CN113534127B - 一种多目标数据关联方法、装置及计算机可读存储介质 - Google Patents
一种多目标数据关联方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113534127B CN113534127B CN202110791037.0A CN202110791037A CN113534127B CN 113534127 B CN113534127 B CN 113534127B CN 202110791037 A CN202110791037 A CN 202110791037A CN 113534127 B CN113534127 B CN 113534127B
- Authority
- CN
- China
- Prior art keywords
- membership
- target
- observation
- intuitive
- blurring
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 15
- 238000013461 design Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 35
- 239000004973 liquid crystal related substance Substances 0.000 description 26
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 239000002243 precursor Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 210000003953 foreskin Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/023—Learning or tuning the parameters of a fuzzy system
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种多目标数据关联方法、装置及计算机可读存储介质,计算观测集中各观测的特征得到观测特征集,以及对预设目标轨迹特征集以及观测特征集进行直觉模糊化,得到训练集和测试集;对训练集进行前件参数以及后件参数辨识;采用辨识得到的前件参数以及后件参数,对多目标T‑S直觉模糊模型进行更新;将测试集输入至训练完成的多目标T‑S直觉模糊模型,获取目标关联矩阵;基于目标关联矩阵进行多目标数据关联。通过本发明的实施,引入直觉模糊集来丰富轨迹和观测点的特征信息,使每个样本的特征具有隶属度、非隶属度和直觉指数三个度量指标,有效提升了多目标数据关联的正确率,保证了密集杂波环境下的多目标跟踪性能。
Description
技术领域
本发明涉及目标检测技术领域,尤其涉及一种多目标数据关联方法、装置及计算机可读存储介质。
背景技术
随着雷达信号处理技术的发展,航迹与点迹数据关联问题成为了雷达跟踪系统的核心。尤其是在一些复杂的场景,如多目标、强干扰、密集杂波和交叉航迹等,会给目标分类和关联带来很大的困难。因此,雷达信号的一次处理与二次处理显得尤为重要。雷达信号一次处理的主要作用是在复杂环境下提取出有用的信息,常见做法是以预测点为中心设定一定的阈值,滤除掉阈值之外的杂波,以达到提高信噪比的目的;二次处理主要是针对单雷达情况下的数据处理,主要作用是对一次处理得到的数据进行滤波、关联等处理,得到目标的运动轨迹以及运动参数,从而实现对目标的有效跟踪。
从数据关联的方法来看,目前使用较多的是基于贝叶斯准则的贝叶斯类数据关联算法例如最近邻算法、概率数据关联算法、联合概率数据关联算法和多假设算法等,然而,这些关联算法的关联正确率通常较低,在杂波密度较高、目标间相互交叉或是目标数目较多时,容易出现错误关联以及漏关联的问题。
发明内容
本发明实施例的主要目的在于提供一种多目标数据关联方法、装置及计算机可读存储介质,至少能够解决相关技术中所提供的目标数据关联算法的关联正确率较低的问题。
为实现上述目的,本发明实施例第一方面提供了一种多目标数据关联方法,该方法包括:
计算观测集中各观测的特征得到观测特征集,以及对预设目标轨迹特征集以及所述观测特征集进行直觉模糊化,得到训练集和测试集;
对所述训练集进行前件参数辨识,以及对所述训练集进行后件参数辨识;其中,所述前件参数包括:隶属度、非隶属度以及直觉指数;
采用辨识得到的前件参数以及后件参数,对多目标T-S直觉模糊模型进行更新,得到训练完成的多目标T-S直觉模糊模型;
将所述测试集输入至所述训练完成的多目标T-S直觉模糊模型,获取目标关联矩阵;
基于所述目标关联矩阵进行多目标数据关联。
为实现上述目的,本发明实施例第二方面提供了一种多目标数据关联装置,该装置包括:
模糊模块,用于计算观测集中各观测的特征得到观测特征集,以及对预设目标轨迹特征集以及所述观测特征集进行直觉模糊化,得到训练集和测试集;
辨识模块,用于对所述训练集进行前件参数辨识,以及对所述训练集进行后件参数辨识;其中,所述前件参数包括:隶属度、非隶属度以及直觉指数;
更新模块,用于采用辨识得到的前件参数以及后件参数,对多目标T-S直觉模糊模型进行更新,得到训练完成的多目标T-S直觉模糊模型;
获取模块,用于将所述测试集输入至所述训练完成的多目标T-S直觉模糊模型,获取目标关联矩阵;
关联模块,用于基于所述目标关联矩阵进行多目标数据关联。
为实现上述目的,本发明实施例第三方面提供了一种电子装置,该电子装置包括:处理器、存储器和通信总线;
所述通信总线用于实现所述处理器和存储器之间的连接通信;
所述处理器用于执行所述存储器中存储的一个或者多个程序,以实现上述任意一种多目标数据关联方法的步骤。
为实现上述目的,本发明实施例第四方面提供了一种计算机可读存储介质,该计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述任意一种多目标数据关联方法的步骤。
根据本发明实施例提供的多目标数据关联方法、装置及计算机可读存储介质,计算观测集中各观测的特征得到观测特征集,以及对预设目标轨迹特征集以及观测特征集进行直觉模糊化,得到训练集和测试集;对训练集进行前件参数辨识,以及对训练集进行后件参数辨识;采用辨识得到的前件参数以及后件参数,对多目标T-S直觉模糊模型进行更新,得到训练完成的多目标T-S直觉模糊模型;将测试集输入至训练完成的多目标T-S直觉模糊模型,获取目标关联矩阵;基于目标关联矩阵进行多目标数据关联。通过本发明的实施,引入直觉模糊集来丰富轨迹和观测点的特征信息,使每个样本的特征具有隶属度、非隶属度和直觉指数三个度量指标,有效提升了多目标数据关联的正确率,保证了密集杂波环境下的多目标跟踪性能。
