CN109782270A - 一种多传感器多目标跟踪条件下的数据关联方法 - Google Patents
一种多传感器多目标跟踪条件下的数据关联方法 Download PDFInfo
- Publication number
- CN109782270A CN109782270A CN201811646851.8A CN201811646851A CN109782270A CN 109782270 A CN109782270 A CN 109782270A CN 201811646851 A CN201811646851 A CN 201811646851A CN 109782270 A CN109782270 A CN 109782270A
- Authority
- CN
- China
- Prior art keywords
- target
- particle
- measurement
- ant
- algorithm
- 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
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种多传感器多目标跟踪条件下的数据关联方法,判断量测是否为目标的备选量测;建立目标函数及其约束条件,对粒子群算法进行适应性改进,并快速进行寻优求解求出次优解,对蚁群算法进行改进,使得蚁群算法中的各个参数与目标函数及约束条件相匹配,进一步快速求解出最优解,通过迭代寻优,为N个目标匹配到了N个最优量测值,完成了多传感器多目标一个跟踪周期的关联运算。本发明通过采用混合群智能算法,在保证关联准确性的基础上,能够快速的获得关联结果,确保了关联算法的实时性。
Description
技术领域
本发明涉及一种目标跟踪方法,尤其涉及多平台下多传感器对多个目标进行跟踪时的数据关联方法。
背景技术
数据关联是实现多目标跟踪的关键环节。在战场环境下实现目标跟踪时,由于存在多个目标、杂波和干扰等造成大量的量测值,同时多目标航迹存在交叉、分岔等现象,使得数据关联问题复杂化。当一个跟踪波门中存在多个量测数据,或者一个量测同时处于多个跟踪波门中时,采用有效的算法选择出真实量测,就是多目标数据关联要解决的主要问题。而实际战场环境中,在跟踪波门的约束条件下,出现“一个目标对应多个备选量测,或者一个量测对应多个目标”的情况是经常出现的。
当前解决数据关联的算法中的最近邻域(Nearest Neighbor,NN)法,其算法简单且计算量小,对于低杂波环境下的稀疏目标跟踪效果较好,但是在现代战场的强杂波多密集目标环境下,关联错误现象常常发生;概率检测关联(Probabilistic DataAssociation,PDA)算法也仅适用于单目标或稀疏多目标情况下的关联运算,在杂波环境下多目标跟踪时,关联准确率急剧下降;联合概率检测关联(Joint Probabilistic DataAssociation,JPDA)算法用于复杂环境下多目标跟踪时跟踪精度尚可,但计算量随目标和量测数量增长呈指数增长趋势,难以满足目标跟踪实时性的需求。多假设(MultipleHypothesis Tracking,MHT)算法可用于密集杂波环境下的多目标跟踪,但计算量随着目标与杂波个数的增加而急剧增长,难以满足对关联算法实时性的要求。许多学者在经典数据关联算法的基础上提出了改进,例如基于增益模拟算法和波尔兹曼随机神经网络的改进联合概率检测关联算法、蒙特卡罗联合概率数据关联方法(Monte Carlo JPDA,MC-JPDA)、多扫描分配算法等。这些数据关联方法,虽然用于多传感器多目标跟踪的关联计算精度有所提高,但都存在随着目标和量测数量的增多,算法计算量激增而难以满足跟踪实时性的需求。
发明内容
为了克服现有技术的不足,本发明提供一种基于混合群智能算法的数据关联方法,能够满足关联精确度和关联算法实时性的要求。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤1,根据跟踪波门对量测的选择定义一个变量ρij,以判断量测j是否为目标i的备选量测;
