CN115937253B - 厚尾量测噪声下的鲁棒泊松多伯努利滤波方法及相关设备 - Google Patents
厚尾量测噪声下的鲁棒泊松多伯努利滤波方法及相关设备 Download PDFInfo
- Publication number
- CN115937253B CN115937253B CN202211442634.3A CN202211442634A CN115937253B CN 115937253 B CN115937253 B CN 115937253B CN 202211442634 A CN202211442634 A CN 202211442634A CN 115937253 B CN115937253 B CN 115937253B
- Authority
- CN
- China
- Prior art keywords
- noise
- state
- determining
- equation
- 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 75
- 238000005259 measurement Methods 0.000 title claims abstract description 53
- 238000001914 filtration Methods 0.000 title claims abstract description 52
- 230000003190 augmentative effect Effects 0.000 claims abstract description 43
- 230000008569 process Effects 0.000 claims abstract description 32
- 238000009826 distribution Methods 0.000 claims description 63
- 238000003860 storage Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 12
- PHUTUTUABXHXLW-UHFFFAOYSA-N pindolol Chemical compound CC(C)NCC(O)COC1=CC=CC2=NC=C[C]12 PHUTUTUABXHXLW-UHFFFAOYSA-N 0.000 claims description 9
- 229960002508 pindolol Drugs 0.000 claims description 9
- 230000003416 augmentation Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000013398 bayesian method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种厚尾量测噪声下的鲁棒泊松多伯努利滤波方法及相关设备，涉及多目标跟踪领域，主要为解决现有的多目标跟踪算法无法给出最佳的多目标跟踪性能且无法推广到实际应用中过程噪声和厚尾噪声参数均未知的多目标跟踪场景中的问题。该方法包括：建立厚尾量测噪声下多目标跟踪的状态方程和观测方程，其中，所述状态方程和观测方程包含噪声未知参数；基于所述状态方程、观测方程和增广状态空间模型确定先验PDF和目标似然PDF；基于所述先验PDF和所述目标似然PDF确定近似后验PDF；基于所述先验PDF确定泊松多伯努利混合滤波算法的预测步骤；基于所述近似后验PDF确定泊松多伯努利混合滤波算法的更新步骤。本发明用于厚尾量测噪声下的鲁棒泊松多伯努利滤波过程。
Description
技术领域
本发明涉及多目标跟踪领域，尤其涉及一种厚尾量测噪声下的鲁棒泊松多伯努利滤波方法及相关设备。
背景技术
在实际多目标跟踪应用中，不可靠的传感器通常会采集呈现厚尾特征的测量异常值，这表示量测噪声是厚尾噪声。针对这种量测噪声为厚尾噪声的多目标跟踪问题，现有技术提出了带未知量测厚尾噪声的鲁棒广义标签多伯努利滤波算法。然而现有技术仍存在两个问题：1)没有考虑实际应用中过程噪声也是未知的情况；2)采用的标签多伯努利滤波算法不是目前基于随机有限集理论的多目标跟踪方法中跟踪性能最佳的算法，因此其多目标跟踪性能仍待进一步提高。
发明内容
鉴于上述问题，本发明提供一种厚尾量测噪声下的鲁棒泊松多伯努利滤波方法及相关设备，主要目的在于解决现有的多目标跟踪算法无法给出最佳的多目标跟踪性能且无法推广到实际应用中过程噪声和厚尾噪声参数均未知的多目标跟踪场景中的问题。
为解决上述至少一种技术问题，第一方面，本发明提供了一种厚尾量测噪声下的鲁棒泊松多伯努利滤波方法，该方法包括：
建立厚尾量测噪声下多目标跟踪的状态方程和观测方程，其中，上述状态方程和观测方程包含噪声未知参数；
基于上述状态方程、观测方程和增广状态空间模型确定先验PDF和目标似然PDF；