本发明其他特征和相应的效果在说明书的后面部分进行阐述说明,且应当理解,至少部分效果从本发明说明书中的记载变的显而易见。
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为本发明第一实施例提供的多目标数据关联方法的流程示意图;
图2(a)为本发明第二实施例提供的杂波密度λ=2时的跟踪效果示意图;
图2(b)为本发明第二实施例提供的杂波密度λ=2时的跟踪位置误差示意图;
图2(c)为本发明第二实施例提供的杂波密度λ=2时的跟踪速度误差示意图;
图3(a)为本发明第二实施例提供的杂波密度λ=1时目标1的位置误差示意图;
图3(b)为本发明第二实施例提供的杂波密度λ=1时目标2的位置误差示意图;
图4为本发明第三实施例提供的多目标数据关联装置的程序模块示意图;
图5为本发明第四实施例提供的电子装置的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本申请实施例中,T-S(Takagi-Sugeno)模糊推理规则通常被定义为“如果满足一组条件,则推断出一组结果”。因此,T-S模糊模型的模糊推理规则定义为:
规则Rk:if x1 isand x2 is/>andΛand xd is/>
then
其中“if”部分是规则前件,“then”部分定义为规则后件,'and'是模糊连接算子,是与规则k的输入变量xi相对应的模糊子集(1≤i≤d),fk(x)是规则k的输出,/>是模型第k个规则对应的第i个后件参数。输入向量x=[x1,x2,...,xd]为模型的输入,d为变量x的维数,向量/>为后件参数,TSK模糊系统的最终输出y0为各规则的加权平均值。表达如下:
其中,K为模糊规则数量,μk(x)为第k条模糊规则对输入x的贡献程度,fk(x)为第k个规则的输出,为μk(x)归一化后的结果。
考虑到在处理轨迹关联的过程中,轨迹和目标往往是不确定的,而普通的模糊系统无法处理这种不确定性,因此引入直觉模糊系统进行处理会有更好的效果。因此引入了T-S直觉模糊系统的概念,它是T-S模糊系统的一个扩展。与上述T-S模糊模型的定义相似,基于直觉模糊集,构造了以下T-S直觉模糊模型。T-S直觉模糊系统的直觉模糊推理规则可定义如下:
规则Rk:if z1 isand z2 is/>and…and zd is/>
then
其中zi={<xi,μ(xi),υ(xi)>|xi∈E}为直觉模糊化后模型的输入变量,E为论域,μ(xi)与υ(xi)为构成直觉模糊数zi的两个普通模糊数,分别代表隶属度和非隶属度,且0≤μ(xi)+υ(xi)≤1,π(xi)=1-μ(xi)-υ(xi)为直觉模糊数的直觉指数;K为模糊规则数量;是第k条规则的输入变量zi对应的直觉模糊子集。
每个规则以输入向量z=[z1,z2,…,zd]T为前件变量,d为变量的维度,为后件参数,T-S直觉模糊模型最终的输出结果y0是对每条规则结果fk(z)的加权平均,计算如下:
其中,μk(z)表示第k条模糊规则对输入z的贡献程度,为其归一化结果,计算如下:
其中,分别为前件参数中隶属度、非隶属度和直觉指数部分;然后通过设置合适的λ值(常见的是取λ1=1,λ2=0,λ3=0.5)计算出/> 表示第k条模糊规则对输入zi的贡献度,μk(z)表示第k条模糊规则对输入向量z的贡献度。
第一实施例:
为了解决相关技术中所提供的目标数据关联算法的关联正确率较低的问题,本实施例提出了一种多目标数据关联方法,如图1所示为本实施例提供的多目标数据关联方法的流程示意图,本实施例提出的多目标数据关联方法包括以下的步骤:
步骤101、计算观测集中各观测的特征得到观测特征集,以及对预设目标轨迹特征集以及观测特征集进行直觉模糊化,得到训练集和测试集。
具体的,在本实施例的基于多目标T-S直觉模糊模型的数据关联算法中,对于T-S直觉模糊模型,模型的输入包括:t时刻m条轨迹的观测集O={o1,o2,o3,...,on}、[t-n,t-1]时刻m条目标轨迹特征集UT={HT,RT}。首先,进行初始化操作,设置模糊规则K’的数量以及训练模型的轨迹点数n;然后,根据t-1时刻m条目标轨迹的状态预测t时刻的目标状态;随之,计算观测集O={o1,o2,o3,...,on}中各观测的特征,得到t时刻特征集UM={HM,RM},再对特征集UT和UM进行直觉模糊化,对应得到训练集Ztraning={z′traning1,z′traning2}和测试集Z={z′1,z′2}。
在本实施例一种可选的实施方式中,上述对预设目标轨迹特征集以及观测特征集进行直觉模糊化的步骤,具体包括:针对预设目标轨迹特征集以及观测特征集中的特征计算归属于模糊集的隶属度,以及通过最大化直觉模糊熵法计算最优参数;将隶属度以及最优参数输入至预设隶属度计算公式,输出直觉模糊化后的隶属度;将直觉模糊化后的隶属度以及最优参数输入至预设非隶属度计算公式,输出直觉模糊化后的非隶属度;将直觉模糊化后的隶属度以及直觉模糊化后的非隶属度输入至预设直觉指数计算公式,输出直觉模糊化后的直觉指数。
应当说明的是,上述隶属度计算公式表示为:
非隶属度计算公式表示为:
直觉指数计算公式表示为:πz(Hi)=1-μz(Hi)-υz(Hi);
其中,μF表示归属于模糊集的隶属度,λ表示最优参数,μz(Hi)表示直觉模糊化后的隶属度,υz(Hi)表示直觉模糊化后的非隶属度,πz(Hi)表示直觉模糊化后的直觉指数。
具体的,对于特征数据的直觉模糊化,本实施例可以采用最大化直觉模糊熵的方法对特征数据进行直觉模糊化,直觉模糊化过程如下:
首先,对于直觉模糊化处理所需的参数μF,构建模糊集DF={Hi,μij},其中Hi为k时刻观测集中第i个观测对应的特征数据(以航向角特征为例),然后计算:
其中,μF为Hi属于模糊集DF的隶属程度;Hmin和Hmax分别代表航向角特征的最小值和最大值。
另外,对于直觉模糊化处理所需的参数λ,是通过最大化直觉模糊熵的方法计算出来的最优参数值,计算过程如下:
首先,构建目标函数:
其中,IFE(z,λ)为直觉模糊熵大小,N为特征Hi的数量,πz(Hi)为直觉模糊化后的特征Hi对应的直觉指数。