备选量测与一步预测之间关联程度采用滤波新息的似然函数来表示
其中,Zij(k)为k时刻作为目标i的第j个备选量测,f(Zij(k))表示第j个量测和目标i的关联程度,v(k)为残差向量,Si(k)为新息的协方差,i=1,2...N,表示N个目标;j=1,2...Nc,表示Nc个量测;
步骤2,假设k时刻进行数据关联时,建立目标函数及其约束条件
步骤3,对粒子群算法进行适应性改进,并快速进行寻优求解求出次优解;改造流程包括:
(1)用粒子表示可能的关联并记作r,其关联集表示为{r};经过多次搜索后获得其中一种的关联,其具有最优代价函数,那么该粒子所对应的关联就是最优解;
假设在K-1时刻共有N个目标航迹,滤波后得到N个目标航迹的一步预测;在K时刻,跟踪波门筛选的备选量测Zij,i=1,2…N为目标的批号,j为i目标的备选量测序号,那么Zij表示第i个目标的第j个备选量测;
在目标没有发生漏检时,粒子的长度与所有备选量测总数相等;在目标发生漏检时,粒子的长度等于所有备选量测总数与漏检目标数之和;前N个量测以N个目标单个顺序排列,接下来对N个目标按顺序分别排列剩余的备选量测;
(2)对N个目标排序,则第i个目标的备选量测组成的集合为{Zi};在上述粒子的编码时,前N个粒子的选择是按照目标i的次序,在{Zi}中随机选取,前N个粒子都不相同;
(3)先对粒子的极值进行编码,其中极值包括个体极值与全局极值;编码是按照目标批号的顺序为对应的N个目标的量测进行排序;
做交叉操作是粒子与其极值间的元素互换,变异操作是粒子与其自身元素间的交换;粒子变异操作之后,前N位粒子中同样不可有重复的量测;
(4)粒子编码中的前N个元素形成了多目标对应的多量测的组合,计算似然函数f(Zij(k))及适应函数J;
(5)判断是否满足迭代次数,满足则输出次优解,否则循环迭代;
步骤4,对蚁群算法进行改进,使得蚁群算法中的各个参数与目标函数及约束条件相匹配,进一步快速求解出最优解;改进算法流程包括如下:
(1)将量测与预测值间的关联函数值f(Zij(k))定义为蚂蚁的行进距离;
(2)蚂蚁在进行一条完整路径的选择时,关联量测点的选择只从未被选择过的量测点中选;
(3)设蚂蚁在路径选择时,当关联上一个量测值时,会在该量测点上增加该关联对的信息素,并且信息素每迭代一次就挥发一部分;对于信息素的更新,按照局部信息素与全局信息素分别定义,并分别确定更新规则;
(4)状态转移概率是蚁群根据各条路径上的启发信息和信息素计算获得;
(5)将次优解及其对应的适应值,作为改进蚁群算法的输入,分别对应蚁群的位置和信息素的初始化值;在初始化每个蚂蚁时,每个次优解对应一对目标-量测作为蚂蚁的初始位置;
(6)量测禁忌表设置的原则是:蚂蚁不会走重复的路径;目标禁忌表的设置是保证一个目标至多只可以关联到唯一的真实量测;蚁群依据量测禁忌表与目标禁忌表,随机遍历每个备选量测与目标;
步骤5,通过步骤3、4的两次迭代寻优,为N个目标匹配到了N个最优量测值,完成了多传感器多目标一个跟踪周期的关联运算。
本发明的有益效果是:在复杂的战场环境下实现目标跟踪时,由于存在多个目标、杂波和干扰等造成大量的量测值现象,使得数据关联问题复杂化,使得常规的关联算法在关联的准确性和实时性方面难以同时满足。本发明通过采用混合群智能算法,在保证关联准确性的基础上,能够快速的获得关联结果,确保了关联算法的实时性。
附图说明
图1是本发明的混合群智能算法的数据关联方法流程图;
图2是本发明的粒子群算法适应性改进流程图;
图3是本发明的粒子编码格式。
图4是本发明的粒子极值的编码格式。
图5是蚁群算法改进流程。
图6是数据关联准确性验证结果。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
本发明首先对多平台下多传感器实现多目标跟踪问题进行定性分析,认为数据关联问题是一个高概率事件,并非要求每次关联上的量测都是最准确的,偶然发生真实量测临近的量测被关联上也是可以允许的,因为由于传感器的误差使得真实量测并不能代表目标的真实位置。其次,对个多个目标在大量量测中寻找最匹配的量测,其实质就是在一定约束条件下对目标函数寻找最优的问题,因而可以转化为基于约束条件的最优化问题。
