K近邻隶属度的P-PHD滤波多目标状态提取

在P-PHD滤波多目标状态提取中,传统的K-Means聚类方法存在需要提取峰值、聚类时间长、类簇边缘易被侵蚀等问题。针对此问题,在对一般聚类算法的研究的基础上,进一步提出了一种基于K近邻隶属度P-PHD滤波多目标状态提取算法。该算法首先通过量测与粒子的关联性,根据距离来进行量测筛选剔除虚警量测信息,估计真实目标量测类别,然后利用K近邻隶属度将粒子分配给各个估计的真实量测类别,重新分配粒子集,在新粒子集直接提取目标状态信息,从而避免粒子峰值提取过程,降低了算法的时间复杂度。仿真实验表明,所提算法与传统P-PHD滤波以及其它改进聚类算法的P-PHD滤波相比,具有状态提取精度高以及运算时间短的优点。     

基于雷达与图像信息融合的目标跟踪仿真研究

提出了同平台上一种基于雷达与图像信息融合的目标跟踪系统结构和相应算法。该结构引入“反馈加引导”的思想,即在将系统融合状态反馈给局部传感器作为跟踪初始状态的基础上,利用距离信息引导图像传感器捕获目标,利用角度信息引导雷达跟踪目标,真正做到了两种不同传感器的优势互补。仿真结果证明该系统具有良好的跟踪性能。     

一种基于ECEF坐标转换的最小二乘配准算法

提出了一种有效的多雷达配准算法。该算法采用ECEF(earth -centeredearth -fixed)坐标系作为过渡坐标系 ,将分散配置的各雷达站的量测数据实时转换到主站 (设主站雷达无系统偏差 ) ,利用各站同主站之间的量测差值 ,采用最小二乘法实时估计出各站相对主站之间的系统偏差 ,从而对网中各雷达进行配准。计算机仿真结果证明了该算法的正确性和有效性。     

“集中式融合的性能一定优于分布式融合的性能”存疑

信息融合领域存在一个公认的“定论”,即集中式融合的性能一定比分布式融合的好,且是最优的;业已证明,当融合系统采用单模型滤波算法,如卡尔曼滤波器时,上述“定论”是成立的;那么在融合系统采用多模型滤波算法,如针对机动目标跟踪的交互多模型滤波(IMM)算法时,情况是否也是如此?抱着对此存疑的态度,对采用IMM算法时的集中式融合与分布式融合进行了研究,给出了扩维、序贯以及等效量测3种集中式融合算法和简单方差凸组合、互协方差组合2种分布式融合算法,并设置不同运动场景对算法进行了大量仿真。仿真实验结果表明,针对交互多模型滤波估计的集中式融合性能并不一定比采用同样滤波算法的分布式融合的好,并给出了作者对此“诧异”现象的认识和理解。     

机电一体化技术在煤矿机械中的应用研究

<正>一、煤矿机电一体化技术概况煤矿机电一体化技术在当前显得尤为重要,它是机械、电子技术和液压控制技术有机的结合,能极大地提高了煤矿机械的各种性能,如安全性、经济性、可靠性、操作舒适性以及作业精度、作业效率、使用寿命、安装拆除速度、维护方便性等。目前以微机或微处理器为核心的电子(微电脑)控制装置(系统)在煤矿机械中的应用已很普遍,电子控制技术已深入到煤矿机械的许多领域,如提升机的     

多传感器混合多模型估计的记忆分层融合算法

首先提出了两种局部节点交互多模型状态估计的整体先验信息的近似计算方法;其次,为构造全局融合估计的先验信息,给出了基于Dempster Shaffer证据理论的全局模型后验概率的融合方法,并在此基础上给出了全局等效目标运动模型的概念及其计算方法,上述结果使得基于有记忆分层融合算法的交互多模型估计融合成为可能;为利用融合结果改进局部节点的估计性能,首次提出了基于向局部节点反馈全局模型后验概率的融合反馈机制。仿真实验验证了所提分层有记忆交互多模型估计融合算法的有效性,以及引入反馈机制后对局部节点估计性能的改善。