CN111964706A - 分布式视场互补多伯努利关联算术平均融合跟踪方法 - Google Patents

分布式视场互补多伯努利关联算术平均融合跟踪方法 Download PDF

Info

Publication number
CN111964706A
CN111964706A CN202010810319.6A CN202010810319A CN111964706A CN 111964706 A CN111964706 A CN 111964706A CN 202010810319 A CN202010810319 A CN 202010810319A CN 111964706 A CN111964706 A CN 111964706A
Authority
CN
China
Prior art keywords
bernoulli
view
arithmetic mean
field
sensor
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
Application number
CN202010810319.6A
Other languages
English (en)
Other versions
CN111964706B (zh
Inventor
薛秋条
王力
吴孙勇
邹宝红
孙希妍
纪元法
蔡如华
樊向婷
符强
严肃清
王守华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202010810319.6A priority Critical patent/CN111964706B/zh
Publication of CN111964706A publication Critical patent/CN111964706A/zh
Application granted granted Critical
Publication of CN111964706B publication Critical patent/CN111964706B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种分布式视场互补多伯努利关联算术平均融合跟踪方法，首先通过对每个传感器视场互补扩大传感器感知范围，以此让每个传感器的量测覆盖整个跟踪场景；其次，每个传感器分别运行局部多伯努利滤波，通过对滤波后验结果进行泛洪通信关联，将对应于同一目标的伯努利成分关联到同一个子集中，并对每个关联子集进行算术平均融合完成融合状态估计。该方法的主要特点是通过视场互补使得不同传感器之间的量测信息得到互补，同时又不会重复共享，能有效减少计算量从而提高计算效率；另外通过伯努利关联可以将同一目标的伯努利成分关联到一起然后进行算术平均融合，有效提升跟踪性能。