基于以上分析,考虑到群智能算法具有快速的寻找最优或次优值的能力,再考虑到不同群智能算法的收敛速度在不同阶段不同,因而本算法采用混合群智能算法求解。其中粒子群算法在任意初始值开始到获得次优值的过程中收敛速度很快,从次优到最优收敛速度很慢,而蚁群算法如果以次优解初始化,则会很快获得最优解。所以本发明采用改进的粒子群算法和改进的蚁群算法混合计算,提高整体算法的收敛性,满足算法实时性的需求。
本发明包括基于混合群智能算法的数据关联方法分成优化函数的确定、改进粒子群算法的次优解计算、改进蚁群算法的最优解计算等阶段。首先,确定目标函数和约束条件,构建基于约束条件下的最优函数,将数据关联问题转换为约束条件下的最优化问题。其次对粒子群算法进行改进,求解出次优解,并将该次优解作为下一步计算的输入。再之,对蚁群算法进行改进,将上一步计算出的次优解作为改进蚁群算法的初始化值,进行最优化求解,求出的最佳值就是最优量测匹配值。
本发明的技术方案包括以下步骤:
步骤1:确定以滤波新息的似然函数作为备选量测与一步预测之间关联程度函数。
首先根据跟踪波门对量测的选择定义一个变量ρij,以判断量测j是否为目标i的备选量测。
备选量测与一步预测之间关联程度采用滤波新息的似然函数来表示:
其中,Zij(k)为k时刻作为目标i的第j个备选量测,f(Zij(k))表示第j个量测和目标i的关联程度。v(k)为残差向量,Si(k)为新息的协方差,i=1,2...N,表示N个目标;j=1,2...Nc,表示Nc个量测。
步骤2:建立目标函数及其约束条件。
假设k时刻进行数据关联时,建立目标函数及其约束条件如下式所示:
步骤3:对粒子群算法进行适应性改进,并快速进行寻优求解求出次优解。
改造流程包括:
(1)粒子的编码
用粒子表示可能的关联并记作r,其关联集表示为{r}。在经过多次搜索后,可能获得其中一种的关联,其具有最优代价函数,那么该粒子所对应的关联就是最优解。
假设在K-1时刻共有N个目标航迹,滤波后得到N个目标航迹的一步预测。在K时刻,跟踪波门筛选的备选量测Zij,其中i=1,2…N,为目标的批号,j为i目标的备选量测序号,那么Zij表示第i个目标的第j个备选量测。
在目标没有发生漏检时,粒子的长度与所有备选量测总数相等;在目标发生漏检时,粒子的长度等于所有备选量测总数与漏检目标数之和。前N个量测以N个目标单个顺序排列,接下来对N个目标按顺序分别排列剩余的备选量测。
(2)粒子的初始化
对N个目标排序,则第i个目标(i=1,2,…,N)的备选量测组成的集合为{Zi}。在上述粒子的编码时,前N个粒子的选择是按照目标i的次序,在{Zi}中随机选取,前N个粒子都应不相同。
(3)粒子的交叉与变异操作
先对粒子的极值进行编码,其中极值包括个体极值与全局极值。编码是按照目标批号的顺序为对应的N个目标的量测进行排序。
做交叉操作是粒子与其极值间的元素互换,变异操作是粒子与其自身元素间的交换。粒子变异操作之后,前N位粒子中同样不可有重复的量测。
(4)粒子适应函数值的计算
粒子编码中的前N个元素,形成了多目标对应的多量测的组合,计算似然函数f(Zij(k))及适应函数J。
(5)判断是否满足迭代次数,满足则输出次优解,否则循环迭代。
步骤4:对蚁群算法进行改进,使得蚁群算法中的各个参数与目标函数及约束条件相匹配,进一步快速求解出最优解。
改进算法流程包括如下:
(1)将量测与预测值间的关联函数值f(Zij(k))定义为蚂蚁的行进距离。
(2)蚂蚁在进行一条完整路径的选择时,关联量测点的选择只从未被选择过的量测点中选。
(3)设蚂蚁在路径选择时,当关联上一个量测值时,会在该量测点上增加该关联对的信息素,并且信息素每迭代一次就挥发一部分。对于信息素的更新,按照局部信息素与全局信息素分别定义,并分别确定更新规则。
(4)状态转移概率是蚁群根据各条路径上的启发信息和信息素计算获得。
(5)蚁群的初始化
将次优解及其对应的适应值,作为改进蚁群算法的输入,分别对应蚁群的位置和信息素的初始化值。在初始化每个蚂蚁时,每个次优解对应一对目标-量测作为蚂蚁的初始位置。
(6)蚁群的禁忌表
