CN114415157A - 一种基于水声传感器网络的水下目标多模型跟踪方法 - Google Patents
一种基于水声传感器网络的水下目标多模型跟踪方法 Download PDFInfo
- Publication number
- CN114415157A CN114415157A CN202111653942.6A CN202111653942A CN114415157A CN 114415157 A CN114415157 A CN 114415157A CN 202111653942 A CN202111653942 A CN 202111653942A CN 114415157 A CN114415157 A CN 114415157A
- Authority
- CN
- China
- Prior art keywords
- model
- target
- state
- underwater
- representing
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005259 measurement Methods 0.000 claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 230000007704 transition Effects 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 230000002452 interceptive effect Effects 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 230000003993 interaction Effects 0.000 claims abstract description 3
- 150000001875 compounds Chemical class 0.000 claims description 18
- 238000013139 quantization Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 8
- 238000011002 quantification Methods 0.000 claims description 4
- 102000002274 Matrix Metalloproteinases Human genes 0.000 claims description 2
- 108010000684 Matrix Metalloproteinases Proteins 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
-
- 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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/66—Sonar tracking systems
-
- 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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
-
- 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
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
- G01S5/186—Determination of attitude
-
- 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
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
- G01S5/22—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/52017—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 particularly adapted to short-range imaging
- G01S7/52077—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 particularly adapted to short-range imaging with means for elimination of unwanted signals, e.g. noise or interference
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Acoustics & Sound (AREA)
- Computing Systems (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于水声传感器网络的水下目标多模型跟踪方法,建立水下三维UASNs‑IMM目标量测模型;将均匀量化后的数据传输到融合中心进行融合;对目标量测模型中的全部子模型的初始状态进行交互运算,并把交互后的值输入到各个子模型对应的滤波器中,得到目标混合状态输入和协方差矩阵;将输入交互运算得到的初始化状态向量及协方差矩阵作为滤波器输入进行条件滤波预测和估计;将获取的子滤波器的新息及其对应协方差矩阵对各预测模型的转移概率进行更新修正;以更新后的模型概率为标准,对当前时刻各个子滤波器输出的状态估计和对应协方差进行加权求和得到融合后的估计状态。本发明具有跟踪范围大、估计精度高的优势。