基于上述先验PDF和上述目标似然PDF确定近似后验PDF；
基于上述先验PDF确定泊松多伯努利混合滤波算法的预测步骤；
基于上述近似后验PDF确定泊松多伯努利混合滤波算法的更新步骤。
可选的，上述噪声未知参数包括高斯过程噪声未知参数和/或厚尾量测噪声未知参数。
可选的，上述状态方程包含服从高斯分布的上述高斯过程噪声未知参数，上述观测方程包含服从学生t分布的上述厚尾量测噪声未知参数。
可选的，上述增广状态空间模型是基于上述噪声未知参数和目标运动状态建立的。
可选的，上述增广状态空间模型为高斯逆威沙特逆威沙特伽马伽马分布。
可选的，上述基于上述状态方程、观测方程和增广状态空间模型确定先验PDF和目标似然PDF，包括：
基于上述状态方程和上述增广状态空间模型确定先验PDF；
基于上述观测方程确定基于学生t分布的初始似然PDF；
通过引入辅助变量，将上述初始似然PDF转变为目标似然PDF，其中，上述目标似然PDF为分层的高斯分布。
可选的，上述基于上述先验PDF和上述目标似然PDF确定近似后验PDF，包括：
基于上述先验PDF和上述目标似然PDF通过变分贝叶斯方法确定近似后验PDF。
第二方面，本发明实施例还提供了一种厚尾量测噪声下的鲁棒泊松多伯努利滤波装置，包括：
建立单元，用于建立厚尾量测噪声下多目标跟踪的状态方程和观测方程，其中，上述状态方程和观测方程包含噪声未知参数；
第一确定单元，用于基于上述状态方程、观测方程和增广状态空间模型确定先验PDF和目标似然PDF；
第二确定单元，用于基于上述先验PDF和上述目标似然PDF确定近似后验PDF；
第三确定单元，用于基于上述先验PDF确定泊松多伯努利混合滤波算法的预测步骤；
第四确定单元，用于基于上述近似后验PDF确定泊松多伯努利混合滤波算法的更新步骤。
为了实现上述目的，根据本发明的第三方面，提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序被处理器执行时实现上述的厚尾量测噪声下的鲁棒泊松多伯努利滤波方法的步骤。
为了实现上述目的，根据本发明的第四方面，提供了一种电子设备，包括至少一个处理器、以及与上述处理器连接的至少一个存储器；其中，上述处理器用于调用上述存储器中的程序指令，执行上述的厚尾量测噪声下的鲁棒泊松多伯努利滤波方法的步骤。
借由上述技术方案，本发明提供的厚尾量测噪声下的鲁棒泊松多伯努利滤波方法及相关设备，对于现有的多目标跟踪算法无法给出最佳的多目标跟踪性能且无法推广到实际应用中过程噪声和厚尾噪声参数均未知的多目标跟踪场景中的问题，本发明通过建立厚尾量测噪声下多目标跟踪的状态方程和观测方程，其中，上述状态方程和观测方程包含噪声未知参数；基于上述状态方程、观测方程和增广状态空间模型确定先验PDF和目标似然PDF；基于上述先验PDF和上述目标似然PDF确定近似后验PDF；基于上述先验PDF确定泊松多伯努利混合滤波算法的预测步骤；基于上述近似后验PDF确定泊松多伯努利混合滤波算法的更新步骤。在上述方案中，由于联合估计多目标跟踪状态、噪声未知参数，建立新型增广状态空间模型，并推导得到闭合形式的后验近似，给出线性系统下鲁棒泊松多伯努利混合滤波的具体实验方法，从而提高多目标跟踪算法的鲁棒性和跟踪精度。且由于额外考虑实际应用中过程噪声参数未知的问题，故本方案所提出的算法的运行时间更短，效率更高，估计噪声参数的精度也更准确，跟踪多目标的效果更好。
相应地，本发明实施例提供的厚尾量测噪声下的鲁棒泊松多伯努利滤波装置、设备和计算机可读存储介质，也同样具有上述技术效果。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种厚尾量测噪声下的鲁棒泊松多伯努利滤波方法的流程示意图；
图2示出了本发明实施例提供的一种厚尾量测噪声下的鲁棒泊松多伯努利滤波装置的组成示意框图；
图3示出了本发明实施例提供的一种厚尾量测噪声下的鲁棒泊松多伯努利滤波电子设备的组成示意框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
为了解决现有的多目标跟踪算法无法给出最佳的多目标跟踪性能且无法推广到实际应用中过程噪声和厚尾噪声参数均未知的多目标跟踪场景中的问题，本发明实施例提供了一种厚尾量测噪声下的鲁棒泊松多伯努利滤波方法，如图1所示，该方法包括：
S101、建立厚尾量测噪声下多目标跟踪的状态方程和观测方程，其中，上述状态方程和观测方程包含噪声未知参数；
示例性的，上述S101的步骤还包括S1011，
S1011、上述状态方程包含服从高斯分布的高斯过程噪声未知参数，上述观测方程包含服从学生t分布的厚尾量测噪声未知参数；
示例性的，本方法首先考虑一个带厚尾量测噪声的线性高斯系统，有如下状态方程和观测方程：
xk＝Fkxk-1+wk
zk＝Hkxk+ek