量测禁忌表设置的原则是:蚂蚁不会走重复的路径,这样对应于数据关联能保证每个量测来源的唯一性;目标禁忌表的设置是为了保证一个目标至多只可以关联到唯一的真实量测。蚁群依据量测禁忌表与目标禁忌表,随机遍历每个备选量测与目标。
步骤5:输出最优匹配量测值
通过步骤3、4的两次迭代寻优,为N个目标匹配到了N个最优量测值,完成了多传感器多目标一个跟踪周期的关联运算。
本发明的实施例提出的一种混合群智能算法的数据关联方法,是在将数据关联问题转换为基于约束条件下的最优化问题的基础上,采用混合群智能算法对该最优化问题进行求解的过程。该算法在确保关联准确性的基础上,能够快速收敛,确保算法的实时性,满足多传感器对多目标跟踪的需求。本发明方法其特征在于包括以下步骤(见图1):
步骤1:根据数据关联原则“一个量测最多只可能判定为一个目标的真实量测,而每一个目标最多只能有一个真实量测”,确定以滤波新息的似然函数作为备选量测与一步预测之间关联程度函数。
步骤2:建立目标函数及其约束条件。目标函数构建原则是波门内所有量测的滤波新息的似然函数值最大,约束条件的原则是一个量测最多只能匹配一个目标,一个目标最多只能判定一个量测。
步骤3:对粒子群算法进行改进,求解出次优解。改进过程包括粒子的编码,粒子的初始化、粒子的交叉与变异操作、粒子适应函数值的计算等。通过适应性改造,粒子群算法可以对上述基于约束条件的寻优问题计算出次优解。
步骤4:对蚁群算法进行改进,求解出最优解。包括蚂蚁行进距离的等效关联、蚂蚁行进路线的选择原则、行进路径上信息素的更新、全局信息素的更新及状态转移概率的计算等过程。通过适应性改造,蚁群算法在第三步的次优解作为初始化值基础上,可以快速匹配计算出所有目标的最优量测。
步骤5:输出最优匹配量测值。输出结果为N个目标匹配到了N个最优匹配量测值。
下面对本发明进一步说明。
一种基于混合群智能算法的数据关联方法,其主要实施步骤如下:
步骤1:根据数据关联原则确定以滤波新息的似然函数作为备选量测与一步预测之间关联程度函数。
根据跟踪波门对量测的选择,定义一个变量ρij,表示量测j是否为目标i的备选量测。变量ρij定义为:
备选量测与一步预测之间关联程度采用滤波新息的似然函数来表示:
上式中,Zij(k)为k时刻作为目标i的第j个备选量测,f(Zij(k))表示第j个量测和目标i的关联程度。v(k)为残差向量,Si(k)为新息的协方差。
步骤2:建立目标函数及其约束条件。
数据关联算法的目标是针对N个目标,找出N个最大似然值,满足一个量测最多只能关联上一个目标,一个目标最多关联上一个量测原则。于是在k时刻实现数据关联时,建立目标函数及其约束条件如下式所示:
式中N是跟踪目标的数量,Nc为量测的总数。
步骤3:对粒子群算法进行适应性改进,并快速进行寻优求解,计算出次优解。
粒子群算法适应性改进流程见图2,流程包括:
(1)粒子的编码
用粒子表示可能的关联并记作r,其关联集表示为{r}。在经过多次搜索后,可能获得其中一种的关联,其具有最优代价函数,那么该粒子所对应的关联就是最优解。
假设在K-1时刻共有N个目标航迹,滤波后得到N个目标航迹的一步预测。在K时刻,跟踪波门筛选的备选量测Zij,其中i=1,2…N,为目标的批号,j为i目标的备选量测序号,那么Zij表示第i个目标的第j个备选量测。对粒子的编码格式见图3。
在目标没有发生漏检时,粒子的长度与所有备选量测总数相等;在目标发生漏检时,粒子的长度等于所有备选量测总数与漏检目标数之和。前N个量测以N个目标单个顺序排列,接下来对N个目标按顺序分别排列剩余的备选量测。
(2)粒子的初始化
对N个目标排序,则第i个目标(i=1,2,…,N)的备选量测组成的集合为{Zi}。在上述粒子的编码时,前N个粒子的选择是按照目标i的次序,在{Zi}中随机选取。前N个粒子都应不相同。
(3)粒子的交叉与变异操作
先对粒子的极值进行编码,编码格式见图4示所示,其中极值包括个体极值与全局极值。编码是按照目标批号的顺序为对应的N个目标的量测进行排序。
做交叉操作是粒子与其极值间的元素互换,变异操作是粒子与其自身元素间的交换。粒子变异操作之后,前N位粒子中同样不可有重复的量测。
(4)粒子适应函数值的计算
粒子编码中的前N个元素,形成了多目标对应的多量测的组合,计算似然函数f(Zij(k))及适应函数J。