Description

分布式视场互补多伯努利关联算术平均融合跟踪方法
技术领域
本发明涉及分布式多传感器多目标检测与跟踪技术领域，尤其涉及一种分布式视场互补多伯努利关联算术平均融合跟踪方法。
背景技术
有限感知范围(LSR)的分布式传感网中，单个传感器不能对整个跟踪场景的所有目标进行检测，而只能对局部视野范围内的区域进行监视。因此，在有限感知网中，同一时刻不同的传感器会检测到整个场景内的不同目标，同一目标也可能同时被多个传感器检测到，大大降低跟踪性能。
发明内容
本发明的目的在于提供一种分布式视场互补多伯努利关联算术平均融合跟踪方法，有效提升跟踪性能。
为实现上述目的，本发明提供了一种分布式视场互补多伯努利关联算术平均融合跟踪方法，包括：
初始化系统参数，并接收视场内的量测数据，同时对每个传感器进行视场互补；
对每个所述传感器进行多伯努利滤波，得到多伯努利后验信息；
通过泛洪通信进行信息共享后，对所述后验信息进行多伯努利关联，并根据马氏距离划分子集；
对划分出的每个所述子集中的所述后验信息进行算数平均融合，并对融合后的目标估计状态进行提取。
其中，初始化系统参数，并接收视场内的量测数据，同时对每个传感器进行视场互补，包括：
对系统参数和算法联合处理周期进行初始化，并利用多个传感器接收视场内的量测数据后，依次利用所有所述传感器的视场进行互补，并在互补量测中增加随机噪声。
其中，通过泛洪通信进行信息共享后，对所述后验信息进行多伯努利关联，并根据马氏距离划分子集，包括：
基于泛洪通信将相邻两个所述传感器的所述多伯努利后验信息进行信息共享，并将每个所述传感器信息共享后的多伯努利后验信息进行多伯努利关联，同时计算出两个伯努利分量之间的马氏距离。
其中，通过泛洪通信进行信息共享后，对所述后验信息进行多伯努利关联，并根据马氏距离划分子集，还包括：
将计算出的所述马氏距离与设定距离阈值进行比较，若所述马氏距离小于所述距离阈值，则将对应的两个所述伯努利分量划分为一个子集，得到多个不同子集。
其中，对划分出的每个所述子集中的所述后验信息进行算数平均融合，并对融合后的目标估计状态进行提取，包括：
对关联后的每个所述子集中的伯努利后验信息进行算术平均融合，并对指定概率下的多个所述子集进行目标估计状态的提取，直至所述算法联合处理周期大于周期阈值。
本发明的一种分布式视场互补多伯努利关联算术平均融合跟踪方法，首先通过对每个传感器视场互补扩大传感器感知范围，以此让每个传感器的量测覆盖整个跟踪场景；其次，每个传感器分别运行局部多伯努利滤波，通过对滤波后验结果进行泛洪通信关联，将对应于同一目标的伯努利成分关联到同一个子集中，并对每个关联子集进行算术平均融合完成融合状态估计。该方法的主要特点是通过视场互补使得不同传感器之间的量测信息得到互补，同时又不会重复共享，能有效减少计算量从而提高计算效率；另外通过伯努利关联可以将同一目标的伯努利成分关联到一起然后进行算术平均融合，有效提升跟踪性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种分布式视场互补多伯努利关联算术平均融合跟踪方法的步骤示意图。
图2是本发明提供的分布式视场互补多伯努利关联算术平均融合算法的示意流程图。
图3是本发明提供的为不进行视场互补与进行视场互补后不进行滤波后验融合的单传感器跟踪结果图，其中(a)图是单个传感器在仿真场景中没有进行视场互补的目标跟踪结果图，(b)图是单个传感器进行视场互补后的目标跟踪结果图。
图4是本发明提供的单个传感器进行视场互补跟踪和共享所有量测信息跟踪结果的运行200次蒙特卡洛实验后的最优子模式误差(OSPA)对比图和势估计对比图。
图5是本发明提供的分布式视场互补多伯努利关联算术平均融合跟踪估计结果图。
图6是本发明提供的本发明所提方法与其他几种方法进行跟踪结果对比的OSPA误差图和势估计图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
请参阅图1，本发明提供一种分布式视场互补多伯努利关联算术平均融合跟踪方法，包括：
S101、初始化系统参数，并接收视场内的量测数据，同时对每个传感器进行视场互补。
具体的，初始化系统参数，包括：系统包含的传感器数目S，各传感器的位置Pm＝(xm,ym),m＝1,…,S，各传感器的感知半径rm，跟踪场景平面大小Nx×Ny，算法联合处理周期k；初始化变量k＝1。
利用多个传感器接收视场内的量测数据
Figure BDA0002630737510000031
其中，
Figure BDA0002630737510000032
表示k时刻第s个传感器上的量测，ms为第s个传感器检测到量测的个数，FoVs表示第s个传感器的视场。对每个传感器s进行视场互补，依次利用传感器i＝1,2…,S.i≠s的FoVi进行互补，但对于FoVi中已经互补的部分则无需进行，已互补的区域为：
Figure BDA0002630737510000041
故在FoVi中未互补的区域为：
Ru,i＝FoVi-Rc,i
将Ru,i中的量测信息
