公共文化服务平台

搜索到1418篇“ 概率假设密度“的相关文章

一种基于概率假设密度滤波的多传感器多目标主动估计方法: 发明提出了一种基于概率假设密度滤波的多传感器多目标主动估计方法，该方法包括以下步骤：首先建立传感器与目标的运动学模型和观测模型；接着，通过传感器观测范围有限的高斯混合概率假设密度（GM‑PHD）滤波算法本地估计多目标的状...; 付俊杰胡建温广辉

一种基于势概率假设密度的多目标跟踪算法: 在多目标跟踪，环境变化、传感器限制及不确定的动态目标数为目标的精确跟踪带来挑战。基于多特征辅助、高斯混合势概率假设密度滤波器、无迹卡尔曼滤波，本发明提出基于多特征辅助的高斯混合势概率假设密度滤波器的多目标跟踪模型。本发明...; 周奥衡兰朝凤王旭东王豪桑广旭蒋嘉成郭锐

一种基于鲁棒的势概率假设密度的声学同步定位与地图构建方法: 本发明公开了一种基于鲁棒的势概率假设密度的声学同步定位与地图构建方法，具体包括：对声源状态和DoA观测数据的势概率假设密度进行递归传播；将声源到机器人的距离最小值和距离最大值进行均匀分布；将DoA观测数据和声源状态缺失距...; 李昱洲陈喆殷福亮

一种纯方位多目标跟踪的联合多高斯混合概率假设密度滤波器被引量：1: 2024年; 现有的多模型-高斯混合-概率假设密度(MM-GM-PHD)滤波器被广泛用于不确定机动目标跟踪,但它不能在不同模型下保持并行的估计,导致各模型的似然值滞后于目标机动。为此,该文提出一种联合多高斯混合概率假设密度(JMGM-PHD)滤波器,并将其用于纯方位多目标跟踪。首先,推导了JMGM模型,其中每个单目标状态估计由一组并行的、带模型概率的高斯函数描述,该状态估计的概率由一个非负的权重来表征。一组权值、模型概率、均值和协方差被统称为JMGM分量。根据贝叶斯规则,推导了JMGM分量的更新方法。然后,利用JMGM模型近似多目标PHD。根据交互式多模型(IMM)规则,推导出JMGM分量的交互、预测和估计方法。将所提JMGM-PHD滤波器应用于纯方位跟踪(BOT)时,针对同时执行平移和旋转的观测站,基于复合函数求导规则推导出一种计算线性化观测矩阵的方法。所提JMGM-PHD滤波器保持了单模型PHD滤波器的形式,但能够自适应地跟踪不确定机动目标。仿真结果表明,JMGM-PHD滤波器克服了似然值滞后于目标机动的问题,在跟踪精度和计算成本方面均优于MM-GM-PHD滤波器。; 薛昱冯西安; 关键词：概率假设密度滤波器交互多模型纯方位跟踪

一种基于高斯混合概率假设密度滤波器的静态融合方法: 本发明公开了一种基于高斯混合概率假设密度滤波器的静态融合方法，通过将时间维上的多目标跟踪算法迁移到传感器维度上，多源目标静态融合问题可以被看作是时间间隔为0的多目标跟踪问题，在此基础上进行目标的状态模型和观测模型的建模，...; 刘梦凡韩一娜赵伟康杨坤德杨益新李钢虎

基于航迹概率假设密度的多传感器多目标跟踪: 2024年; 针对基于概率假设密度(probability hypothesis density,PHD)的分布式多传感器多目标跟踪(distributed multi-sensor multi-target tracking,DMMT)存在无法形成航迹、计算复杂度高、目标漏检等问题。本文基于航迹PHD后验估计提出了一种DMMT方法。为此,首先构建了各节点估计航迹间相似性度量矩阵,并采用匈牙利算法实现最优航迹匹配;其次采用协方差逆准则对关联航迹实现并行融合;最后基于概率生成泛函推导了一种鲁棒的DMMT方法。仿真实验验证了所提算法在目标状态估计精度、计算有效性和实时性方面的优势。; 王志伟刘永祥杨威卢哲俊

基于高斯过程的概率假设密度滤波多机动目标跟踪方法: 本发明公开了基于高斯过程的概率假设密度滤波多机动目标跟踪方法，包括：获取多机动目标运动数据集；基于所述多机动目标运动数据集划分出训练集和测试集，将所述训练集和所述测试集输入机动目标运动模型中进行高斯过程回归学习，获取高斯...; 赵子文陈辉张文旭王旭昕王莉刘孟波

一种重尾噪声下鲁棒概率假设密度SLAM方法: 本发明涉及同时定位与建图技术领域，具体涉及一种重尾噪声下鲁棒概率假设密度SLAM方法，将SLAM问题分解为机器人位姿估计和地图估计两个耦合的子问题，其中机器人位姿建模为粒子，环境地图建模为概率假设密度，然后利用EKF算法...; 吴孙勇邹晗李明薛秋条孙希延纪元法符强

一种基于单簇概率假设密度的声学同步定位与建图方法: 本发明公开了一种基于单簇概率假设密度的声学同步定位与建图方法，具体包括：对声源状态和DoA观测的概率假设密度的权值、均值和协方差进行递归传播；将声源到机器人的距离最小值和距离最大值进行均匀分布，根据DoA观测值和声源状态...; 李昱洲陈喆殷福亮

相关作者