(5)判断是否满足迭代次数,满足则输出次优解,否则循环迭代。
步骤4:对蚁群算法进行改进,使得蚁群算法中的各个参数与目标函数及约束条件相匹配,进一步快速求解出最优解。
蚁群算法改进流程见图5,其中m为蚂蚁个数,k为蚂蚁个数统计参量,Nc为迭代参数。流程包括如下:
(1)将量测与预测值间的关联函数值f(Zij(k))定义为蚂蚁的行进距离。
(2)蚂蚁在进行一条完整路径的选择时,关联量测点的选择只从未被选择过的量测点中选。
(3)设蚂蚁在路径选择时,当关联上一个量测值时,会在该量测点上增加该关联对的信息素,并且信息素每迭代一次就挥发一部分。对于信息素的更新,按照局部信息素与全局信息素分别定义,并分别确定更新规则。
(4)状态转移概率是蚁群根据各条路径上的启发信息和信息素计算获得。
(5)蚁群的初始化
将次优解及其对应的适应值,作为改进蚁群算法的输入,分别对应蚁群的位置和信息素的初始化值。在初始化每个蚂蚁时,每个次优解对应一对目标-量测作为蚂蚁的初始位置。
(6)蚁群的禁忌表
量测禁忌表设置的原则是:蚂蚁不会走重复的路径,这样对应于数据关联能保证每个量测来源的唯一性;目标禁忌表的设置是为了保证一个目标至多只可以关联到唯一的真实量测。蚁群依据量测禁忌表与目标禁忌表,随机遍历每个备选量测与目标。
步骤5:输出最优匹配量测值
通过两次迭代寻优,为N个目标匹配到了N个最优量测值,完成了多传感器多目标一个跟踪周期的关联运算。下一轮跟踪周期关联运算时,重新从步骤1开始循环。
本发明设置5批运动目标进行算法验证,通过某时刻5批目标和量测的关联仿真计算来验证本算法的基本功能。根据典型雷达的性能,设置参数如下:测概率为PD=0.9,杂波的密度分布为泊松分布,分布的参数λV=4,α=0.8。设粒子的数量是20,粒子的迭代次数是10,蚁群共有20只蚂蚁,设信息素初始化时为1个单位,信息素的挥发因子0.2,信息启发因子α=1,期望启发因子β=2,蚁群算法迭代数是40。
采用本发明算法和联合概率检测关联算法进行仿真比较,仿真结果如图6示,算法有效性对比如表1所示。图中星形是传感器检测到的量测点,圆形是目标的一步预测点。其中(a)图是关联前的情况,一个目标有多个备选量测,或者一个量测是多个目标的备选量测。(b)图是采用本发明算法关联后的情况,实现了一个目标只有一个真正的量测的基本功能。
表1不同算法关联有效性对照表
从图6中可以看出,对于(a)图,是多目标实现数据关联中常见的现象。圆形是T-1时刻的预测值,星形是T时刻的量测值。数据关联前明显存在一个预测对应多个量测和多个预测点对应同一个量测现象。通过本发明算法可以实现一个预测对应一个量测的关联运算,验证了本算法在功能上的可实现行。从表1可以看出,本发明算法不管是关联准确率和算法时延,都比传统的联合概率检测算法优越。
Claims (1)
1.一种多传感器多目标跟踪条件下的数据关联方法,其特征在于包括下述步骤:
步骤1,根据跟踪波门对量测的选择定义一个变量ρij,以判断量测j是否为目标i的备选量测;
备选量测与一步预测之间关联程度采用滤波新息的似然函数来表示
其中,Zij(k)为k时刻作为目标i的第j个备选量测,f(Zij(k))表示第j个量测和目标i的关联程度,v(k)为残差向量,Si(k)为新息的协方差,i=1,2...N,表示N个目标;j=1,2...Nc,表示Nc个量测;
步骤2,假设k时刻进行数据关联时,建立目标函数及其约束条件
步骤3,对粒子群算法进行适应性改进,并快速进行寻优求解求出次优解;改造流程包括:
(1)用粒子表示可能的关联并记作r,其关联集表示为{r};经过多次搜索后获得其中一种的关联,其具有最优代价函数,那么该粒子所对应的关联就是最优解;
假设在K-1时刻共有N个目标航迹,滤波后得到N个目标航迹的一步预测;在K时刻,跟踪波门筛选的备选量测Zij,i=1,2…N为目标的批号,j为i目标的备选量测序号,那么Zij表示第i个目标的第j个备选量测;
在目标没有发生漏检时,粒子的长度与所有备选量测总数相等;在目标发生漏检时,粒子的长度等于所有备选量测总数与漏检目标数之和;前N个量测以N个目标单个顺序排列,接下来对N个目标按顺序分别排列剩余的备选量测;
