多目标探测与捕获：一种统一的方法

假设采用多目标跟踪器跟踪处于强杂波环境中的暗弱目标，在《杂波中暗弱目标的捕获》一文中，Oilver Drummond指出，对于这样的跟踪器，目标捕获（即，确定在含有持续的象素中是否存在目标）是两个截然不同的问题。具体地说，目标捕获要求有两个接收机工作特性（ROC）曲线，而目标只要求有一个。在以往有关这一主题的会议和其它会议上发表的论文以及《数据融合的数学方法》一书中，我们已经介绍了“有限集统计法”（FISST），它直接将常规的单传感器、单目标统计推广到多目标领域。在本文我们说明了怎样通过FISST使探测和捕获统一在一个相似的决策理论框架下。其基本构想是采用一个统一的具有杂波模型的Bayesian单目标跟踪器，而不是一个多目标跟踪器。与常规的探测问题相类似（即，在“只有噪声”和“目标＋噪声”的假设之间作出判断），捕获问题化为常规的判决问题（即，在“只有杂波”和“目标＋杂波”的假设之间作出判断）。此外， 我们还说明了对于这一类广义探测问题应怎样来确定“捕获ROC曲线”。     

随机集的概率假设密度粒子滤波

多目标跟踪问题中,当目标数已知时,可以用概率数据互联(PDA)或联合概率数据互联(JPDA)算法。而当目标数未知或随时间变化时,需要对不同目标数的跟踪进行比较。可以把目标集看作随机集进行讨论,目标数N是随机变量。随机集的跟踪通过有限集统计(FISST)理论来完成。文中讨论了用粒子滤波实现跟踪随机集的方法。实验表明,在杂波环境下,粒子滤波可以稳健跟踪目标状态和目标数。     

基于不完备模糊规则库的信息融合故障诊断方法

在基于模糊推理的故障诊断专家系统中,规则库的不完备常常会引起系统的某些输入产生的输出不确定。针对此问题,将模糊推理与证据理论相结合提出了一种新的融合诊断方法。首先根据证据的随机集表示及随机集扩展准则将模糊输入映射到输出,并聚合生成故障命题的基本概率赋值(BPA),以度量由规则库不完备和输入模糊性引起的输出不确定。然后利用Dempster组合规则将多个不完备规则库提供的BPA融合,用融合结果判决故障,并以电机转子故障诊断为例,验证了所提方法可以有效地提高故障确诊率。     

一种基于随机集的目标跟踪算法研究

针对多传感器多目标跟踪问题,提出了基于随机有限集的概率假设密度（PHD）滤波算法。该算法通过选取与各传感器相关的重要性密度函数,层层更新各传感器的采样粒子,达到多传感器多目标有序PHD跟踪。给出了应用该算法的具体步骤,通过仿真实例证明该算法的有效性。     

一种基于随机集的模糊观测的多目标跟踪算法

为解决目标数未知或随时间变化时模糊观测的多目标跟踪问题,将多目标状态和模糊 观测数据表示为随机集形式,利用模糊观测的似然函数融合模糊数据,建立了模糊观测的概 率假设密度(probability hypothesis density,PHD)粒子滤波方法。这种方法首先利用 粒子滤波预测和更新随机集的PHD,然后估计目标数N,最后找出N个PHD最大的点就 是多目标的状态估计。在相同的仿真环境中,用这种方法与用重心去模糊器进行去模糊处理 后的观测数据同时跟踪目标数变化情况下的多目标,并进行了比较,结果表明,模糊观测多 目标跟踪的PHD粒子滤波能稳健跟踪目标数未知或随时间变化时的目标状态和目标数,性能 好于去模糊情况。     

未知测量噪声分布下的多目标跟踪算法

 粒子概率假设密度滤波(SMC-PHDF)在进行粒子更新时需要知道测量噪声的概率分布以计算似然函数,这使得SMC-PHDF依赖于测量噪声的概率模型。针对这一点不足,提出一种未知测量噪声分布下的多目标跟踪算法——基于风险评估的概率假设密度滤波(RE-PHDF)。该算法在SMC-PHDF进行概率假设密度(PHD)粒子更新时采用风险函数计算每个PHD粒子的风险值,并通过一个风险评估函数评估每个PHD粒子,然后用评估后的结果更新粒子的权值。由于粒子更新时避免了在多维测量空间中计算似然函数,算法不仅不依赖于测量噪声的概率分布,还可以节省大量计算时间。仿真结果表明：和SMC-PHDF相比,RE-PHDF在未知的复杂测量噪声环境下具有更高的鲁棒性和稳定性;同时,在两种算法跟踪精度接近的情况下,所提算法节省了50%的运行时间。     

基于SMC-CPHD的多目标跟踪算法研究

针对CPHD滤波算法在多目标跟踪中计算难处理和对于局部目标估计存在漏检的问题,提出了基于序贯蒙特卡罗方法的基数概率假设密度（SMC-CPHD）滤波算法。这种方法是将SMC和CPHD两种滤波算法的优点相结合,用一些离散的粒子去接近PHD函数,不仅解决了在滤波修正步没有闭式解的问题,而且避免了当某个目标发生漏检时,PHD权值的转移问题,在递推PHD函数的同时也递推基数分布。将此方法应用到有杂波存在复杂的多目标跟踪环境中,通过仿真实验,对CPHD滤波和SMC-CPHD滤波得出的结果进行比较,验证了本文所提出方法对多目标跟踪的可行性和精确性。     

基于随机集的多目标跟踪算法的性能评估

给出在目标数变化情况下,利用随机集实现多目标跟踪算法性能评估方法,利用Kullback-Leibler距离度量算法来反映目标状态的信息量并进行了相应的仿真实验。实验表明,算法可稳健跟踪变目标数情况,Kullback-Leibler测度可反映算法的稳健性。     

多目标跟踪的概率假设密度粒子滤波

在多目标跟踪中,当目标数很大时,目标状态的联合分布的计算量会非常大。如果目标独立运动,可用各目标分别滤波来代替,但这要求考虑数据互联问题。文章介绍一种可以解决计算量问题的方法,只需计算联合分布的一阶矩——概率假设密度(PHD),PHD在任意区域S上的积分是S内目标数的期望值。因未记录目标身份,避免了数据互联问题。仿真中,传感器为被动雷达,目标观测值为距离、角度及速度时,对上述的PHD滤波进行了粒子实现,并对观测值是否相关的不同情况进行比较。PHD粒子滤波应用在非线性模型的多目标跟踪,实验结果表明,滤波可以稳健跟踪目标数为变数的情况,得到了接近真实情况的结果。     

基于客观隶属函数的模糊可靠性

提出并从理论上证明了当模糊可靠性计算公式中的安全余量具有对称概型时,将集值统计的随机集边界点假设为安全余量的线性函数,然后通过定积分运算获得其对结构安全模糊集隶属函数的方法。该法求取隶属函数杜绝了主观意识的介入,从而能更确切地反映客观。算例充分说明了该方法获得的隶属函数应用于模糊可靠性计算的科学性和客观性。