一个可选实施例中,上述步骤A对各个本地传感器节点均采用多伯努利滤波器进行本地滤波,传感器节点s输出的多伯努利后验分布参数表征为
其中,表示传感器节点s的目标航迹索引号集合,x表示单目标动力学状态,表示传感器节点s目标索引号为目标的存在概率,表示传感器节点s目标索引号为目标的密度分布。如图2所示,为本发明实施例中传感器网络结构示意图。
在本发明的一个可选实施例中,上述步骤B利用传感器节点s接收本地传感器节点及其邻近节点多伯努利分布后验分布信息,传感器节点s获得的多伯努利分布后验集合表示为
其中,表示传感器节点s与其邻近节点传感器的集合,s'表示传感器节点集合中的元素序号,即传感器节点集合中的第s'个元素,表示传感器节点集合中第s'个传感器节点的目标存在概率,表示传感器节点集合中第s'个传感器节点的目标位置密度分布,表示传感器节点集合中第s'个传感器节点的目标航迹索引号集合。
在本发明的一个可选实施例中,上述步骤C初始化传感器节点集合的元素序号,即选取传感器节点集合的第一个元素,令传感器节点集合的元素序号s'=1,对传感器节点融合后多伯努利分布进行初始化处理,表示为
其中,πω表示融合后多伯努利分布,表示融合后目标索引号为的目标存在概率,表示融合后目标索引号为的目标位置密度分布,表示融合后的目标航迹索引号集合,
在本发明的一个可选实施例中,上述步骤D遍历传感器节点集合中的元素,根据传感器节点集合的元素序号进行迭代,即递增s'=s'+1;再将传感器节点及其邻近节点融合后的多伯努利分布所对应目标索引集合进行联合分组处理,具体包括以下分步骤:
D1、选取广义协方差交集信息熵作为联合分组准则,将任意和对应的广义协方差交集信息熵表示为
其中,ln表示取自然对数运算,ω1表示融合后多伯努利后验分布的融合权重,ω2表示传感器节点集合中第s'个传感器节点对应多伯努利后验分布的融合权重,∫·dx表示积分运算;这里的ω1和ω2满足条件ω1+ω2=1。
D2、初始化联合分组,表示为
其中,表示第i个初始化分组,Γ表示给定的分组门限,|·|表示取模运算;
令表示融合后多伯努利后验分布第i组目标航迹索引集合;表示传感器节点集合中第s'个传感器节点对应多伯努利后验分布的第i组目标航迹索引集合,则
D3、如果任意初始化分组和中含有公共目标航迹,其中i≠j,即满足关系则将含有公共目标航迹的任意初始化分组和进行联合分组合并,表示为
其中,表示初始化分组和合并后分组,表示融合后多伯努利后验分布第i组目标航迹索引集合,表示传感器节点集合中第s'个传感器节点对应多伯努利后验分布的第i组目标航迹索引集合;
D4、重复步骤D3直至分组之间没有公共目标航迹,从而得到N组关于融合后多伯努利后验分布所表征目标航迹与传感器节点集合中第s'个传感器节点对应多伯努利后验分布所表征目标航迹的联合分组,记为其中
在本发明的一个可选实施例中,上述步骤E根据步骤D的联合分组结果,进行并行分组多伯努利分布融合处理,具体包括以下分步骤:
E1、初始化组数g,令g=1;
E2、建立与间的假设航迹映射函数θ: 表示中航迹索引号在中的映射航迹索引号;θ属于单射函数,对于满足所有可能的航迹映射关系θ构成的大集合记为映射空间Θ,ΘI表示其中Θ的定义域为I的子集;
E3、进行第g组多伯努利分布融合,融合后多伯努利分布参数表征为
其中,表示融合后目标索引号为的目标存在概率,表示融合后目标索引号为的目标位置密度分布,其计算表达式分别为
其中,表示所有子集的集合,表示广义多伯努利分布在(I,θ)假设下权重,表示广义多伯努利分布在(I,θ)假设下目标索引号对应的密度分布,为指示函数,和
其中,表示的未归一化权重,C表示广义多伯努利分布各假设分量权重的归一化系数,融合节点对应密度分布与传感器节点集合中第s'个传感器节点对应密度分布函数融合系数,表示融合节点对应伯努利分布的在I假设分量的权重,表示传感器节点集合中第s'个传感器节点对应伯努利分布的在θ假设分量的权重;
E4、判断组数g是否小于总组数N,即g<N;若是,则将组数g递增1,即g=g+1,返回步骤E2;如否,即g=N,则操作结束。
在本发明的一个可选实施例中,上述步骤F判断传感器节点集合的元素序号是否小于传感器节点获得的多伯努利分布后验分布总数,即若是,则返回步骤D进行迭代;若否,即则得到融合后多伯努利分布参数,表示为
本发明通过传感器间目标航迹联合分组,将多伯努利分布分布式融合简化为多组相互独立的小批量目标完全并行化的分组融合结构,因此高维多目标后验融合问题被降解为为多个低维多目标后验融合问题,降低了融合算法所需的计算资源要求,可以快速地实现基于广义协方差交集准则的多伯努利滤波器分布式融合算法。
如图3所示,为为本发明实施例中不同算法计算资源消耗对比示意图。本发明的多伯努利滤波器分布式融合方法实现了将运算速度提升1-1.5个数量级。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种多伯努利滤波器分布式融合方法,其特征在于,包括以下步骤:
A、对各个本地传感器节点均采用多伯努利滤波器进行本地滤波;
B、利用传感器节点接收本地传感器节点及其邻近节点多伯努利分布后验分布信息;
C、初始化传感器节点集合的元素序号,并对传感器节点融合后多伯努利分布进行初始化处理;
D、根据传感器节点集合的元素序号进行迭代,将传感器节点及其邻近节点融合后的多伯努利分布所对应目标索引集合进行联合分组处理;
E、根据步骤D的联合分组结果,进行并行分组多伯努利分布融合处理;
F、判断传感器节点集合的元素序号是否小于传感器节点获得的多伯努利分布后验分布总数;若是,则返回步骤D;若否,则得到融合后多伯努利分布参数。
2.如权利要求1所述的多伯努利滤波器分布式融合方法,其特征在于,所述步骤A中传感器节点s输出的多伯努利后验分布参数表征为其中表示传感器节点s的目标航迹索引号集合,x表示单目标动力学状态,表示传感器节点s目标索引号为的目标存在概率,表示传感器节点s目标索引号为的目标位置密度分布。
3.如权利要求2所述的多伯努利滤波器分布式融合方法,其特征在于,所述步骤B中传感器节点s获得的多伯努利分布后验集合表示其中表示传感器节点s与其邻近节点传感器的集合,s'表示传感器节点集合中的元素序号,表示传感器节点集合中第s'个传感器节点的目标存在概率,表示传感器节点集合中第s'个传感器节点的目标位置密度分布,表示传感器节点集合中第s'个传感器节点的目标航迹索引号集合。