上式，k是离散时间,xk表示状态向量，Fk表示状态转移矩阵，wk～N(·；0,Qk)表示过程噪声服从均值为零协方差矩阵为Qk的高斯分布，zk表示量测向量，Hk表示观测矩阵，ek是服从学生t分布St(·；0,Rk,σk)的厚尾噪声，σk表示学生t分布的自由度参数。
S102、基于上述状态方程、观测方程和增广状态空间模型确定先验PDF和目标似然PDF；
可以理解的是，全文的PDF均指概率密度函数。
示例性的，上述S102的步骤还包括S1021、S1022、S1023和S1024，
S1021、基于上述高斯过程噪声未知参数、上述厚尾量测噪声未知参数和目标运动状态建立增广状态空间模型，其中，上述增广状态空间模型为高斯逆威沙特逆威沙特伽马伽马分布；
示例性的，由于在实际应用中，真实的高斯过程噪声和厚尾量测噪声参数是无法直接获得的，因此需要在线估计这些噪声参数。建立包含目标跟踪状态和噪声未知参数的增广状态空间模型，假设增广状态为其中，随机向量xk表示包含目标位置和速度的运动状态，随机矩阵/>和Rk是分别是预测状态协方差Pk|k-1和量测噪声协方差，σk是厚尾噪声的自由度，λk是引入的辅助变量。为了简单起见，预测状态协方差Pk|k-1简写为/>需要注意的是，这里没有直接估计过程噪声协方差Qk，这是因为预测状态协方差Pk|k-1＝Fkmk-1Fk T+Qk能够比Qk更直接影响目标跟踪状态的估计值。
假设增广状态的状态空间模型为高斯逆威沙特逆威沙特伽马伽马(NIWIWGG)分布，其中xk～N(xk；mk,Pk)服从高斯分布，/>和Rk～IW(Rk；vk,Vk)服从逆威沙特分布，σk～Gamma(σk；ak,bk)和λk～Gamma(λk；αk,βk)服从伽马分布，ak和αk是伽马分布的形状参数，bk和βk是速率参数。
基于NIWIWGG的增广状态分布先验PDF p(ξk|z1:k-1)和似然PDFp(zk|ξk)分别可以写成
S1022、基于上述状态方程和上述增广状态空间模型确定先验PDF；
S1023、基于上述观测方程确定初始似然PDF，其中，上述初始似然PDF是基于学生t分布的；
S1024、通过引入辅助变量，将上述初始似然PDF转变为目标似然PDF，其中，上述目标似然PDF为分层的高斯分布。
示例性的，为了得到闭合形式的近似后验PDF，引入一个辅助变量，将基于学生t分布的初始似然PDF转变为分层的高斯分布。
因为过程噪声是高斯分布，量测噪声是学生t分布，因此，先验PDF和初始似然PDF可以分别写成
p(xk)＝N(xk；Fkmk-1,Fkmk-1Fk T+Qk)
p(zk|xk)＝St(zk；Hkxk,Rk,σ)
由于根据以上的先验PDF和后验PDF，无法直接得到闭合形式的近似后验PDF。因此这里引入一个贝叶斯分层模型，即对基于学生t分布的似然PDF引入一个辅助变量，使得初始似然PDF的学生t分布转变为一个分层高斯分布，即上述目标似然PDF
S103、基于上述先验PDF和上述目标似然PDF确定近似后验PDF；
示例性的，上述S103的步骤还包括S1031，
S1031、基于上述先验PDF和上述目标似然PDF通过变分贝叶斯方法确定近似后验PDF；
示例性的，根据贝叶斯公式p(ξk|z1:k-1)p(zk|ξk)≈p(ξk|z1:k)，近似后验PDF p(ξk|z1:k)无法直接得到闭合形式。因此，采用变分贝叶斯方法推导得到闭合形式的近似后验PDF，即q(·)是近似的后验PDF，通过最小化因式分解近似后验/>和真实后验/>之间的KL散度得到。
S104、基于上述先验PDF确定泊松多伯努利混合滤波算法的预测步骤；
多目标增广状态的集合可以表达为其中i是单个目标的索引号。新型鲁棒PMBM滤波器的联合后验可以表示为带有参数
假设增广状态服从NIWIWGG分布，那么
其中，ζk＝{mk,Pk,tk,Tk,νk,Vk,αk,βk,ak,bk}是NIWIWGG密度参数的集合，为简便起见，将NIWIWGG分布表示为
通过将增广状态的NIWIWGG分布代入标准的PMBM滤波器中，能够直接得到NIWIWGG-PMBM滤波器的预测步骤。
1)NIWIWGG-PMBM滤波器的预测步骤:
假设泊松分量的预测强度是一个NIWIWGG混合形式，
其中，
,τ是一个调整参数，ρ是一个遗忘因子，dP和dM分别是矩阵P和M的维数。
预测伯努利分量由以下参数：
其中，
S105、基于上述近似后验PDF确定泊松多伯努利混合滤波算法的更新步骤。
NIWIWGG-PMBM滤波器的更新步骤可以分成三个部分：
(a)给定泊松分量的预测强度未检测目标的更新的泊松强度为
(b)首次被检测目标的伯努利更新参数如下：
(c)之前检测目标的伯努利更新参数如下：
每个伯努利分量的更新迭代过程如下表所示：