Description
技术领域
本发明属于水声传感器网络目标跟踪领域,涉及统计信号处理、信息融合、目标跟踪理论,用于在水下复杂环境中对水下目标进行高精度地跟踪,同时降低UASNs的能耗。
背景技术
海洋占地球表面约71%,资源十分丰富,随着陆地资源的匮乏,人类进军海洋的步伐不断加快。水声传感器网络(underwater acoustic sensor networks,UASNs)通过建立水下网络对海洋环境进行监测,大大增强水下空间信息感知能力,对实现海洋权益维护、水下目标搜索、海洋资源开发、海洋环境监测和保护等有着重要意义。近年来随着UASNs技术的发展和成熟,目标跟踪方法也逐渐向UASNs的方向发展。基于UASNs的目标跟踪方法,利用UASNs的覆盖范围大、量测信息多的优势,提高了目标跟踪的范围和精度。水下目标跟踪由于水下环境的特殊而变得很复杂,受外部干扰、环境变化以及目标机动等因素的影响,既要达到较高的跟踪精度,又要考虑UASNs的数据带宽以及能耗。现有的水下目标跟踪方法局限于二维空间的目标单一运动模型,而且没有考虑到水下数据传输率低的问题。因此,需要平衡两者的关系,保证对水下目标进行高效高精度跟踪的同时降低UASNs的能耗。
发明内容
为了克服现有技术的不足,本发明提供一种基于水声传感器网络的水下目标多模型跟踪方法,建立基于UASNs的三维量测模型,引入交互式多模型算法,以适应机动目标复杂的运动。其次,对量测数据进行量化处理,以解决水下数据传输率低和能耗大的问题。
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,建立水下三维UASNs-IMM目标量测模型,构建目标状态转移方程和量测方程;
步骤2,对量测信息进行均匀量化;
步骤3,将均匀量化后的数据传输到融合中心进行融合,得到总的量测;
步骤4,对目标量测模型中的全部子模型的初始状态进行交互运算,并把交互后的值输入到各个子模型对应的滤波器中,得到目标混合状态输入和协方差矩阵;
步骤5,将输入交互运算得到的初始化状态向量及协方差矩阵作为滤波器输入进行条件滤波预测和估计;
步骤6,将获取的子滤波器的新息及其对应协方差矩阵对各预测模型的转移概率进行更新修正;
步骤7,以更新后的模型概率为衡量子模型在当前时刻与真实运动状态匹配度的标准,对当前时刻各个子滤波器输出的状态估计和对应协方差进行加权求和得到融合后的估计状态。
所述的步骤1中,目标状态转移方程Xk+1=Fk+1Xk+wk,量测方程Zk+1,m=hk+1,m(Xk+1)+vk+1,m,式中,表示k时刻目标状态向量,xk,yk,zk分别表示目标在直角坐标系下x、y、z轴的位置,分别表示目标速度沿x、y、z轴的分量;Zk+1表示第m个传感器在k+1时刻目标量测向量;Fk+1表示k+1时刻系统的状态转移矩阵;hk+1,m(·)表示第m个传感器目标量测方程的非线性函数,包含距离r、方位角α和俯仰角β三种量测信息,wk,vk+1,m分别是目标转移噪声和第m个传感器的量测噪声。
所述的步骤5中,模型j在k时刻对k+1时刻状态的预测值其协方差矩阵 表示目标状态转移矩阵,Qk表示状态转移噪声协方差;扩展卡尔曼滤波器下模型j对应滤波器的状态估计值其协方差矩阵h是状态量测函数,表示状态量测函数h的雅可比矩阵;滤波增益
本发明的有益效果是:
1.引入UASNs多传感器量测信息融合,相较于单传感器量测,本发明具有跟踪范围大、估计精度高的优势。
2.引入交互式多模型,相较于单模型跟踪算法,本发明具有适用范围广,实用性强的优势。
3.增加量测数据量化处理,减少数据传输量,降低UASNs能耗,更加实用。
附图说明
图1为本发明的方法流程图。
图2为水下三维UASNs目标量测模型示意图。
图3为目标运动和跟踪轨迹示意图。
图4为四节点量测下的均方根误差示意图。
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。
本发明所采用的技术方案包括以下步骤:
步骤1:建立水下三维UASNs-IMM目标量测模型,目标状态转移方程和量测方程表示如下:
Xk+1=Fk+1Xk+wk (1)
Zk+1,m=hk+1,m(Xk+1)+vk+1,m (2)
式中,表示k时刻目标状态向量,其中xk,yk,zk分别表示目标在直角坐标系下x,y,z轴的位置,分别表示目标速度沿x,y,z轴的分量;Zk+1表示第m个传感器在k+1时刻目标量测向量;Fk+1表示k+1时刻系统的状态转移矩阵;hk+1,m(·)表示第m个传感器目标量测方程的非线性函数,包含距离r、方位角α和俯仰角β三种量测信息,wk,vk+1,m分别是目标转移噪声和第m个传感器的量测噪声。
步骤2:对量测信息进行均匀量化:
步骤4:对全部子模型的初始状态进行交互运算,并把交互后的值输入到各个子模型对应的滤波器中,得到目标混合状态输入和协方差矩阵如下:
模型j在k时刻的状态估计和协方差矩阵预测如下:
扩展卡尔曼滤波器下的目标跟踪和协方差更新方程:
滤波增益:
新息及新息协方差矩阵的计算如下:
k+1时刻模型j的概率:
式中:k时刻模型j匹配的似然函数为:
步骤7:以更新后的模型概率为衡量子模型在当前时刻与真实运动状态匹配度的标准,对当前时刻各个子滤波器输出的状态估计和对应协方差进行加权求和得到融合后的估计状态,计算如下:
本发明的实施例提供一种基于UASNs的三维目标信息融合的多模型跟踪方法,流程如图2所示。目标初始位置为-200,20,100,15,50,8Τ,1~20s:目标进行匀速直线运动;21~50s:目标进行协同转弯运动(ω=-0.1);51~80s:目标进行匀速直线运动;81~115s:目标进行匀速转弯运动(ω=0.1);116~140s:目标进行匀速直线运动。采样周期为T=1s。