4.如权利要求3所述的多伯努利滤波器分布式融合方法,其特征在于,所述步骤C初始化传感器节点集合的元素序号,并对传感器节点融合后多伯努利分布进行初始化处理,具体为:
令传感器节点集合的元素序号s'=1,对传感器节点融合后多伯努利分布进行初始化处理,表示为
其中,πω表示融合后多伯努利分布,表示融合后目标索引号为的目标存在概率,
表示融合后目标索引号为的目标位置密度分布,表示融合后的目标航迹索引号集合。
5.如权利要求4所述的多伯努利滤波器分布式融合方法,其特征在于,所述步骤D中将传感器节点及其邻近节点融合后的多伯努利分布所对应目标索引集合进行联合分组处理,具体包括以下分步骤:
D1、选取广义协方差交集信息熵作为联合分组准则,将任意和对应的广义协方差交集信息熵表示为
其中,ln表示去自然对数运算,ω1表示融合后多伯努利后验分布的融合权重,ω2表示传感器节点集合中第s'个传感器节点对应多伯努利后验分布的融合权重,∫·dx表示积分运算;
D2、初始化联合分组,表示为
其中,表示第i个初始化分组,Γ表示给定的分组门限,|·|表示取模运算;
D3、将含有公共目标航迹的任意初始化分组和进行联合分组合并,表示为
其中,表示初始化分组和合并后分组,表示融合后多伯努利后验分布第i组目标航迹索引集合,表示传感器节点集合中第s'个传感器节点对应多伯努利后验分布的第i组目标航迹索引集合;
D4、重复步骤D3直至组间没有公共目标,得到N组关于融合后多伯努利后验分布所表征目标航迹与传感器节点集合中第s'个传感器节点对应多伯努利后验分布所表征目标航迹的联合分组,记为其中
6.如权利要求5所述的多伯努利滤波器分布式融合方法,其特征在于,所述步骤E根据步骤D的联合分组结果,进行并行分组多伯努利分布融合处理,具体包括以下分步骤:
E1、初始化组数g,令g=1;
E2、建立与间的假设航迹映射函数θ: 表示中航迹索引号在中的映射航迹索引号;
E3、进行第g组多伯努利分布融合,融合后多伯努利分布参数表征为
E4、判断组数g是否小于总组数N;若是,则将组数g递增1,返回步骤E2;如否,则操作结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810728259.6A CN108934028B (zh) | 2018-07-05 | 2018-07-05 | 一种多伯努利滤波器分布式融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810728259.6A CN108934028B (zh) | 2018-07-05 | 2018-07-05 | 一种多伯努利滤波器分布式融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108934028A true CN108934028A (zh) | 2018-12-04 |
CN108934028B CN108934028B (zh) | 2020-07-31 |
Family
ID=64446784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810728259.6A Active CN108934028B (zh) | 2018-07-05 | 2018-07-05 | 一种多伯努利滤波器分布式融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108934028B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110187336A (zh) * | 2019-06-28 | 2019-08-30 | 电子科技大学 | 一种基于分布式phd的多站雷达站址定位和联合跟踪方法 |
CN111964706A (zh) * | 2020-08-13 | 2020-11-20 | 桂林电子科技大学 | 分布式视场互补多伯努利关联算术平均融合跟踪方法 |
WO2022115993A1 (en) * | 2020-12-01 | 2022-06-09 | Robert Bosch Gmbh | Method and apparatus for tuning sensor fusion weights |
CN115087092A (zh) * | 2022-05-25 | 2022-09-20 | 电子科技大学 | 一种多传感器最大相关熵拓展信息滤波分层融合方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103648108A (zh) * | 2013-11-29 | 2014-03-19 | 中国人民解放军海军航空工程学院 | 传感器网络分布式一致性目标状态估计方法 |
CN104881521A (zh) * | 2015-05-05 | 2015-09-02 | 电子科技大学 | 一种标号随机集滤波器分布式融合方法 |
CN106154259A (zh) * | 2016-06-30 | 2016-11-23 | 电子科技大学 | 一种随机集理论下的多传感器自适应管控方法 |
US20180107574A1 (en) * | 2015-12-30 | 2018-04-19 | International Business Machines Corporation | Detecting anomalous sensors |
-
2018
- 2018-07-05 CN CN201810728259.6A patent/CN108934028B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103648108A (zh) * | 2013-11-29 | 2014-03-19 | 中国人民解放军海军航空工程学院 | 传感器网络分布式一致性目标状态估计方法 |
CN104881521A (zh) * | 2015-05-05 | 2015-09-02 | 电子科技大学 | 一种标号随机集滤波器分布式融合方法 |