借由上述技术方案，本发明提供的厚尾量测噪声下的鲁棒泊松多伯努利滤波方法，对于现有的多目标跟踪算法无法给出最佳的多目标跟踪性能且无法推广到实际应用中过程噪声和厚尾噪声参数均未知的多目标跟踪场景中的问题，本发明通过建立厚尾量测噪声下多目标跟踪的状态方程和观测方程，其中，上述状态方程和观测方程包含噪声未知参数；基于上述状态方程、观测方程和增广状态空间模型确定先验PDF和目标似然PDF；基于上述先验PDF和上述目标似然PDF确定近似后验PDF；基于上述先验PDF确定泊松多伯努利混合滤波算法的预测步骤；基于上述近似后验PDF确定泊松多伯努利混合滤波算法的更新步骤。在上述方案中，由于联合估计多目标跟踪状态、噪声未知参数，建立新型增广状态空间模型，并推导得到闭合形式的后验近似，给出线性系统下鲁棒泊松多伯努利混合滤波的具体实验方法，从而提高多目标跟踪算法的鲁棒性和跟踪精度。且由于额外考虑实际应用中过程噪声参数未知的问题，故本方案所提出的算法的运行时间更短，效率更高，估计噪声参数的精度也更准确，跟踪多目标的效果更好。
进一步的，作为对上述图1所示方法的实现，本发明实施例还提供了一种厚尾量测噪声下的鲁棒泊松多伯努利滤波装置，用于对上述图1所示的方法进行实现。该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。如图2所示，该装置包括：建立单元21、第一确定单元22、第二确定单元23、第三确定单元24及第四确定单元25，其中
建立单元21，用于建立厚尾量测噪声下多目标跟踪的状态方程和观测方程，其中，上述状态方程和观测方程包含噪声未知参数；
第一确定单元22，用于基于上述状态方程、观测方程和增广状态空间模型确定先验PDF和目标似然PDF；
第二确定单元23，用于基于上述先验PDF和上述目标似然PDF确定近似后验PDF；
第三确定单元24，用于基于上述先验PDF确定泊松多伯努利混合滤波算法的预测步骤；
第四确定单元25，用于基于上述近似后验PDF确定泊松多伯努利混合滤波算法的更新步骤。
示例性的，上述噪声未知参数包括高斯过程噪声未知参数和/或厚尾量测噪声未知参数。
示例性的，上述状态方程包含服从高斯分布的上述高斯过程噪声未知参数，上述观测方程包含服从学生t分布的上述厚尾量测噪声未知参数。
示例性的，上述增广状态空间模型是基于上述噪声未知参数和目标运动状态建立的。
示例性的，上述增广状态空间模型为高斯逆威沙特逆威沙特伽马伽马分布。
示例性的，上述基于上述状态方程、观测方程和增广状态空间模型确定先验PDF和目标似然PDF，包括：
基于上述状态方程和上述增广状态空间模型确定先验PDF；
基于上述观测方程确定基于学生t分布的初始似然PDF；
通过引入辅助变量，将上述初始似然PDF转变为目标似然PDF，其中，上述目标似然PDF为分层的高斯分布。
示例性的，上述基于上述先验PDF和上述目标似然PDF确定近似后验PDF，包括：
基于上述先验PDF和上述目标似然PDF通过变分贝叶斯方法确定近似后验PDF。
借由上述技术方案，本发明提供的厚尾量测噪声下的鲁棒泊松多伯努利滤波装置，对于现有的多目标跟踪算法无法给出最佳的多目标跟踪性能且无法推广到实际应用中过程噪声和厚尾噪声参数均未知的多目标跟踪场景中的问题，本发明通过建立厚尾量测噪声下多目标跟踪的状态方程和观测方程，其中，上述状态方程和观测方程包含噪声未知参数；基于上述状态方程、观测方程和增广状态空间模型确定先验PDF和目标似然PDF；基于上述先验PDF和上述目标似然PDF确定近似后验PDF；基于上述先验PDF确定泊松多伯努利混合滤波算法的预测步骤；基于上述近似后验PDF确定泊松多伯努利混合滤波算法的更新步骤。在上述方案中，由于联合估计多目标跟踪状态、噪声未知参数，建立新型增广状态空间模型，并推导得到闭合形式的后验近似，给出线性系统下鲁棒泊松多伯努利混合滤波的具体实验方法，从而提高多目标跟踪算法的鲁棒性和跟踪精度。且由于额外考虑实际应用中过程噪声参数未知的问题，故本方案所提出的算法的运行时间更短，效率更高，估计噪声参数的精度也更准确，跟踪多目标的效果更好。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现一种厚尾量测噪声下的鲁棒泊松多伯努利滤波方法，能够解决现有的多目标跟踪算法无法给出最佳的多目标跟踪性能且无法推广到实际应用中过程噪声和厚尾噪声参数均未知的多目标跟踪场景中的问题。
本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，该程序被处理器执行时实现上述厚尾量测噪声下的鲁棒泊松多伯努利滤波方法。
本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述厚尾量测噪声下的鲁棒泊松多伯努利滤波方法。
本发明实施例提供了一种电子设备，上述电子设备包括至少一个处理器、以及与上述处理器连接的至少一个存储器；其中，上述处理器用于调用上述存储器中的程序指令，执行如上述的厚尾量测噪声下的鲁棒泊松多伯努利滤波方法
本发明实施例提供了一种电子设备30，如图3所示，电子设备包括至少一个处理器301、以及与处理器连接的至少一个存储器302、总线303；其中，处理器301、存储器302通过总线303完成相互间的通信；处理器301用于调用存储器中的程序指令，以执行上述的厚尾量测噪声下的鲁棒泊松多伯努利滤波方法。