(2)对N个目标排序,则第i个目标的备选量测组成的集合为{Zi};在上述粒子的编码时,前N个粒子的选择是按照目标i的次序,在{Zi}中随机选取,前N个粒子都不相同;
(3)先对粒子的极值进行编码,其中极值包括个体极值与全局极值;编码是按照目标批号的顺序为对应的N个目标的量测进行排序;
做交叉操作是粒子与其极值间的元素互换,变异操作是粒子与其自身元素间的交换;粒子变异操作之后,前N位粒子中同样不可有重复的量测;
(4)粒子编码中的前N个元素形成了多目标对应的多量测的组合,计算似然函数f(Zij(k))及适应函数J;
(5)判断是否满足迭代次数,满足则输出次优解,否则循环迭代;
步骤4,对蚁群算法进行改进,使得蚁群算法中的各个参数与目标函数及约束条件相匹配,进一步快速求解出最优解;改进算法流程包括如下:
(1)将量测与预测值间的关联函数值f(Zij(k))定义为蚂蚁的行进距离;
(2)蚂蚁在进行一条完整路径的选择时,关联量测点的选择只从未被选择过的量测点中选;
(3)设蚂蚁在路径选择时,当关联上一个量测值时,会在该量测点上增加该关联对的信息素,并且信息素每迭代一次就挥发一部分;对于信息素的更新,按照局部信息素与全局信息素分别定义,并分别确定更新规则;
(4)状态转移概率是蚁群根据各条路径上的启发信息和信息素计算获得;
(5)将次优解及其对应的适应值,作为改进蚁群算法的输入,分别对应蚁群的位置和信息素的初始化值;在初始化每个蚂蚁时,每个次优解对应一对目标-量测作为蚂蚁的初始位置;
(6)量测禁忌表设置的原则是:蚂蚁不会走重复的路径;目标禁忌表的设置是保证一个目标至多只可以关联到唯一的真实量测;蚁群依据量测禁忌表与目标禁忌表,随机遍历每个备选量测与目标;
步骤5,通过步骤3、4的两次迭代寻优,为N个目标匹配到了N个最优量测值,完成了多传感器多目标一个跟踪周期的关联运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811646851.8A CN109782270B (zh) | 2018-12-29 | 2018-12-29 | 一种多传感器多目标跟踪条件下的数据关联方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811646851.8A CN109782270B (zh) | 2018-12-29 | 2018-12-29 | 一种多传感器多目标跟踪条件下的数据关联方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109782270A true CN109782270A (zh) | 2019-05-21 |
CN109782270B CN109782270B (zh) | 2022-06-21 |
Family
ID=66499008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811646851.8A Active CN109782270B (zh) | 2018-12-29 | 2018-12-29 | 一种多传感器多目标跟踪条件下的数据关联方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109782270B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244294A (zh) * | 2019-06-24 | 2019-09-17 | 中国人民解放军空军工程大学航空机务士官学校 | 一种多传感器的量测数据的关联方法 |
CN113359100A (zh) * | 2021-06-09 | 2021-09-07 | 电子科技大学 | 一种用于跟踪目标雷达辐射源的属性数据关联方法 |
WO2021217491A1 (zh) * | 2020-04-29 | 2021-11-04 | 华为技术有限公司 | 数据关联方法与装置 |
CN113701758A (zh) * | 2021-08-23 | 2021-11-26 | 中国北方工业有限公司 | 一种基于生物搜索算法的多目标数据关联方法及系统 |
CN113701758B (zh) * | 2021-08-23 | 2024-06-07 | 中国北方工业有限公司 | 一种基于生物搜索算法的多目标数据关联方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036379A (zh) * | 2014-06-26 | 2014-09-10 | 广东工业大学 | 求解带硬时间窗时变关联物流运输车辆路径问题的方法 |
CN104484548A (zh) * | 2014-11-05 | 2015-04-01 | 中国人民解放军第二炮兵工程大学 | 一种改进的序贯故障诊断策略优化方法 |
CN105509749A (zh) * | 2016-01-04 | 2016-04-20 | 江苏理工学院 | 基于遗传蚁群算法的移动机器人路径规划方法及系统 |
CN105527965A (zh) * | 2016-01-04 | 2016-04-27 | 江苏理工学院 | 基于遗传蚁群算法的路径规划方法及系统 |
CN106872955A (zh) * | 2017-01-24 | 2017-06-20 | 西安电子科技大学 | 基于联合概率数据关联算法的雷达多目标跟踪优化方法 |
CN106970370A (zh) * | 2017-04-25 | 2017-07-21 | 西安电子科技大学 | 基于混沌神经网络的雷达多目标跟踪优化方法 |
CN107238835A (zh) * | 2017-06-08 | 2017-10-10 | 中国人民解放军海军航空工程学院 | 一种编队目标点航抗叉关联方法 |
-
2018
- 2018-12-29 CN CN201811646851.8A patent/CN109782270B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036379A (zh) * | 2014-06-26 | 2014-09-10 | 广东工业大学 | 求解带硬时间窗时变关联物流运输车辆路径问题的方法 |
CN104484548A (zh) * | 2014-11-05 | 2015-04-01 | 中国人民解放军第二炮兵工程大学 | 一种改进的序贯故障诊断策略优化方法 |
CN105509749A (zh) * | 2016-01-04 | 2016-04-20 | 江苏理工学院 | 基于遗传蚁群算法的移动机器人路径规划方法及系统 |
CN105527965A (zh) * | 2016-01-04 | 2016-04-27 | 江苏理工学院 | 基于遗传蚁群算法的路径规划方法及系统 |
CN106872955A (zh) * | 2017-01-24 | 2017-06-20 | 西安电子科技大学 | 基于联合概率数据关联算法的雷达多目标跟踪优化方法 |
CN106970370A (zh) * | 2017-04-25 | 2017-07-21 | 西安电子科技大学 | 基于混沌神经网络的雷达多目标跟踪优化方法 |
CN107238835A (zh) * | 2017-06-08 | 2017-10-10 | 中国人民解放军海军航空工程学院 | 一种编队目标点航抗叉关联方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244294A (zh) * | 2019-06-24 | 2019-09-17 | 中国人民解放军空军工程大学航空机务士官学校 | 一种多传感器的量测数据的关联方法 |
WO2021217491A1 (zh) * | 2020-04-29 | 2021-11-04 | 华为技术有限公司 | 数据关联方法与装置 |
CN113359100A (zh) * | 2021-06-09 | 2021-09-07 | 电子科技大学 | 一种用于跟踪目标雷达辐射源的属性数据关联方法 |
CN113701758A (zh) * | 2021-08-23 | 2021-11-26 | 中国北方工业有限公司 | 一种基于生物搜索算法的多目标数据关联方法及系统 |