对上式中的λ在[0.1,1]内进行遍历取值并带入到隶属度计算公式、非隶属度计算公式、直觉指数计算公式以及目标函数进行计算,在得出的所有直觉模糊熵(IFE)中选择最大的作为最优参数λopt,即
λopt=max(IFE(z,λ))
得出最优参数λopt后将其带入隶属度计算公式、非隶属度计算公式、直觉指数计算公式计算出直觉模糊化后的航向角特征。最后,重复上述公式的步骤,可以计算出k时刻观测集中各观测直觉模糊化后的航向角特征以及斜距离特征其中,/> Hi为观测i的航向角特征,Ri为观测i的斜距离特征。
步骤102、对训练集进行前件参数辨识,以及对训练集进行后件参数辨识。
具体的,本实施例通过直觉模糊C均值聚类(IFCM)来获取想要的前件参数。IFCM与FCM类似,通过目标函数最小化的思想,来得到每个数据点对于聚类中心的隶属度。
假设Z={z1,z2,…,zN},zn∈Rd,为数据集合,N为数据项数,整数K为聚类数,且2≤k<K。V={v1,v2,…,vK},vk∈Rd为K个聚类中心的集合,且每个聚类中心向量可以表示为目标函数定义为:
μnk∈[0,1],2≤k<K,1≤n<N
其中,μnk表示样本数据zn隶属于第k类的隶属度;U=[μnk]N×K为Z的模糊隶属度矩阵;m∈[1,+∞)是加权指数。dnk 2(zn,vk)表示数据点zn与聚类中心vk的距离的平方,可由如下公式表示:
其中,dnk 2(zn,vk)为样本zn与聚类中心vk之间距离的平方,ω为加权项,当ω=(1/d,1/d…1/d)时,dnk 2(zn,vk)表示样本zn与聚类中心vk之间的欧氏距离的平方,本实施例选择使用欧氏距离来进行度量,和/>分别代表输入样本zn的隶属度、非隶属度和直觉指数部分,/>和/>分别代表聚类中心vk的隶属度、非隶属度和直觉指数部分。然后,再利用拉格朗日乘数法来求解min{Jm(U,V)},令:
其中,N为数据项数,K为模糊规则数,μnk表示样本数据zn隶属于第k类的隶属度,m为模糊加权指数,γk为第k个规则的拉格朗日乘数,dnk 2(zn,vk)为样本zn与聚类中心vk的欧式距离的平方,L为目标函数。
令:
其中,N为数据项数,K为模糊规则数,μnk表示样本数据zn隶属于第k类的隶属度,γk为第k个拉格朗日乘数,L为目标函数。
可得:
1≤n≤N,2≤k≤K
其中,dnk为样本到聚类中心的欧式距离。
令:
其中,和/>分别代表聚类中心vk的隶属度、非隶属度和直觉指数部分。
可得:
其中,和/>分别代表输入样本zn的隶属度、非隶属度和直觉指数部分。
从而得到聚类中心
若T-S直觉模糊模型的规则数设定为K,输入为Z={z1,z2,…,zN},zn∈Rd,其中z=[z1,z2,L,zd]T,则在IFCM算法中,聚类数为K,可以得到模糊划分矩阵μ,矩阵μ的元素μnk∈[0,1]表示第n个输入样本zn到第k个规则的隶属度,模糊集按照如下式子表示:
首先,采用高斯隶属度函数设计更新前的前件参数中的隶属度以及前件参数中的直觉指数,其中,隶属度设计公式和直觉指数设计公式如下:
其中,为更新前的前件参数中的隶属度部分,μ(xi)为输入数据zi的隶属度部分,/>为第k个聚类中心的第i维的隶属度,/>为前件参数中的直觉指数部分。γ用来控制犹豫度的大小,取值一般在0.2-0.3之间。
中心向量是通过IFCM算法获得的第k个规则的中心向量,其中,/>计算过程如下:
其中,和/>分别代表聚类中心vk中第i维数据的隶属度、非隶属度和直觉指数部分,μnk为样本数据zn隶属于第k类的隶属度,m为模糊加权指数,μ(xni)、υ(xni)和π(xni)分别为输入的第n个样本zn的第i维特征zi的隶属度、非隶属度和直觉指数;/>为构建高斯隶属度函数的参数,h是一个标量,可以手动设置或通过某些学习策略获取。
最后,根据上述隶属度设计公式和直觉指数设计公式设计更新前的前件参数中的非隶属度,非隶属度设计公式表示为:
其中,为更新前的前件参数中非隶属度部分,/>为更新前的前件参数中隶属度部分。
最终计算得到的隶属函数、非隶属函数和犹豫度函数所对应的模糊集为:
其中,和/>分别为更新后的前件参数中隶属度和非隶属度部分,为前件参数中直觉指数部分。
另外,在本实施例中,可以通过最小二乘法来辨识模型的后件参数,原理是通过最小化误差平方和的方法来获得参数,算法原理如下:
首先,令:
ze=(<1,0>,zT)T
其中,z=[z1,z2,…,zd]T为模型的输入。
其中,为归一化后的第k条模糊规则对输入z的贡献程度。
由此,设计输入变量映射公式:
其中,K为模糊规则数。
其中,为第k条模糊规则的后件参数pk的第i个参数值。
pg=((p1)T,(p2)T,…,(pK)T)T
根据T-S直觉模糊模型的输出,本实施例可得:
y0=(pg)Tzg
根据最小二乘法原理,构建如下目标函数:
其中,和/>分别为输入zg,n的隶属度和直觉指数,zg,n为第n个输入变量通过输入变量映射公式映射得到的值,yn为真实标签值。Y=[y1,y2,…,yN]T为真实的标签数据,N为类数。优化出Pg,使得目标函数JLS(pg)最小,模型最接近真实值,令:
可得优化后的后件参数:
其中,和/>分别为输入zg,n的隶属度和直觉指数,yn为第n个训练样本的真实标签值。
步骤103、采用辨识得到的前件参数以及后件参数,对多目标T-S直觉模糊模型进行更新,得到训练完成的多目标T-S直觉模糊模型。
为了解决多目标跟踪中数据关联问题,需要建立多目标T-S直觉模糊模型。本实施例根据上述根据最小二乘法原理所构建的目标函数,可以构建出多目标T-S直觉模糊模型的目标函数为:
其中,pg,j为第j类的后件参数,是第n个样本的m维标签向量中第j个元素值,m为类别数,N为样本数,/>和/>分别为输入zg,n的隶属度和直觉指数,zg,n为第n个输入变量通过式(21)-(23)映射得到的值。如果/>的第1维是1而其他维是-1,则意味着zn属于第l类。根据优化理论,本实施例可以得到多目标关联模型中的第j个模型后件参数最终的优化结果为:
其中,和/>分别为输入zg,n的隶属度和直觉指数,zg,n为第n个输入变量通过前述输入变量映射公式映射得到的值,/>是第n个样本的m维标签向量中第j个元素值,m为类别数。
最后,构建多目标T-S直觉模糊模型为:
规则Rk′:if z′1 isand z′2 is/>
then
其中,z′1为直觉模糊化后的航向角特征,z′2为直觉模糊化后的斜距离特征,fk′(z)为第k′个规则的输出,为模型j中规则k′对应的后件参数,其中0≤i≤2,K′为模糊规则数量。
步骤104、将测试集输入至训练完成的多目标T-S直觉模糊模型,获取目标关联矩阵。