Figure BDA0002630737510000042
互补到第s个传感器，完成所有传感器对第s个传感器的视场互补后，第s个传感器上的量测集为：
Figure BDA0002630737510000043
其中，
Figure BDA0002630737510000044
表示服从高斯分布的量测噪声，
Figure BDA0002630737510000045
为量测噪声协方差矩阵。
互补完后的量测信息为：
Figure BDA0002630737510000046
S102、对每个所述传感器进行多伯努利滤波，得到多伯努利后验信息。
具体的，每个传感器通过视场互补后的量测
Figure BDA0002630737510000047
和前一时刻的多伯努利后验信息
Figure BDA0002630737510000048
运行多伯努利滤波器得到更新后滤波后验信息：
Figure BDA0002630737510000049
其中，Ms,k表示k时刻第s个传感器上的伯努利分量数，
Figure BDA00026307375100000410
表示分量的存在概率，
Figure BDA00026307375100000411
表示目标的空间分布概率密度函数。多伯努利滤波采用序贯蒙特卡洛方法进行实现。
首先，对k-1时刻的伯努利分量
Figure BDA00026307375100000412
进行预测：
Figure BDA00026307375100000413
Figure BDA00026307375100000414
其次，对预测的伯努利分量利用市场互补后的量测进行更新：
Figure BDA00026307375100000415
Figure BDA0002630737510000051
其中，
Figure BDA0002630737510000052
表示k时刻第s个传感器上第l个分量对应于量测
Figure BDA0002630737510000053
的高斯似然函数。
S103、通过泛洪通信进行信息共享后，对所述后验信息进行多伯努利关联，并根据马氏距离划分子集。
具体的，每个传感器通过泛洪通信迭代与相邻传感器进行信息共享，通信迭代最大次数为T，第s个传感器上迭代t次后的后验信息为：
Figure BDA0002630737510000054
其中，信息共享后第s个传感器上后验信息共享后的伯努利分量数为：
Figure BDA0002630737510000055
与第s个传感器的距离小于或等于t的所有相邻传感器的集合为Ns(≤t)。
对每个传感器信息共享后的多伯努利后验信息进行多伯努利关联，将同一目标的伯努利成分关联到对应的子集中。设置一个距离阈值Dmax，计算两个伯努利分量
Figure BDA0002630737510000056
和
Figure BDA0002630737510000057
之间的马氏距离为：
Figure BDA0002630737510000058
其中，
Figure BDA0002630737510000059
为过程噪声协方差矩阵矩阵的逆矩阵，如果这两个伯努利分量之间的距离d＜Dmax，则认为由这两个伯努利分量表示的是同一个目标，故把它们放入到同一个子集中。关联完成后的伯努利后验信息为：
Figure BDA00026307375100000510
其中，Cs,k表示关联的子集个数，
Figure BDA00026307375100000511
每个子集中伯努利分量的个数。
S104、对划分出的每个所述子集中的所述后验信息进行算数平均融合，并对融合后的目标估计状态进行提取。
具体的，对关联的每个子集中的伯努利后验信息进行算术平均融合。存在概率的算术平均融合为：
Figure BDA00026307375100000512
空间分布概率密度函数的算术平均融合为：
Figure BDA0002630737510000061
目标个数的融合：
Figure BDA0002630737510000062
融合完成之后传感器的伯努利后验信息为：
Figure BDA0002630737510000063
然后指定概率下的多个所述子集进行目标估计状态的提取，即选取存在概率最大的
Figure BDA0002630737510000066
个子集进行目标状态的提取，从每个子集选取权重最大的伯努利分量的状态值作为目标估计值。并进行参数更新，k＝k+1，如果k≤kmax，则重新利用多个传感器接收视场内的量测数据并进行下一时刻目标估计，kmax为周期阈值，如图2所示，如果k＞kmax，则终止算法。
采用本发明方法进行仿真试验：
1、仿真条件：本发明在Intel(R)Core(TM)i7-7700 CPU@3.60GHz，内存8.0GB处理器的电脑上，采用MATLAB R2014a软件完成仿真。
2、仿真场景设置：设置有10个感知范围受限的分布式传感器网络，每个传感器的检测范围是以传感器位置(xs,ys)为圆心，rs为半径的圆形区域，其中rs＝700m。整个场景的大小范围设置为[-1.5km,1.5km]×[-1.5km,1.5km]，所有传感器都分布在该范围，整个仿真过程持续100s，并且假设有6个真实目标在该场景内运动，目标的出生死亡时间以及目标运动情况如表1所示。目标状态记为