本文中的智能电子设备可以是PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在流程管理电子设备上执行时，适于执行初始化有如下方法步骤的程序：
建立厚尾量测噪声下多目标跟踪的状态方程和观测方程，其中，上述状态方程和观测方程包含噪声未知参数；
基于上述状态方程、观测方程和增广状态空间模型确定先验PDF和目标似然PDF；
基于上述先验PDF和上述目标似然PDF确定近似后验PDF；
基于上述先验PDF确定泊松多伯努利混合滤波算法的预测步骤；
基于上述近似后验PDF确定泊松多伯努利混合滤波算法的更新步骤。
进一步的，上述噪声未知参数包括高斯过程噪声未知参数和/或厚尾量测噪声未知参数。
进一步的，上述状态方程包含服从高斯分布的上述高斯过程噪声未知参数，上述观测方程包含服从学生t分布的上述厚尾量测噪声未知参数。
进一步的，上述增广状态空间模型是基于上述噪声未知参数和目标运动状态建立的。
进一步的，上述增广状态空间模型为高斯逆威沙特逆威沙特伽马伽马分布。
进一步的，上述基于上述状态方程、观测方程和增广状态空间模型确定先验PDF和目标似然PDF，包括：
基于上述状态方程和上述增广状态空间模型确定先验PDF；
基于上述观测方程确定基于学生t分布的初始似然PDF；
通过引入辅助变量，将上述初始似然PDF转变为目标似然PDF，其中，上述目标似然PDF为分层的高斯分布。
进一步的，上述基于上述先验PDF和上述目标似然PDF确定近似后验PDF，包括：
基于上述先验PDF和上述目标似然PDF通过变分贝叶斯方法确定近似后验PDF。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本申请实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机软件指令，当计算机软件指令在处理设备上运行时，使得处理设备执行如图1对应实施例中的存储器的控制的流程。
计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (5)
1.一种厚尾量测噪声下的鲁棒泊松多伯努利滤波方法，其特征在于，包括：
建立厚尾量测噪声下多目标跟踪的状态方程和观测方程，其中，所述状态方程和观测方程包含噪声未知参数；
所述状态方程包含服从高斯分布的所述高斯过程噪声未知参数，所述观测方程包含服从学生t分布的所述厚尾量测噪声未知参数；
其中，所述状态方程为：
xk＝Fkxk-1+wk
所述观测方程为：
zk＝Hkxk+ek
上式，k是离散时间,xk表示状态向量，Fk表示状态转移矩阵，wk～N(·；0,Qk)表示过程噪声服从均值为零协方差矩阵为Qk的高斯分布，zk表示量测向量，Hk表示观测矩阵，ek是服从学生t分布St(·；0,Rk,σk)的厚尾噪声，σk表示学生t分布的自由度参数；
所述噪声未知参数包括高斯过程噪声未知参数和/或厚尾量测噪声未知参数；
基于所述状态方程、观测方程和增广状态空间模型确定先验PDF和目标似然PDF；
所述基于所述状态方程、观测方程和增广状态空间模型确定先验PDF和目标似然PDF，包括：
基于所述状态方程和所述增广状态空间模型确定先验PDF；
其中，所述先验PDF为：
基于所述观测方程确定基于学生t分布的初始似然PDF；
其中，所述初始似然PDF为：
p(zk|xk)＝St(zk；Hkxk,Rk,σ)
通过引入辅助变量，将所述初始似然PDF转变为目标似然PDF，其中，所述目标似然PDF为分层的高斯分布；
其中，所述目标似然PDF为：
所述增广状态空间模型是基于所述噪声未知参数和目标运动状态建立的；
所述增广状态为其中，随机向量xk表示包含目标位置和速度的运动状态，随机矩阵/>和Rk是分别是预测状态协方差Pk|k-1和量测噪声协方差，σk是厚尾噪声的自由度，λk是引入的辅助变量，所述增广状态空间模型为高斯逆威沙特逆威沙特伽马伽马分布，/>服从高斯分布，/>和Rk～IW(Rk；vk,Vk)服从逆威沙特分布，σk～Gamma(σk；ak,bk)和λk～Gamma(λk；αk,βk)服从伽马分布，ak和αk是伽马分布的形状参数，bk和βk是速率参数；
基于所述先验PDF和所述目标似然PDF确定近似后验PDF；
其中，所述近似后验PDF为：
基于所述先验PDF确定泊松多伯努利混合滤波算法的预测步骤；
基于所述近似后验PDF确定泊松多伯努利混合滤波算法的更新步骤。
2.根据权利要求1所述的方法，其特征在于，所述基于所述先验PDF和所述目标似然PDF确定近似后验PDF，包括：
基于所述先验PDF和所述目标似然PDF通过变分贝叶斯方法确定近似后验PDF。
3.一种厚尾量测噪声下的鲁棒泊松多伯努利滤波装置，其特征在于，
建立单元，用于建立厚尾量测噪声下多目标跟踪的状态方程和观测方程，其中，所述状态方程和观测方程包含噪声未知参数；
