文献类型：期刊文章

作　　者：陈一梅[1] 刘伟峰[1,2] 孔明鑫[1] 张桂林[2]

CHEN Yi-Mei;LIU Wei-Feng;KONG Ming-Xin;ZHANG Gui-Lin(Institute of Systems Science and Control Engineering,School of Automation,Hangzhou Dianzi University,Hangzhou 310018;Science and Technology on Information System Engineer-ing Laboratory,The 28th Research Institute of CETC,Nanjing 210007)

机构地区：[1]杭州电子科技大学自动化学院系统科学与控制工程研究所,杭州310018 [2]中国电子科技集团公司第二十八研究所信息系统工程重点实验室,南京210007

出　　处：《自动化学报》

基　　金：国家自然科学基金(61771177,61333011);江苏省自然科学基金项目(BK20160148);杭州电子科技大学优秀学位论文培育基金项目(yxlw2018008)资助。

年　　份：2020

卷　　号：46

期　　号：7

起止页码：1445-1456

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、MR、PUBMED、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：本文针对杂波条件下多扩展目标的状态估计,目标个数估计,扩展目标形状估计问题,提出了一种基于标签随机有限集(Labelled random finite sets,L-RFS)框架下多扩展目标跟踪学习算法,该学习算法主要包括两方面:多扩展目标动态建模和多扩展目标的跟踪估计.首先,结合广义标签多伯努利滤波器(Generalized labelled multi-Bernoulli,GLMB)建立了扩展目标的量测有限混合模型(Finite mixture models,FMM),利用Gibbs采样和贝叶斯信息准则(Bayesian information criterion,BIC)准则推导出有限混合模型的参数来对多扩展目标形状进行学习,然后采用等效量测方法来替代扩展目标产生的量测,对扩展目标形状采用椭圆逼近建模,实现扩展目标形状与状态的估计.仿真实验表明本文所给的方法能够有效跟踪多扩展目标,并且在目标个数估计方面优于CBMeMBer算法.此外,与标签多伯努利滤波(LMB)计算比较表明:GLMB和LMB算法滤波估计精度接近,二者精度高于CBMeMBer算法.

关 键 词：多扩展目标  有限混合模型 标签随机有限集  GLMB滤波器  GIBBS采样 BIC准则  

分 类 号：TP18] TN713]