具体的,本实施例将直觉模糊化后的特征输入到训练好的多目标T-S直觉模糊模型,可以得到第j个模型的输出为:
其中,K′为模糊规则数量,μk′(z)为第k′个规则对模型输出的贡献程度,为其归一化后的结果,fk′(z)为第k′个规则的输出。
利用训练好的多目标关联模型,可以实现多目标关联等操作。从上式可以看出,每个拥有稳定轨迹的目标都有一个T-S直觉模糊模型与之对应,并且每个模型都得以训练。因此,假设k时刻m条稳定轨迹对应的目标观测集为O={o1,o2,o3…on},提取观测集中各观测的特征,直觉模糊化后输入到训练好的多目标T-S直觉模糊模型中,多目标T-S直觉模糊模型中的每个模型都将得到一个输出,其中第j个模型的输出矢量可以表示为:
其中,yj,i为第j个模型的第i个输出,1≤i≤n。若输出矢量中有元素yj,i的值小于关联阈值τ=0.5,认为观测i与轨迹j的关联度过低,属于轨迹j真实观测的概率过低,对元素yj,i进行置零。
因此,对于多目标T-S直觉模糊模型中的m个模型,可以得到如下m×n的输出矩阵:
根据T-S直觉模糊模型的特点,与目标相关度高的测量具有高输出值,反之亦然。因此,模型输出矩阵可以看作是目标关联矩阵。关联矩阵中第i列元素对应着观测i与m条轨迹的相关度,同样,对观测矩阵进行关联阈值处理,将小于关联阈值的元素进行置零。得到更新后的目标关联矩阵为:/>
步骤105、基于目标关联矩阵进行多目标数据关联。
具体的,本实施例中基于目标关联矩阵进行多目标数据关联的具体实现可以为:基于目标关联矩阵计算关联概率矩阵;根据关联概率矩阵对各轨迹当前时刻的观测进行联合概率滤波,得到各轨迹当前时刻的目标估计位置,完成目标关联。
应当说明的是,由于环境的复杂性和传感器的不精确性,可能会导致一个观测同时与多个目标相关联的情况。对此,认为只与一个目标相关联的观测应该赋予大的权,而对于同时与多个目标相关联的观测应赋予小的权;同时,一个目标最多有一个观测以其为源,也就是说,在接收的观测中只有一个观测与目标最匹配。
基于此,本实施例上述基于目标关联矩阵计算关联概率矩阵的步骤的具体实现为:基于预设处理策略确定目标关联概率;处理策略表示如下:如果观测i只与一个目标轨迹关联,那么关联概率可以表示为:βj,i=y′j,i,另外,如果观测i同时与多个目标轨迹关联,那么关联概率可以表示为:其中,m为目标数量,S表示所有与观测i相关联的轨迹集合;
基于目标关联概率对目标关联矩阵进行重建并标准化,得到关联概率矩阵;关联概率矩阵表示为其中,βj,i为观测i对目标j的关联概率,1≤i≤n,1≤j≤m,Nj的求解公式表示为:/>
最后,根据t时刻目标预测位置、t时刻目标观测集合以及关联概率矩阵W,通过卡尔曼滤波器进行联合概率滤波,即可得到t时刻目标估计位置。
根据本发明实施例提供的多目标数据关联方法,一方面,考虑到观测点和轨迹点本身的不确定性,本实施例从轨迹和观测中提取的特征也是不确定的,因此,可以考虑使用直觉模糊集来描述轨迹和观测点的特征,利用直觉模糊熵的方法对轨迹和观测点的特征进行直觉模糊化,从隶属度、非隶属度和直觉指数三个方面描述了轨迹和观测点的特征,使跟踪结果更加真实可靠。另一方面,该算法利用学习和训练机制,通过当前时刻之前少量的关联轨迹点对模型进行训练,获得轨迹的运动特征;然后,利用该算法计算出轨迹特征与观测点特征的相似度,并通过加权匹配度计算出轨迹的观测点;该算法充分利用了轨迹和观测点的特征;因此,在目标交叉时仍能准确稳定地实现跟踪,有效地解决了交叉目标交叉处关联精度低的问题。又一方面,通过引入直觉模糊集的概念来丰富轨迹和观测点的特征信息,使每个样地的特征具有“隶属度”、“非隶属度”和“直觉指数”三个度量指标,更符合实际情况。仿真结果表明,该算法的稳定性明显优于各种算法,在密集杂波环境下仍能保证较高的跟踪稳定性。再一方面,提出的T-S直觉模糊模型采用线性建模的方式进行建模,计算量只随杂波密度和目标个数的增加而线性增加,不会产生“组合爆炸”,效率高,能满足实时性要求,有效地解决了算法的实时性问题。
第二实施例:
为了验证提出算法的有效性,本实施例对复杂环境下的雷达目标跟踪进行了仿真实验。同时对比于标准JPDAF算法、Fitzgerald-JPDAF算法与颇具代表性的MaxEntropy-JPDAF算法。比较的性能指标主要为跟踪误差、仿真时间和跟踪的稳定性。
本实施例仿真的实验对象为两条小角度交叉目标。其中,目标1轨迹初始位置坐标为x1=1km,y1=5.3km;目标2轨迹初始位置坐标为x1=1km,y1=2.3km。两目标均做匀速直线运动,目标1在y方向上的速度为-0.1km/s;目标2在y方向上的速度为0.15km/s;目标1和目标2在x方向上的速度均为0.3km/s。
仿真时间35,采样间隔T=1s。观测噪声均方差为0.15km。假设杂波模型是均匀分布的,并且假设错误观测(杂波)的数量λ=1、2是具有已知参数的泊松分布(λ表示每单位体积错误观测数量)。
卡尔曼滤波器参数设置为:
过程噪声方差矩阵
观测噪声方差矩阵
初始协方差矩
为了验证提出算法的有效性,将提出算法与Standard-JPDAF,Fitzgerald-JPDAF和MEF-JPDAF算法进行了对比。模拟了在不同杂波密度环境下的对两条交叉轨迹进行关联的情况,以验证该算法的有效性。杂波密度设置为λ=1和λ=2。
图2(a)为本实施例提供的杂波密度λ=2时的跟踪效果示意图,图2(b)为本实施例提供的杂波密度λ=2时的跟踪位置误差示意图,图2(c)为本实施例提供的杂波密度λ=2时的跟踪速度误差示意图,本实施例的训练模型所使用的轨迹点数为10个。从图2(a)中不难看出本实施例所提出算法在密集杂波环境下跟踪交叉目标时所展现的良好跟踪效果,此外,仿真中两轨迹交叉点在第12-14时刻,在11-15时刻点时,两轨迹相离很近,各自的波门会有大面积的重合,许多关联算法会因此造成跟踪误差上升的情况。如图3(a)为本实施例提供的杂波密度λ=1时目标1的位置误差示意图,如图3(b)为本实施例提供的杂波密度λ=1时目标2的位置误差示意图,根据各算法跟踪位置误差图不难发现,普通JPDAF算法在两目标交叉后,跟踪误差大幅上升,Fitzgerald-JPDAF算法与MaxEntropy-JPDAF算法在第11-15时刻对目标2的跟踪误差也有一定幅度的上升,而本实施例所提出算法的跟踪误差在整个跟踪过程中都保持在一个较低的水平。当然,随着训练模型所使用的轨迹点数的减少,跟踪的性能也会有一定程度的下降,不过只要训练点数保证在6个以上,那么跟踪性能也会保证在可接受范围内。