Figure BDA0002630737510000064
其中[xk,yk]表示目标位置坐标，
Figure BDA0002630737510000065
表示目标的速度信息，wk为转弯率。
表1目标轨迹情况
目标 出生位置 出生时间(s) 死亡时间(s)
目标1 [-596.14，-606.75] 1 70
目标2 [307.38，693.2] 10 65
目标3 [692.7，206.8] 20 80
目标4 [700，200] 30 60
目标5 [-603.9，-588.93] 40 100
目标6 [294.12，705.41] 50 100
设每个时刻在整个区域内新生3个目标，且用多伯努利后验密度描述为
Figure BDA0002630737510000071
其中存在概率为
Figure BDA0002630737510000072
Figure BDA0002630737510000073
ΣB＝diag([50,50,50,50,6(π/180)]T)，所有目标的存活概率为PS(xk)＝0.98，存活目标的状态转移模型为：
xk|k-1＝F(ωk-1)xk-1+vs,k
其中，vs,k是服从均值为0，协方差为Q的高斯白噪声：
Figure BDA0002630737510000074
Figure BDA0002630737510000075
其中，σw＝5m/s2,σu＝(π/180)rad/s为标准偏差。
每个传感器s∈S，在FoVs范围内依检测概率
Figure BDA0002630737510000076
产生相应的目标量测和服从泊松分布的均值为λ＝5的杂波量测，产生如下：
Figure BDA0002630737510000077
其中，εs,k为量测噪声，是服从均值为0，协方差为Rk的高斯分布，
Figure BDA0002630737510000078
σr＝10m，σθ＝π/180rad。
3、仿真结果和分析：设置两个场景分别验证本发明所提方法的计算效率和跟踪性能，场景1设置以下三种情况进行仿真对比。M1：所有的局部传感器不进行视场互补，用第7个传感器独立的进行多伯努利滤波跟踪，简称未互补估计。M2：所有局部传感器通过视场互补算法进行量测互补，然后再用第7个传感器进行多伯努利滤波跟踪，简称互补估计。M3：传感器之间直接进行所有量测信息共享，即单个传感器包含所有传感器的量测信息，然后再用第7个传感器进行多伯努利滤波跟踪，简称共享估计。仿真结果如图3和图4所示，图3(a)和(b)分别为M1情况下和M2情况下的目标跟踪结果，从结果可以看出视场互补后能对整个场景的目标进行跟踪。图4(a)和(b)分别是三种情况运行200次蒙特卡洛实验之后的平均最优子模式(OSPA)误差和势估计对比图，从图中也可以看出M3方法存在严重的过估问题，而M2情况的OSPA误差更小，势估计更加接近真实的势。各个方法的单次蒙特卡洛平均运行时间如表2所示，经过视场互补的方法相比于直接进行所有量测信息共享的方法在计算效率也有明显的提高。
表2单次蒙特卡洛平均运行时间
方法 时间(s)
未互补估计(M1) 2.7923
视场互补估计(M2) 9.8989
共享估计(M3) 32.7096
场景2将本发明所提分布式视场互补多伯努利关联算术平均融合估计方法(简称互补融合估计)与其他多传感器融合方法进行对比。对比方法有：方法1是各局部传感器直接运行多伯努利滤波器，并进行相邻传感器之间的伯努利通信关联AA融合估计(简称未互补融合估计)。方法2选用场景1的M3方法，共享所有量测信息，再进行滤波估计(简称单共享估计)。仿真结果如附图5和附图6所示，图5是本发明方法的分布式视场互补多伯努利关联算术平均融合跟踪估计结果图，从图中可以看出本方法可以有效进行目标有限感知网络的多目标跟踪。图6(a)和(b)分别是不同方法运行100次蒙特卡洛之后的平均OSPA误差图和势估计图，可以明显看到本发明所提方法的OSPA误差更小，势估计始终接近真实势。综上所述，本发明所提分布式视场互补多伯努利关联算术平均融合跟踪方法能有效地对有限感知网络的多目标进行跟踪。
本发明的一种分布式视场互补多伯努利关联算术平均融合跟踪方法，首先通过对每个传感器视场互补扩大传感器感知范围，以此让每个传感器的量测覆盖整个跟踪场景；其次，每个传感器分别运行局部多伯努利滤波，通过对滤波后验结果进行泛洪通信关联，将对应于同一目标的伯努利成分关联到同一个子集中，并对每个关联子集进行算术平均融合完成融合状态估计。该方法的主要特点是通过视场互补使得不同传感器之间的量测信息得到互补，同时又不会重复共享，能有效减少计算量从而提高计算效率；另外通过伯努利关联可以将同一目标的伯努利成分关联到一起然后进行算术平均融合，有效提升跟踪性能。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (5)