执行步骤如下:
步骤1:当目标进入UASNs监测区域内,唤醒辐射信号范围内的传感器节点。被唤醒的传感器节点对目标进行TOA和AOA量测,获得的量测信息,4个传感器节点坐标为150,400,200、250,-200,300、615,-600,450、400,0,555。TOA观测的噪声服从均值为0、方差为100的高斯分布,AOA观测的噪声服从均值为0、方差为0.5的高斯分布。建立水下三维UASNs-IMM目标量测模型,目标状态转移方程和量测方程表示如下:
Xk+1=Fk+1Xk+wk (24)
Zk+1,m=hk+1,m(Xk+1)+vk+1,m (25)
其中Fk+1表示目标状态转移矩阵属于IMM中的一项,IMM模型集中包含2个CT模型(ω=-0.01rad、ω=0.01rad)和一个CV模型:
步骤2:对量测信息进行量化,如下式所示。TOA量测量化级数为128,Mr=128,量化间隔为10;AOA量测量化级数为64,,Mα=Mβ=64,量化间隔为0.05。
在这种情况下目标的总状态量测方程方程变为:
步骤4:由先验知识IMM模型及中子模型数量为3,模型初始概率分布为μi=[0.2,0.6,0.2],模型概率转换矩阵为:
对全部子模型的初始状态进行交互运算,初始噪声协方差矩阵为对角线元素为0.1的单位阵。将输入交互运算得到的初始化状态及协方差作为滤波器输入来进行条件滤波预测和估计,获得各个子滤波器输出的状态估计和对应协方差
滤波增益:
扩展卡尔曼滤波器下的目标跟踪和协方差更新方程:
新息及新息协方差矩阵的计算如下:
模型概率更新时,在k时刻模型j匹配的似然函数为:
k+1时刻模型j的概率:
上式中C为归一化常数,表达式为:
步骤7:以更新后的模型概率为衡量子模型在当前时刻与真实运动状态匹配度的标准,对当前时刻各个子滤波器输出的状态估计和对应协方差进行加权求和得到融合后的估计状态,计算如下:
仿真结果:图3为目标运动及跟踪轨迹,图4为位置均方根误差。根据仿真结果可以看出,本发明所提出的基于UASNs信息融合的水下目标多模型跟踪方法具有应用范围广,跟踪精度高的优势。步骤3增加了量测数据量化处理,减少了数据传输量,降低了UASNs能耗,更加实用。
Claims (9)
1.一种基于水声传感器网络的水下目标多模型跟踪方法,其特征在于,包括以下步骤:
步骤1,建立水下三维UASNs-IMM目标量测模型,构建目标状态转移方程和量测方程;
步骤2,对量测信息进行均匀量化;
步骤3,将均匀量化后的数据传输到融合中心进行融合,得到总的量测;
步骤4,对目标量测模型中的全部子模型的初始状态进行交互运算,并把交互后的值输入到各个子模型对应的滤波器中,得到目标混合状态输入和协方差矩阵;
步骤5,将输入交互运算得到的初始化状态向量及协方差矩阵作为滤波器输入进行条件滤波预测和估计;
步骤6,将获取的子滤波器的新息及其对应协方差矩阵对各预测模型的转移概率进行更新修正;
步骤7,以更新后的模型概率为衡量子模型在当前时刻与真实运动状态匹配度的标准,对当前时刻各个子滤波器输出的状态估计和对应协方差进行加权求和得到融合后的估计状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111653942.6A CN114415157A (zh) | 2021-12-30 | 2021-12-30 | 一种基于水声传感器网络的水下目标多模型跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111653942.6A CN114415157A (zh) | 2021-12-30 | 2021-12-30 | 一种基于水声传感器网络的水下目标多模型跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114415157A true CN114415157A (zh) | 2022-04-29 |
Family
ID=81270365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111653942.6A Pending CN114415157A (zh) | 2021-12-30 | 2021-12-30 | 一种基于水声传感器网络的水下目标多模型跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114415157A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117031473A (zh) * | 2023-10-07 | 2023-11-10 | 青岛哈尔滨工程大学创新发展中心 | 一种水下目标协同轨迹跟踪方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040220769A1 (en) * | 2003-05-02 | 2004-11-04 | Yong Rui | System and process for tracking an object state using a particle filter sensor fusion technique |
CN107704432A (zh) * | 2017-07-28 | 2018-02-16 | 西安理工大学 | 一种转移概率自适应的交互多模型目标跟踪方法 |
CN110350996A (zh) * | 2019-06-28 | 2019-10-18 | 中国科学院声学研究所 | 基于交互式多模型滤波器的时钟漂移率跟踪方法及系统 |
WO2020173105A1 (zh) * | 2019-02-28 | 2020-09-03 | 深圳大学 | 机动目标跟踪方法及装置 |