US20180107574A1 (en) * | 2015-12-30 | 2018-04-19 | International Business Machines Corporation | Detecting anomalous sensors |
CN106154259A (zh) * | 2016-06-30 | 2016-11-23 | 电子科技大学 | 一种随机集理论下的多传感器自适应管控方法 |
Non-Patent Citations (2)
Title |
---|
李淼等: "采用多伯努利滤波器的过采样点目标检测前跟踪", 《光学精密工程》 * |
王佰录: "分布式多目标伯努利滤波器的网络共识技术", 《信号处理》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110187336A (zh) * | 2019-06-28 | 2019-08-30 | 电子科技大学 | 一种基于分布式phd的多站雷达站址定位和联合跟踪方法 |
CN111964706A (zh) * | 2020-08-13 | 2020-11-20 | 桂林电子科技大学 | 分布式视场互补多伯努利关联算术平均融合跟踪方法 |
WO2022115993A1 (en) * | 2020-12-01 | 2022-06-09 | Robert Bosch Gmbh | Method and apparatus for tuning sensor fusion weights |
CN115087092A (zh) * | 2022-05-25 | 2022-09-20 | 电子科技大学 | 一种多传感器最大相关熵拓展信息滤波分层融合方法 |
CN115087092B (zh) * | 2022-05-25 | 2024-02-27 | 电子科技大学 | 一种多传感器最大相关熵拓展信息滤波分层融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108934028B (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108934028A (zh) | 一种多伯努利滤波器分布式融合方法 | |
Wang et al. | On credibility estimation tradeoffs in assured social sensing | |
Liu et al. | Notions of limiting P values based on data depth and bootstrap | |
Ginelli et al. | Relevance of metric-free interactions in flocking phenomena | |
Tartakovsky et al. | Change-point detection in multichannel and distributed systems with applications | |
CN101251593B (zh) | 一种无线传感器网络的目标跟踪方法 | |
CN113033712B (zh) | 一种基于联邦学习的多用户协同训练人流统计方法及系统 | |
CN103020989A (zh) | 一种基于在线场景特征聚类的多视角目标跟踪方法 | |
CN102752784B (zh) | 无线传感器网络中基于图论的分布式事件域的检测方法 | |
CN112491900B (zh) | 异常节点识别方法、装置、设备及介质 | |
CN106780567A (zh) | 一种融合颜色和梯度直方图的免疫粒子滤波扩展目标跟踪方法 | |
CN107222925A (zh) | 一种基于聚类优化的节点定位方法 | |
CN112990102B (zh) | 一种改进的Centernet复杂环境目标检测方法 | |
Chen et al. | Vessel sailing route extraction and analysis from satellite-based AIS data using density clustering and probability algorithms | |
CN108882271B (zh) | 一种基于标签多伯努利分布的非共视多传感器融合方法 | |
CN113838101B (zh) | 一种适用于具有重叠视野的摄像机网络下的目标追踪方法 | |
CN115662142B (zh) | 基于车联网稀疏信息的深度学习交通状态估计方法及系统 | |
Soderlund et al. | Autonomous wildfire monitoring using airborne and temperature sensors in an evidential reasoning framework | |
CN116405503A (zh) | 一种无人机集群网络拓扑推断方法 | |
Dou et al. | Incremental multi-hop localization algorithm based on regularized weighted least squares | |
CN110035405A (zh) | 一种基于随机集理论的多传感器分布式高效融合方法 | |
Huajun et al. | A generic approach to rugged terrain analysis based on fuzzy inference | |
CN107590509B (zh) | 基于最大期望近似的切尔诺夫融合方法 | |
Xu et al. | An information fusion method based on game theory | |
Wang et al. | Federated Spatio-Temporal Traffic Flow Prediction Based on Graph Convolutional Network |
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 |