1.一种分布式视场互补多伯努利关联算术平均融合跟踪方法，其特征在于，包括：
初始化系统参数，并接收视场内的量测数据，同时对每个传感器进行视场互补；
对每个所述传感器进行多伯努利滤波，得到多伯努利后验信息；
通过泛洪通信进行信息共享后，对所述后验信息进行多伯努利关联，并根据马氏距离划分子集；
对划分出的每个所述子集中的所述后验信息进行算数平均融合，并对融合后的目标估计状态进行提取。
2.如权利要求1所述的分布式视场互补多伯努利关联算术平均融合跟踪方法，其特征在于，初始化系统参数，并接收视场内的量测数据，同时对每个传感器进行视场互补，包括：
对系统参数和算法联合处理周期进行初始化，并利用多个传感器接收视场内的量测数据后，依次利用所有所述传感器的视场进行互补，并在互补量测中增加随机噪声。
3.如权利要求2所述的分布式视场互补多伯努利关联算术平均融合跟踪方法，其特征在于，通过泛洪通信进行信息共享后，对所述后验信息进行多伯努利关联，并根据马氏距离划分子集，包括：
基于泛洪通信将相邻两个所述传感器的所述多伯努利后验信息进行信息共享，并将每个所述传感器信息共享后的多伯努利后验信息进行多伯努利关联，同时计算出两个伯努利分量之间的马氏距离。
4.如权利要求3所述的分布式视场互补多伯努利关联算术平均融合跟踪方法，其特征在于，通过泛洪通信进行信息共享后，对所述后验信息进行多伯努利关联，并根据马氏距离划分子集，还包括：
将计算出的所述马氏距离与设定距离阈值进行比较，若所述马氏距离小于所述距离阈值，则将对应的两个所述伯努利分量划分为一个子集，得到多个不同子集。
5.如权利要求4所述的分布式视场互补多伯努利关联算术平均融合跟踪方法，其特征在于，对划分出的每个所述子集中的所述后验信息进行算数平均融合，并对融合后的目标估计状态进行提取，包括：
对关联后的每个所述子集中的伯努利后验信息进行算术平均融合，并对指定概率下的多个所述子集进行目标估计状态的提取，直至所述算法联合处理周期大于周期阈值。
CN202010810319.6A 2020-08-13 2020-08-13 分布式视场互补多伯努利关联算术平均融合跟踪方法 Active CN111964706B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010810319.6A CN111964706B (zh) 2020-08-13 2020-08-13 分布式视场互补多伯努利关联算术平均融合跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010810319.6A CN111964706B (zh) 2020-08-13 2020-08-13 分布式视场互补多伯努利关联算术平均融合跟踪方法