CN113498529A (zh) * | 2020-06-28 | 2021-10-12 | 华为技术有限公司 | 一种目标跟踪方法及其装置 |
-
2021
- 2021-12-30 CN CN202111653942.6A patent/CN114415157A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040220769A1 (en) * | 2003-05-02 | 2004-11-04 | Yong Rui | System and process for tracking an object state using a particle filter sensor fusion technique |
CN107704432A (zh) * | 2017-07-28 | 2018-02-16 | 西安理工大学 | 一种转移概率自适应的交互多模型目标跟踪方法 |
WO2020173105A1 (zh) * | 2019-02-28 | 2020-09-03 | 深圳大学 | 机动目标跟踪方法及装置 |
CN110350996A (zh) * | 2019-06-28 | 2019-10-18 | 中国科学院声学研究所 | 基于交互式多模型滤波器的时钟漂移率跟踪方法及系统 |
CN113498529A (zh) * | 2020-06-28 | 2021-10-12 | 华为技术有限公司 | 一种目标跟踪方法及其装置 |
Non-Patent Citations (2)
Title |
---|
杨瑜波;王惠刚;: "新型粒子滤波理论用于水下系统目标跟踪", 电声技术, no. 03, 17 March 2011 (2011-03-17) * |
赵彬;于雷;周中良;付昭旺;刘宏强;: "基于IMM-RUASFF的网络化目标跟踪算法", 火力与指挥控制, no. 11, 15 November 2016 (2016-11-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117031473A (zh) * | 2023-10-07 | 2023-11-10 | 青岛哈尔滨工程大学创新发展中心 | 一种水下目标协同轨迹跟踪方法 |
CN117031473B (zh) * | 2023-10-07 | 2024-01-12 | 青岛哈尔滨工程大学创新发展中心 | 一种水下目标协同轨迹跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985093B (zh) | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 | |
CN110849369B (zh) | 机器人跟踪方法、装置、设备及计算机可读存储介质 | |
CN110503071B (zh) | 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法 | |
CN110865343B (zh) | 基于lmb的粒子滤波检测前跟踪方法及系统 | |
CN111178385A (zh) | 一种鲁棒在线多传感器融合的目标跟踪方法 | |
CN109581281B (zh) | 基于到达时间差和到达频率差的移动目标定位方法 | |
CN108717174B (zh) | 基于信息论的预测快速协方差交互融合无源协同定位方法 | |
CN109671100B (zh) | 一种分布式可变扩散组合系数粒子滤波直接跟踪方法 | |
CN111722214A (zh) | 雷达多目标跟踪phd实现方法 | |
CN111798494B (zh) | 广义相关熵准则下的机动目标鲁棒跟踪方法 | |
CN110780290B (zh) | 基于lstm网络的多机动目标跟踪方法 | |
CN115119142A (zh) | 一种基于传感器网络的分布式直接定位方法 | |
CN114415157A (zh) | 一种基于水声传感器网络的水下目标多模型跟踪方法 | |
CN114139109A (zh) | 一种目标跟踪方法、系统、设备、介质及数据处理终端 | |
CN115494450B (zh) | 一种高精度的超宽带室内定位跟踪与控制方法及装置 | |
CN116772867A (zh) | 一种基于因子图的节点优选的多auv自适应协同定位方法及系统 | |
CN116734860A (zh) | 一种基于因子图的多auv自适应协同定位方法及系统 | |
CN111262556A (zh) | 一种同时估计未知高斯测量噪声统计量的多目标跟踪方法 | |
CN115469314A (zh) | 一种均匀圆环阵稳健水下目标方位跟踪方法及系统 | |
CN114494340B (zh) | 一种kl交互式多模型水下目标跟踪方法 | |
CN113835064A (zh) | 一种协同校正源观测信息的加权多维标度tdoa定位方法 | |
CN115906413B (zh) | 一种Dirichlet过程混合模型节点自定位方法 | |
Wang et al. | A Model Stacking Algorithm for Indoor Positioning System using WiFi Fingerprinting. | |
CN116047495B (zh) | 一种用于三坐标雷达的状态变换融合滤波跟踪方法 | |
CN115087092B (zh) | 一种多传感器最大相关熵拓展信息滤波分层融合方法 |
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 |