所述状态方程包含服从高斯分布的所述高斯过程噪声未知参数，所述观测方程包含服从学生t分布的所述厚尾量测噪声未知参数；
其中，所述状态方程为：
xk＝Fkxk-1+wk
所述观测方程为：
zk＝Hkxk+ek
上式，k是离散时间,xk表示状态向量，Fk表示状态转移矩阵，wk～N(·；0,Qk)表示过程噪声服从均值为零协方差矩阵为Qk的高斯分布，zk表示量测向量，Hk表示观测矩阵，ek是服从学生t分布St(·；0,Rk,σk)的厚尾噪声，σk表示学生t分布的自由度参数；
所述噪声未知参数包括高斯过程噪声未知参数和/或厚尾量测噪声未知参数；
第一确定单元，用于基于所述状态方程、观测方程和增广状态空间模型确定先验PDF和目标似然PDF；
所述基于所述状态方程、观测方程和增广状态空间模型确定先验PDF和目标似然PDF，包括：
基于所述状态方程和所述增广状态空间模型确定先验PDF；
其中，所述先验PDF为：
基于所述观测方程确定基于学生t分布的初始似然PDF；
其中，所述初始似然PDF为：
p(zk|xk)＝St(zk；Hkxk,Rk,σ)
通过引入辅助变量，将所述初始似然PDF转变为目标似然PDF，其中，所述目标似然PDF为分层的高斯分布；
其中，所述目标似然PDF为：
所述增广状态空间模型是基于所述噪声未知参数和目标运动状态建立的；
所述增广状态为其中，随机向量xk表示包含目标位置和速度的运动状态，随机矩阵/>和Rk是分别是预测状态协方差Pk|k-1和量测噪声协方差，σk是厚尾噪声的自由度，λk是引入的辅助变量，所述增广状态空间模型为高斯逆威沙特逆威沙特伽马伽马分布，xk～N(xk；mk,Pk)服从高斯分布，/>和Rk～IW(Rk；vk,Vk)服从逆威沙特分布，σk～Gamma(σk；ak,bk)和λk～Gamma(λk；αk,βk)服从伽马分布，ak和αk是伽马分布的形状参数，bk和βk是速率参数；
第二确定单元，用于基于所述先验PDF和所述目标似然PDF确定近似后验PDF；
其中，所述近似后验PDF为：
第三确定单元，用于基于所述先验PDF确定泊松多伯努利混合滤波算法的预测步骤；
第四确定单元，用于基于所述近似后验PDF确定泊松多伯努利混合滤波算法的更新步骤。
4.一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包括存储的程序，其中，在所述程序被处理器执行时实现如权利要求1至权利要求2中任一项所述的厚尾量测噪声下的鲁棒泊松多伯努利滤波方法的步骤。
5.一种电子设备，其特征在于，所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器；其中，所述处理器用于调用所述存储器中的程序指令，执行如权利要求1至权利要求2中任一项所述的厚尾量测噪声下的鲁棒泊松多伯努利滤波方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211442634.3A CN115937253B (zh) | 2022-11-16 | 2022-11-16 | 厚尾量测噪声下的鲁棒泊松多伯努利滤波方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211442634.3A CN115937253B (zh) | 2022-11-16 | 2022-11-16 | 厚尾量测噪声下的鲁棒泊松多伯努利滤波方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115937253A CN115937253A (zh) | 2023-04-07 |
| CN115937253B true CN115937253B (zh) | 2024-06-07 |
Family
ID=86653226
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211442634.3A Active CN115937253B (zh) | 2022-11-16 | 2022-11-16 | 厚尾量测噪声下的鲁棒泊松多伯努利滤波方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115937253B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110503071A (zh) * | 2019-08-29 | 2019-11-26 | 电子科技大学 | 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 |
| WO2021008077A1 (zh) * | 2019-07-16 | 2021-01-21 | 深圳大学 | 一种闪烁噪声下的多目标跟踪方法及系统 |
| CN113300690A (zh) * | 2021-02-05 | 2021-08-24 | 苏州经贸职业技术学院 | 一种有色量测噪声下鲁棒泊松多伯努利滤波方法 |