Publications (2)

Publication Number Publication Date
CN111964706A true CN111964706A (zh) 2020-11-20
CN111964706B CN111964706B (zh) 2022-07-05

Family

ID=73365824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010810319.6A Active CN111964706B (zh) 2020-08-13 2020-08-13 分布式视场互补多伯努利关联算术平均融合跟踪方法

Country Status (1)

Country Link
CN (1) CN111964706B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119004361A (zh) * 2024-07-30 2024-11-22 四川大学 基于改进椭圆度量的多传感器多扩展目标跟踪方法及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106199581A (zh) * 2016-06-30 2016-12-07 电子科技大学 一种随机集理论下的多机动目标跟踪方法
CN106408594A (zh) * 2016-09-28 2017-02-15 江南大学 基于多伯努利特征协方差的视频多目标跟踪方法
IN201641039332A (zh) * 2016-11-18 2018-05-25
CN108934028A (zh) * 2018-07-05 2018-12-04 电子科技大学 一种多伯努利滤波器分布式融合方法
CN110967690A (zh) * 2019-11-12 2020-04-07 江南大学 一种基于多伯努利分布式多传感器多目标跟踪方法
CN111504327A (zh) * 2020-04-30 2020-08-07 江苏理工学院 一种基于航迹平滑技术的广义标签多伯努利多目标跟踪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106199581A (zh) * 2016-06-30 2016-12-07 电子科技大学 一种随机集理论下的多机动目标跟踪方法
CN106408594A (zh) * 2016-09-28 2017-02-15 江南大学 基于多伯努利特征协方差的视频多目标跟踪方法
IN201641039332A (zh) * 2016-11-18 2018-05-25
CN108934028A (zh) * 2018-07-05 2018-12-04 电子科技大学 一种多伯努利滤波器分布式融合方法
CN110967690A (zh) * 2019-11-12 2020-04-07 江南大学 一种基于多伯努利分布式多传感器多目标跟踪方法
CN111504327A (zh) * 2020-04-30 2020-08-07 江苏理工学院 一种基于航迹平滑技术的广义标签多伯努利多目标跟踪方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119004361A (zh) * 2024-07-30 2024-11-22 四川大学 基于改进椭圆度量的多传感器多扩展目标跟踪方法及设备

Also Published As

Publication number Publication date
CN111964706B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
Phoemphon et al. A hybrid localization model using node segmentation and improved particle swarm optimization with obstacle-awareness for wireless sensor networks
CN106291533B (zh) 一种基于amd的分布式多传感器融合方法
CN106991691B (zh) 一种适用于摄像机网络下的分布式目标跟踪方法
CN106851571B (zh) 一种基于决策树的快速KNN室内WiFi定位方法
WO2012009947A1 (zh) 特征迹驱动的多目标跟踪装置及方法
CN111352087B (zh) 基于dbscan的被动mimo雷达多目标定位方法
CN111988845B (zh) 边缘计算架构下的差分私有多源无线信号指纹融合室内定位方法
CN110889862B (zh) 一种网络传输攻击环境中多目标跟踪的组合测量方法
CN108650706A (zh) 基于二阶泰勒近似的传感器节点定位方法
Benala et al. A particle swarm optimized functional link artificial neural network (PSO-FLANN) in software cost estimation
CN112113572A (zh) 一种解决分布式标签融合的多目标跟踪方法
CN104680002B (zh) 一种基于随机集理论的分布式融合方法
CN111964706B (zh) 分布式视场互补多伯努利关联算术平均融合跟踪方法
Liu et al. Improved Iterated-corrector PHD with Gaussian mixture implementation
Sorkhabi et al. Deep learning of GPS geodetic velocity
CN113296089B (zh) 用于多预警机目标跟踪系统的lmb密度融合方法及装置
CN112748735B (zh) 一种引入颜色特征的扩展目标跟踪方法
CN111539476B (zh) 基于朴素贝叶斯的个人信息传播扩散源定位的观测点部署方法
CN111770528B (zh) 基于信道参数萃取方法的视距与非视距识别方法及装置
Plarre et al. Tracking objects with networked scattered directional sensors
CN110309599A (zh) 一种方位测量融合与多目标定位方法
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
CN113959428B (zh) 一种用于跟踪非刚性多扩展目标的phd滤波方法
CN106658643A (zh) 基于rssi的有效锚节点选取方法
CN113218393A (zh) 基于磁异常总场匹配定位算法的水下目标分布式组网定位方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Xue Qiutiao

Inventor after: Yan Suqing

Inventor after: Wang Shouhua

Inventor after: Wang Li

Inventor after: Wu Sunyong

Inventor after: Zou Baohong

Inventor after: Sun Xiyan

Inventor after: Ji Yuanfa

Inventor after: Cai Ruhua

Inventor after: Fan Xiangting

Inventor after: Fu Qiang

Inventor before: Xue Qiutiao

Inventor before: Yan Suqing

Inventor before: Wang Shouhua

Inventor before: Wang Li

Inventor before: Wu Sunyong

Inventor before: Zou Baohong

Inventor before: Sun Xiyan

Inventor before: Ji Yuanfa

Inventor before: Cai Ruhua

Inventor before: Fan Xiangting

Inventor before: Fu Qiang