CN113701758B (zh) * | 2021-08-23 | 2024-06-07 | 中国北方工业有限公司 | 一种基于生物搜索算法的多目标数据关联方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109782270B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109782270A (zh) | 一种多传感器多目标跟踪条件下的数据关联方法 | |
CN105137418B (zh) | 基于全邻模糊聚类的多目标跟踪与数据互联方法 | |
CN106872955B (zh) | 基于联合概率数据关联算法的雷达多目标跟踪优化方法 | |
CN106443622B (zh) | 一种基于改进联合概率数据关联的分布式目标跟踪方法 | |
CN108346293B (zh) | 一种实时交通流短时预测方法 | |
CN110401978B (zh) | 基于神经网络和粒子滤波多源融合的室内定位方法 | |
CN101980044B (zh) | 未知测量噪声分布下的多目标跟踪方法 | |
CN102608568B (zh) | 一种具有固定滑窗-ospa距离航迹关联方法 | |
Ou et al. | Learn, assign, and search: real-time estimation of dynamic origin-destination flows using machine learning algorithms | |
CN114449452B (zh) | 一种基于CNN-RNN的Wi-Fi室内定位方法 | |
CN110849372B (zh) | 一种基于em聚类的水下多目标轨迹关联方法 | |
CN115410372B (zh) | 基于贝叶斯lstm的高速公路交通流量可靠预测方法 | |
CN112114308A (zh) | 一种扇扫雷达空时联合目标跟踪方法 | |
CN110210067A (zh) | 一种基于测量轨迹的阈值直线确定方法、装置 | |
CN105866732B (zh) | 一种改进mk模型和wknn算法相结合的混合室内定位方法 | |
Frausto-Solís et al. | Forecasting oil production time series with a population-based simulated annealing method | |
CN110633859A (zh) | 一种两阶段分解集成的水文序列预测方法 | |
CN109298413A (zh) | 一种针对性解决复杂电磁环境下的多目标跟踪数据关联问题的方法 | |
Patil et al. | Comparative analysis of construction cost estimation using artificial neural networks | |
CN111667694B (zh) | 一种基于改进dtw-knn的短时交通流预测方法 | |
Israeli et al. | Statistical learning in soil sampling design aided by pareto optimization | |
CN117313516A (zh) | 一种基于时空图嵌入的发酵产物预测方法 | |
Leung et al. | Evaluating set measurement likelihoods in random-finite-set slam | |
CN110287924A (zh) | 一种基于gru-rnn模型的土壤参数分类方法 | |
Mathiesen et al. | Automatic Selection and Sequencing of Traps for Vibratory Feeders. |
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 |