| CN114519728A (zh) * | 2022-01-25 | 2022-05-20 | 河南大学 | 未知噪声下的变分贝叶斯强跟踪phd多目标跟踪方法 |
| CN114662535A (zh) * | 2022-03-15 | 2022-06-24 | 中国矿业大学 | 一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法 |
| CN114895297A (zh) * | 2022-04-06 | 2022-08-12 | 西安电子科技大学 | 基于分布式雷达泊松多伯努利混合滤波多目标跟踪方法 |
| CN115204212A (zh) * | 2022-05-26 | 2022-10-18 | 兰州理工大学 | 一种基于stm-pmbm滤波算法的多目标跟踪方法 |
-
2022
- 2022-11-16 CN CN202211442634.3A patent/CN115937253B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021008077A1 (zh) * | 2019-07-16 | 2021-01-21 | 深圳大学 | 一种闪烁噪声下的多目标跟踪方法及系统 |
| CN110503071A (zh) * | 2019-08-29 | 2019-11-26 | 电子科技大学 | 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 |
| CN113300690A (zh) * | 2021-02-05 | 2021-08-24 | 苏州经贸职业技术学院 | 一种有色量测噪声下鲁棒泊松多伯努利滤波方法 |
| CN114519728A (zh) * | 2022-01-25 | 2022-05-20 | 河南大学 | 未知噪声下的变分贝叶斯强跟踪phd多目标跟踪方法 |
| CN114662535A (zh) * | 2022-03-15 | 2022-06-24 | 中国矿业大学 | 一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法 |
| CN114895297A (zh) * | 2022-04-06 | 2022-08-12 | 西安电子科技大学 | 基于分布式雷达泊松多伯努利混合滤波多目标跟踪方法 |
| CN115204212A (zh) * | 2022-05-26 | 2022-10-18 | 兰州理工大学 | 一种基于stm-pmbm滤波算法的多目标跟踪方法 |
Non-Patent Citations (5)
| Title |
|---|
| "基于多伯努利滤波的厚尾噪声条件下多扩展目标跟踪";陈辉等;《自动化学报》;全文 * |
| "带有色厚尾量测噪声的鲁棒高斯近似滤波器和平滑器";黄玉龙等;《自动化学报》;第114-131页 * |
| "有色量测噪声下泊松多伯努利混合滤波器";李文娟;《现代信息科技》;20210531;第5卷(第10期);全文 * |
| He, RX ; Feng, XX ; (...) ; Pu, N."Variational Bayesian Filter for Nonlinear System with Gaussian-Skew T Mixture Noise".《PROCEEDINGS OF THE 33RD CHINESE CONTROL AND DECISION CONFERENCE (CCDC 2021)》.2021,Page6191-6198. * |
| 一种鲁棒的多旋翼姿态解算方法;李忠威;敬忠良;董鹏;;《计算机仿真》;20200515(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115937253A (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11144828B2 (en) | Training task optimization system, training task optimization method and non-transitory computer readable medium for operating the same | |
| CN116776155B (zh) | 一种基于联邦学习的模型训练方法、装置、设备和介质 | |
| CN115937253B (zh) | 厚尾量测噪声下的鲁棒泊松多伯努利滤波方法及相关设备 | |
| CN116433050B (zh) | 应用于农业大数据管理系统的异常报警方法及系统 | |
| CN116306030A (zh) | 考虑预测误差和波动分布的新能源预测动态场景生成方法 | |