当杂波密度λ=1时,使用不同轨迹点数训练模型时的跟踪效果以及各算法的跟踪效果如表1所示:
表1杂波密度λ=1时各算法性能对比
表1中TS-IFM(7TP)指模型的训练样本数为7个,其他的同理;目标1平均误差指的是对目标1进行跟踪时,所跟踪的35个点误差的平均,同理,目标2平均误差也是如此;耗时指的是每次仿真平均所用的时间;稳定性指的是在仿真100次下,成功跟踪的概率。其中,整个跟踪过程中每个点的单点跟踪位置误差小于0.6km认为是成功跟踪。
第三实施例:
为了解决相关技术中所提供的目标数据关联算法的关联正确率较低的问题,本实施例示出了一种多目标数据关联装置,具体请参见图4,本实施例的多目标数据关联装置包括:
模糊模块401,用于计算观测集中各观测的特征得到观测特征集,以及对预设目标轨迹特征集以及观测特征集进行直觉模糊化,得到训练集和测试集;
辨识模块402,用于对训练集进行前件参数辨识,以及对训练集进行后件参数辨识;其中,前件参数包括:隶属度、非隶属度以及直觉指数;
更新模块403,用于采用辨识得到的前件参数以及后件参数,对多目标T-S直觉模糊模型进行更新,得到训练完成的多目标T-S直觉模糊模型;
获取模块404,用于将测试集输入至训练完成的多目标T-S直觉模糊模型,获取目标关联矩阵;
关联模块405,用于基于目标关联矩阵进行多目标数据关联。
在本实施例的一些实施方式中,模糊模块401具体用于:针对预设目标轨迹特征集以及观测特征集中的特征计算归属于模糊集的隶属度,以及通过最大化直觉模糊熵法计算最优参数;
将隶属度以及最优参数输入至预设隶属度计算公式,输出直觉模糊化后的隶属度;
将直觉模糊化后的隶属度以及最优参数输入至预设非隶属度计算公式,输出直觉模糊化后的非隶属度;
将直觉模糊化后的隶属度以及直觉模糊化后的非隶属度输入至预设直觉指数计算公式,输出直觉模糊化后的直觉指数;
隶属度计算公式表示为:
非隶属度计算公式表示为:
直觉指数计算公式表示为:πz(Hi)=1-μz(Hi)-υz(Hi);
其中,μF表示归属于模糊集的隶属度,λ表示最优参数,μz(Hi)表示直觉模糊化后的隶属度,υz(Hi)表示直觉模糊化后的非隶属度,πz(Hi)表示直觉模糊化后的直觉指数。
在本实施例的一些实施方式中,辨识模块402在执行对训练集进行前件参数辨识的功能时,具体用于:针对训练集设计更新前的前件参数中的隶属度、非隶属度,以及前件参数中的直觉指数;
隶属度设计公式表示为:
非隶属度设计公式表示为:
直觉指数设计公式表示为:
其中,表示更新前的前件参数中的隶属度,/>表示更新前的前件参数中的非隶属度,/>表示前件参数中的直觉指数,/>表示第k个聚类中心第i维的隶属度,μ(xi)表示输入数据zi的隶属度,γ表示犹豫度,/>表示构建高斯隶属度函数的参数;
将更新前的前件参数中的隶属度以及更新前的前件参数中的直觉指数,输入至预设隶属度辨识公式,输出更新后的前件参数中的隶属度;隶属度辨识公式表示为:其中,/>表示输出更新后的前件参数中的隶属度;
将更新前的前件参数中的非隶属度以及更新前的前件参数中的直觉指数,输入至预设非隶属度辨识公式,输出更新后的前件参数中的非隶属度;非隶属度辨识公式表示为:其中,/>表示输出更新后的前件参数中的非隶属度;
将前件参数中的直觉指数进行输出。
在本实施例的另一些实施方式中,辨识模块402在执行对训练集进行后件参数辨识的功能时,具体用于:设计输入变量映射公式;输入变量映射公式表示为:令ze=(<1,0>,zT)T,/>其中,z=[z1,z2,…,zd]T为模型的输入,/>为归一化后的第k条模糊规则对输入z的贡献程度,K为模糊规则数;
针对训练集采用预设后件参数辨识公式,输出优化后的后件参数;后件参数辨识公式表示为:
其中,Pg表示优化后的后件参数,zg,n表示第n个输入变量的映射值,和/>分别表示zg,n的隶属度和直觉指数,yn表示第n个训练样本的真实标签值。
在本实施例的一些实施方式中,多目标T-S直觉模糊模型表示为:
规则Rk′:if z′1 isand z′2 is/>
then
其中,z′1为直觉模糊化后的航向角特征,z′2为直觉模糊化后的斜距离特征,fk′(z)为第k′个规则的输出,为模型j中规则k′对应的后件参数,其中0≤i≤2,K′为模糊规则数量。
在本实施例的一些实施方式中,关联模块405具体用于:基于目标关联矩阵计算关联概率矩阵;根据关联概率矩阵对各轨迹当前时刻的观测进行联合概率滤波,得到各轨迹当前时刻的目标估计位置。
进一步地,在本实施例的一些实施方式中,关联模块405在执行基于目标关联矩阵计算关联概率矩阵的功能时,具体用于:基于预设处理策略确定目标关联概率;处理策略包括:如果观测i只与一个目标轨迹关联,那么关联概率βj,i=y′j,i,如果观测i同时与多个目标轨迹关联,那么关联概率 其中,m为目标数量,S表示所有与观测i相关联的轨迹集合;
基于目标关联概率对目标关联矩阵进行重建并标准化,得到关联概率矩阵;关联概率矩阵表示为:令/>
应当说明的是,前述实施例中的多目标数据关联方法均可基于本实施例提供的多目标数据关联装置实现,所属领域的普通技术人员可以清楚的了解到,为描述的方便和简洁,本实施例中所描述的多目标数据关联装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
采用本实施例提供的多目标数据关联装置,计算观测集中各观测的特征得到观测特征集,以及对预设目标轨迹特征集以及观测特征集进行直觉模糊化,得到训练集和测试集;对训练集进行前件参数辨识,以及对训练集进行后件参数辨识;采用辨识得到的前件参数以及后件参数,对多目标T-S直觉模糊模型进行更新,得到训练完成的多目标T-S直觉模糊模型;将测试集输入至训练完成的多目标T-S直觉模糊模型,获取目标关联矩阵;基于目标关联矩阵进行多目标数据关联。通过本发明的实施,引入直觉模糊集来丰富轨迹和观测点的特征信息,使每个样本的特征具有隶属度、非隶属度和直觉指数三个度量指标,有效提升了多目标数据关联的正确率,保证了密集杂波环境下的多目标跟踪性能。
第四实施例:
本实施例提供了一种电子装置,参见图5所示,其包括处理器501、存储器502及通信总线503,其中:通信总线503用于实现处理器501和存储器502之间的连接通信;处理器501用于执行存储器502中存储的一个或者多个计算机程序,以实现上述实施例一中的多目标数据关联方法中的至少一个步骤。
本实施例还提供了一种计算机可读存储介质,该计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、计算机程序模块或其他数据)的任何方法或技术中实施的易失性或非易失性、可移除或不可移除的介质。计算机可读存储介质包括但不限于RAM(Random Access Memory,随机存取存储器),ROM(Read-Only Memory,只读存储器),EEPROM(Electrically Erasable Programmable read only memory,带电可擦可编程只读存储器)、闪存或其他存储器技术、CD-ROM(Compact Disc Read-Only Memory,光盘只读存储器),数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
本实施例中的计算机可读存储介质可用于存储一个或者多个计算机程序,其存储的一个或者多个计算机程序可被处理器执行,以实现上述实施例一中的方法的至少一个步骤。
本实施例还提供了一种计算机程序,该计算机程序可以分布在计算机可读介质上,由可计算装置来执行,以实现上述实施例一中的方法的至少一个步骤;并且在某些情况下,可以采用不同于上述实施例所描述的顺序执行所示出或描述的至少一个步骤。
本实施例还提供了一种计算机程序产品,包括计算机可读装置,该计算机可读装置上存储有如上所示的计算机程序。本实施例中该计算机可读装置可包括如上所示的计算机可读存储介质。
可见,本领域的技术人员应该明白,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件(可以用计算装置可执行的计算机程序代码来实现)、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。
此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、计算机程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。所以,本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明实施例所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (8)
1.一种多目标数据关联方法,其特征在于,包括:
计算观测集中各观测的特征得到观测特征集,以及对预设目标轨迹特征集以及所述观测特征集进行直觉模糊化,得到训练集和测试集;
对所述训练集进行前件参数辨识,以及对所述训练集进行后件参数辨识;其中,所述前件参数包括:隶属度、非隶属度以及直觉指数;
采用辨识得到的前件参数以及后件参数,对多目标T-S直觉模糊模型进行更新,得到训练完成的多目标T-S直觉模糊模型;
将所述测试集输入至所述训练完成的多目标T-S直觉模糊模型,获取目标关联矩阵;
基于所述目标关联矩阵进行多目标数据关联;
其中,所述对预设目标轨迹特征集以及所述观测特征集进行直觉模糊化的步骤,包括:
针对预设目标轨迹特征集以及所述观测特征集中的特征计算归属于模糊集的隶属度,以及通过最大化直觉模糊熵法计算最优参数;
将所述隶属度以及所述最优参数输入至预设隶属度计算公式,输出直觉模糊化后的隶属度;
将所述直觉模糊化后的隶属度以及所述最优参数输入至预设非隶属度计算公式,输出直觉模糊化后的非隶属度;
将所述直觉模糊化后的隶属度以及所述直觉模糊化后的非隶属度输入至预设直觉指数计算公式,输出直觉模糊化后的直觉指数;
所述隶属度计算公式表示为:
所述非隶属度计算公式表示为:
所述直觉指数计算公式表示为:πz(Hi)=1-μz(Hi)-υz(Hi);
其中,μF表示所述归属于模糊集的隶属度,λ表示所述最优参数,μz(Hi)表示所述直觉模糊化后的隶属度,υz(Hi)表示所述直觉模糊化后的非隶属度,πz(Hi)表示所述直觉模糊化后的直觉指数;
所述多目标T-S直觉模糊模型表示为:
规则Rk′:
其中,z1 ′为直觉模糊化后的航向角特征,z2 ′为直觉模糊化后的斜距离特征,fk′(z)为第k′个规则的输出,为模型j中规则k′对应的后件参数,其中0≤i≤2,K′为模糊规则数量。
2.如权利要求1所述的多目标数据关联方法,其特征在于,所述对所述训练集进行前件参数辨识的步骤,包括:
针对所述训练集设计更新前的前件参数中的隶属度、非隶属度,以及前件参数中的直觉指数;隶属度设计公式表示为:非隶属度设计公式表示为:/>直觉指数设计公式表示为:其中,/>表示更新前的前件参数中的隶属度,/>表示更新前的前件参数中的非隶属度,/>表示前件参数中的直觉指数,/>表示第k个聚类中心第i维的隶属度,μ(xi)表示输入数据xi的隶属度,γ表示犹豫度,/>表示构建高斯隶属度函数的参数;
将所述更新前的前件参数中的隶属度以及所述更新前的前件参数中的直觉指数,输入至预设隶属度辨识公式,输出更新后的前件参数中的隶属度;所述隶属度辨识公式表示为:其中,/>表示所述输出更新后的前件参数中的隶属度;
将所述更新前的前件参数中的非隶属度以及所述更新前的前件参数中的直觉指数,输入至预设非隶属度辨识公式,输出更新后的前件参数中的非隶属度;所述非隶属度辨识公式表示为:其中,/>表示所述输出更新后的前件参数中的非隶属度;
将所述前件参数中的直觉指数进行输出。
3.如权利要求1所述的多目标数据关联方法,其特征在于,所述对所述训练集进行后件参数辨识的步骤,包括:
设计输入变量映射公式;所述输入变量映射公式表示为:令ze=(<1,0>,zT)T,/>其中,z=[z1,z2,…,zd]T为模型的输入,/>为归一化后的第k条模糊规则对输入z的贡献程度,K为模糊规则数;
针对所述训练集采用预设后件参数辨识公式,输出优化后的后件参数;所述后件参数辨识公式表示为:
其中,Pg表示所述优化后的后件参数,zg,n表示第n个输入变量的映射值,和/>分别表示zg,n的隶属度和直觉指数,yn表示第n个训练样本的真实标签值。
4.如权利要求1至3中任意一项所述的多目标数据关联方法,其特征在于,所述基于所述目标关联矩阵进行多目标数据关联的步骤,包括:
基于所述目标关联矩阵计算关联概率矩阵;
根据所述关联概率矩阵对各轨迹当前时刻的观测进行联合概率滤波,得到各轨迹当前时刻的目标估计位置。
5.如权利要求4所述的多目标数据关联方法,其特征在于,所述基于所述目标关联矩阵计算关联概率矩阵的步骤,包括:
基于预设处理策略确定目标关联概率;所述处理策略包括:如果观测i只与一个目标轨迹关联,那么关联概率βj,i=y′j,i,如果观测i同时与多个目标轨迹关联,那么关联概率其中,m为目标数量,S表示所有与观测i相关联的轨迹集合;
基于所述目标关联概率对目标关联矩阵进行重建并标准化,得到关联概率矩阵;所述关联概率矩阵表示为:令/>
6.一种多目标数据关联装置,其特征在于,包括:
模糊模块,用于计算观测集中各观测的特征得到观测特征集,以及对预设目标轨迹特征集以及所述观测特征集进行直觉模糊化,得到训练集和测试集;
辨识模块,用于对所述训练集进行前件参数辨识,以及对所述训练集进行后件参数辨识;其中,所述前件参数包括:隶属度、非隶属度以及直觉指数;
更新模块,用于采用辨识得到的前件参数以及后件参数,对多目标T-S直觉模糊模型进行更新,得到训练完成的多目标T-S直觉模糊模型;
获取模块,用于将所述测试集输入至所述训练完成的多目标T-S直觉模糊模型,获取目标关联矩阵;
关联模块,用于基于所述目标关联矩阵进行多目标数据关联;
其中,所述模糊模块在执行所述对预设目标轨迹特征集以及所述观测特征集进行直觉模糊化的功能时,具体用于:针对预设目标轨迹特征集以及所述观测特征集中的特征计算归属于模糊集的隶属度,以及通过最大化直觉模糊熵法计算最优参数;将所述隶属度以及所述最优参数输入至预设隶属度计算公式,输出直觉模糊化后的隶属度;将所述直觉模糊化后的隶属度以及所述最优参数输入至预设非隶属度计算公式,输出直觉模糊化后的非隶属度;将所述直觉模糊化后的隶属度以及所述直觉模糊化后的非隶属度输入至预设直觉指数计算公式,输出直觉模糊化后的直觉指数;
所述隶属度计算公式表示为:
所述非隶属度计算公式表示为:
所述直觉指数计算公式表示为:πz(Hi)=1-μz(Hi)-υz(Hi);
其中,μF表示所述归属于模糊集的隶属度,λ表示所述最优参数,μz(Hi)表示所述直觉模糊化后的隶属度,υz(Hi)表示所述直觉模糊化后的非隶属度,πz(Hi)表示所述直觉模糊化后的直觉指数;
所述多目标T-S直觉模糊模型表示为:
规则Rk′:
其中,z1 ′为直觉模糊化后的航向角特征,z2 ′为直觉模糊化后的斜距离特征,fk′(z)为第k′个规则的输出,为模型j中规则k′对应的后件参数,其中0≤i≤2,K′为模糊规则数量。
7.一种电子装置,其特征在于,包括:处理器、存储器和通信总线;
所述通信总线用于实现所述处理器和存储器之间的连接通信;
所述处理器用于执行所述存储器中存储的一个或者多个程序,以实现如权利要求1至5中任意一项所述的多目标数据关联方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1至5中任意一项所述的多目标数据关联方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110791037.0A CN113534127B (zh) | 2021-07-13 | 2021-07-13 | 一种多目标数据关联方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110791037.0A CN113534127B (zh) | 2021-07-13 | 2021-07-13 | 一种多目标数据关联方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113534127A CN113534127A (zh) | 2021-10-22 |
CN113534127B true CN113534127B (zh) | 2023-10-27 |
Family
ID=78098839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110791037.0A Active CN113534127B (zh) | 2021-07-13 | 2021-07-13 | 一种多目标数据关联方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113534127B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345587A (zh) * | 2013-07-16 | 2013-10-09 | 深圳大学 | Ads-b监视数据与雷达航迹的直觉模糊关联方法、装置 |
CN105894542A (zh) * | 2016-04-26 | 2016-08-24 | 深圳大学 | 一种在线目标跟踪方法及装置 |
CN107545582A (zh) * | 2017-07-04 | 2018-01-05 | 深圳大学 | 基于模糊逻辑的视频多目标跟踪方法及装置 |
CN110111367A (zh) * | 2019-05-07 | 2019-08-09 | 深圳大学 | 模糊模型粒子滤波方法、装置、设备及存储介质 |
CN110349188A (zh) * | 2019-07-18 | 2019-10-18 | 深圳大学 | 基于tsk模糊模型的多目标跟踪方法、装置及存储介质 |
CN110349187A (zh) * | 2019-07-18 | 2019-10-18 | 深圳大学 | 基于tsk模糊分类器的目标跟踪方法、装置及存储介质 |
CN110363165A (zh) * | 2019-07-18 | 2019-10-22 | 深圳大学 | 基于tsk模糊系统的多目标跟踪方法、装置及存储介质 |
CN111007495A (zh) * | 2019-12-10 | 2020-04-14 | 西安电子科技大学 | 一种基于双重融合最大熵模糊聚类jpda的目标航迹优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0315349D0 (en) * | 2003-07-01 | 2003-08-06 | Qinetiq Ltd | Signal processing with reduced combinatorial complexity |
US11073608B2 (en) * | 2018-10-11 | 2021-07-27 | Raytheon Company | Resolving radar angle ambiguities using a multiple hypothesis tracker |
-
2021
- 2021-07-13 CN CN202110791037.0A patent/CN113534127B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345587A (zh) * | 2013-07-16 | 2013-10-09 | 深圳大学 | Ads-b监视数据与雷达航迹的直觉模糊关联方法、装置 |
CN105894542A (zh) * | 2016-04-26 | 2016-08-24 | 深圳大学 | 一种在线目标跟踪方法及装置 |
CN107545582A (zh) * | 2017-07-04 | 2018-01-05 | 深圳大学 | 基于模糊逻辑的视频多目标跟踪方法及装置 |
CN110111367A (zh) * | 2019-05-07 | 2019-08-09 | 深圳大学 | 模糊模型粒子滤波方法、装置、设备及存储介质 |
CN110349188A (zh) * | 2019-07-18 | 2019-10-18 | 深圳大学 | 基于tsk模糊模型的多目标跟踪方法、装置及存储介质 |
CN110349187A (zh) * | 2019-07-18 | 2019-10-18 | 深圳大学 | 基于tsk模糊分类器的目标跟踪方法、装置及存储介质 |
CN110363165A (zh) * | 2019-07-18 | 2019-10-22 | 深圳大学 | 基于tsk模糊系统的多目标跟踪方法、装置及存储介质 |
CN111007495A (zh) * | 2019-12-10 | 2020-04-14 | 西安电子科技大学 | 一种基于双重融合最大熵模糊聚类jpda的目标航迹优化方法 |
Non-Patent Citations (2)
Title |
---|
Maximum entropy fuzzy clustering with application to real-time target tracking;Li Liangqun等;《Signal Processing》;第86卷(第11期);第3432-3447页 * |
信息融合系统中的目标跟踪及数据关联技术研究;李良群;《中国优秀博硕士学位论文全文数据库(博士)信息科级辑》(第5期);第l140-13页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113534127A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Long short-term memory-based deep recurrent neural networks for target tracking | |
Milan et al. | Online multi-target tracking using recurrent neural networks | |
CN109990786B (zh) | 机动目标跟踪方法及装置 | |
CN109870698B (zh) | 一种超声波阵列障碍物检测结果处理方法及系统 | |
CN107300698B (zh) | 一种基于支持向量机的雷达目标航迹起始方法 | |
CN110347971A (zh) | 基于tsk模糊模型的粒子滤波方法、装置及存储介质 | |
Wang et al. | Deep reinforcement learning for data association in cell tracking | |
CN111562571A (zh) | 一种未知新生强度的机动多目标跟踪与航迹维持方法 | |
Narayana et al. | Intelligent visual object tracking with particle filter based on Modified Grey Wolf Optimizer | |
Liu et al. | Online multiple object tracking using confidence score‐based appearance model learning and hierarchical data association | |
Pham et al. | Unsupervised training of Bayesian networks for data clustering | |
CN111429481A (zh) | 一种基于自适应表达的目标追踪方法、装置及终端 | |
CN113989838A (zh) | 行人重识别模型训练方法、识别方法、系统、装置及介质 | |
CN113406623A (zh) | 基于雷达高分辨距离像的目标识别方法、装置及介质 | |
Li et al. | Differentiable bootstrap particle filters for regime-switching models | |
CN113534127B (zh) | 一种多目标数据关联方法、装置及计算机可读存储介质 | |
CN110321951B (zh) | 一种vr模拟飞行器训练评价方法 | |
CN112652003A (zh) | 一种基于ransac测度优化的三维点云配准方法 | |
Zitar et al. | Modified arithmetic optimization algorithm for drones measurements and tracks assignment problem | |
Zhang et al. | VESC: a new variational autoencoder based model for anomaly detection | |
Kouhalvandi et al. | Algorithms for speeding-up the deep neural networks for detecting plant disease | |
CN115527083A (zh) | 图像标注方法、装置和电子设备 | |
Zhang et al. | Mobile robot localization based on gradient propagation particle filter network | |
CN114742091A (zh) | 基于卷积块注意力的雷达个体辐射识别方法、系统及介质 | |
Chao et al. | Improving boosting methods with a stable loss function handling outliers |
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 |