| CN116070516A (zh) | 一种电缆温度的预测方法及装置 | |
| CN111754589A (zh) | 配色方法、装置、计算机设备及存储介质 | |
| US8838421B2 (en) | Method and circuit for calculating sensor modelling coefficients | |
| CN113357138B (zh) | 液压泵剩余使用寿命预测方法、装置及终端设备 | |
| CN109388784A (zh) | 最小熵核密度估计器生成方法、装置和计算机可读存储介质 | |
| CN115310709A (zh) | 一种基于粒子群算法的电力工程项目信息优化方法 | |
| WO2019162954A1 (en) | Method and determining unit for identifying optimal location(s) | |
| CN114584476A (zh) | 一种流量预测方法、网络训练方法、装置及电子设备 | |
| CN114418087A (zh) | 一种基于优化的kl散度的模型量化方法、装置及设备 | |
| CN113902114A (zh) | 神经网络模型的量化方法、装置和系统、电子设备和存储介质 | |
| CN113961752A (zh) | 信息物理系统的基本可达图的分析方法和相关装置 | |
| CN113031435A (zh) | 数字式双频扩张状态观测器及扰动观测方法 | |
| CN118278506B (zh) | 基于多梯度公平下降联邦学习算法的负荷预测模型建立方法、装置、设备和存储介质 | |
| CN114019209B (zh) | 一种磁电复合材料的电极化感应测量方法及系统 | |
| CN116976399A (zh) | 故障预测模型的训练方法、故障预测方法及装置 | |
| CN113377830A (zh) | 确定超参的方法、训练联邦学习模型的方法及电子设备 | |
| CN118200085A (zh) | 信道状态确定方法、装置、计算机设备和存储介质 | |
| CN116243298A (zh) | 自适应随机有限集多目标跟踪的估计噪声参数方法及装置 | |
| CN116429968A (zh) | 基于样本迁移的烟气含氧量预测方法、装置和电子设备 | |
| CN117540677A (zh) | 功率放大器模型的获取方法、装置及功率放大器模型 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Wenjuan Inventor after: Yang Shaojia Inventor after: Ju Xinyue Inventor after: Zhu Huangyan Inventor after: Xu Jiaxian Inventor after: Huang Ziyu Inventor after: Wan Wangwang Inventor after: Zhu Xujia Inventor after: Zhu Zhe Inventor after: Xia Yating Inventor after: Jiang Jincheng Inventor after: Fang Wu Inventor after: Lu Aihong Inventor after: Feng Rongzhen Inventor after: Guo Fei Inventor after: Yang Jiaqi Inventor after: Zhu Erli Inventor after: Cao Zhenhua Inventor before: Li Wenjuan Inventor before: Gao Haoxin Inventor before: Tian Bowen Inventor before: Zhu Xujia Inventor before: Zhu Zhe Inventor before: Xia Yating Inventor before: Liu Yiyang Inventor before: He Ting Inventor before: Wang Sunan Inventor before: Fang Wu Inventor before: Lu Aihong Inventor before: Cao Zhenhua Inventor before: Feng Rongzhen Inventor before: Guo Fei Inventor before: Yang Jiaqi Inventor before: Chen Yang Inventor before: Liao Yu |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant |