导读:本文包含了多目标融合论文开题报告文献综述及选题提纲参考文献，主要关键词:多目标优化,灰狼算法,参数自适应,差分进化
多目标融合论文文献综述
赵云涛,谌竟成,李维刚[1]（2019）在《融合自适应差分进化机制的多目标灰狼优化算法》一文中研究指出针对灰狼算法易于陷入局部最优问题,提出了一种融合自适应差分进化机制的多目标灰狼优化算法。首先,将外部种群Archive按目标函数值的距离进行分组以避免存储相似个体。其次,设置头狼选择机制,在外部种群中选择头狼。最后,在更新过程中引入差分进化,择优选择下一代灰狼,同时差分进化参数可根据候选解加权目标函数值动态地自适应调整,平衡算法的局部开发与全局探测性能。基于8个多目标测试函数的验证结果表明,提出的多目标灰狼优化算法的收敛性与分布性优于其他3种算法。(本文来源于《计算机科学》期刊2019年S2期）
刘朝涛,宋鹏宇,狄科宏[2]（2019）在《基于深度学习与信息融合的多目标跟踪》一文中研究指出针对视频目标跟踪时的漏检、误检、发生遮挡时的丢失等问题,提出一种基于检测的跟踪算法。使用基于深度学习的YOLOv3目标检测算法,完成输入图像到待检目标的分类和位置检测,再通过融合基于马氏距离的目标运动信息与基于深度特征的表观信息,使得卡尔曼滤波算法在实现目标跟踪时获得目标间尽可能小的相似性距离,得到目标跟踪结果的最优匹配。实验表明在基本满足实时检测速度的前提下,减少了小目标的漏检、误检,也能提高在遮挡情况下目标跟踪的准确性,整体跟踪效果明显提高。(本文来源于《工业控制计算机》期刊2019年10期）
徐嘉辉,刘宇,车佳,张良俊,王锦[3]（2019）在《基于CNN的多目标航迹融合算法》一文中研究指出针对传统的航迹融合算法精度较低、计算过程需要先验状态估计的缺点,提出了一种基于卷积神经网络(CNN)的航迹融合算法。各局部航迹在融合中心已经过时空校准和航迹关联。由于目标运动轨迹具有时间相关性的特点,采用连续多周期的局部航迹估计,结合深度学习积累经验的能力,解析出当前时刻的更精确的系统航迹估计,实现航迹融合。实验表明,该种融合算法能够处理具有共同过程噪声复杂环境干扰下的综合误差,并且在不同传感器和环境情况下,以相同的CNN模型结构训练,融合后的系统航迹误差均方差都低于各局部航迹误差均方差,证明了该算法能够提高航迹精度,具有可行性。(本文来源于《现代雷达》期刊2019年09期）
朱玉刚[4]（2019）在《融合深度学习的无人驾驶多目标检测算法》一文中研究指出目标检测是目前计算机视觉领域非常热门的研究方向,是无人驾驶技术重要环节。为提高行车过程中目标检测精度并改善基于单发多目标检测器在训练时出现的正负样本失衡问题,基于车载视频,运用深度学习算法中具有强大性能的SSD模型,通过引入Focal Loss函数设计新的损失函数,解决样本失衡问题;同时在不降低检测速率的情况下,提高检测精度。基于自行采集的车载视频数据集进行实验,结果表明,改进后SSD模型的mAP相较于原始SSD模型提高了3%,达到74%。(本文来源于《软件导刊》期刊2019年09期）
李天龙,张军超[5]（2019）在《基于融合算法的空—地多目标攻击火力分配》一文中研究指出空地多目标火力分配是机载空地多目标攻击系统的核心。分析了空地多目标火力分配问题的特点,提出了不同的最优评价标准,并根据其对应的目标函数建立了3种空地多目标火力分配模型。以自适应蚁群算法为基础,利用遗传算子进行交叉变异操作,结合粒子群算法的思想修改信息素更新规则,给出了融合算法求解空地多目标火力分配问题的步骤。通过仿真实验验证了融合算法的有效性。(本文来源于《电光与控制》期刊2019年11期）
陈志鸿,黄立勤[6]（2019）在《基于卡尔曼滤波和多种信息融合的在线多目标跟踪算法》一文中研究指出针对在线多目标跟踪中检测器造成的漏检、误检问题和目标遮挡情况,提出一种基于卡尔曼滤波和多种信息融合的在线多目标跟踪算法。通过卡尔曼滤波算法对目标进行建模并预测目标的状态;融合目标的空间位置信息和外观深度特征信息,使同一目标之间相似性距离尽量小,并利用匈牙利算法建立跟踪目标和检测目标间的数据关联;利用策略解决未关联的检测目标或跟踪目标等复杂情况。采用MOT16数据集进行实验,实验结果表明能够有效地解决目标交错和遮挡导致跟踪漂移的问题,并且主要跟踪性能参数有显着提高。(本文来源于《信息通信》期刊2019年03期）
虞涵钧[7]（2019）在《基于分布式数据融合的多目标跟踪》一文中研究指出随着海洋的不断开发及其战略地位的逐渐提升,多目标跟踪能力越来越成为制约各种水下活动的一大因素。但是由于水下环境自身的高干扰性、水下声传播速度较慢、信号频段较低等因素的影响,量测数据中不仅真实目标信息偏少而且还包含着大量干扰。此外如何利用多个平台的量测信息联合获取更加可靠的目标跟踪轨迹也是常见的问题。在此背景下,本文主要通过接触级数据预处理、平台级多目标跟踪与系统级航迹融合叁个部分研究了基于分布式数据融合理论的干扰环境下多目标跟踪方法,对其进行了Matlab仿真分析,并通过了海试数据验证。首先研究了接触级信息的预处理技术。根据接触级数据中包含真实目标量测以及干扰的性质构建了多平台探测数据模型。再对此模型得到的探测数据进行不同坐标系间的转换、基于实时质量控制法或最小二乘法的空间偏差校准以及基于虚拟融合法或内插外推法的时间配准等预处理步骤,配准量测数据的时空误差。其次研究平台级的多目标跟踪方法。从逻辑法和Hough法等航迹起始算法入手,先获得跟踪目标的初始状态。再通过卡尔曼滤波和概率关联算法对无干扰和有干扰情况下的单目标进行跟踪。然后利用联合概率数据关联算法实现高干扰密度下的多目标跟踪。最后基于变目标数的跟踪场景,提出一种基于量测的多目标跟踪模型,实现时变数目场景下的多目标跟踪。然后研究多平台跟踪轨迹的融合处理。基于分布式数据融合模型,通过加权关联算法或匈牙利算法对局部平台的跟踪轨迹进行航迹关联;再根据局部估计协方差是否相关分别通过协方差凸组合、协方差交叉融合算法对关联的局部航迹进行融合,得到系统级的航迹输出。最后对海试数据进行处理。利用基于量测的多目标跟踪算法得到平台级航迹,再通过协方差交叉融合算法形成系统航迹,实现了分布式多平台在无目标先验信息前提下的多目标跟踪。(本文来源于《哈尔滨工程大学》期刊2019-03-07）
刘嵩[8]（2019）在《基于概率假设密度融合的多传感器多目标跟踪算法》一文中研究指出多目标跟踪技术作为信息融合领域的重要研究方向之一,在军事和民用领域都具有广泛的应用。传统的多目标跟踪方法是通过解决目标和传感器量测之间的匹配关系来处理数据关联问题,但随着跟踪场景中目标数增多、探测率低和杂波密集等因素的影响,数据关联会变得异常复杂且难以计算。概率假设密度(Probability Hypothesis Density,PHD)滤波器为多目标跟踪问题提供了一种新的解决方法,该方法基于随机有限集(Random Finite Set,RFS)理论,在一个统一的概率密度空间内对目标集合和量测集合进行描述,从而避免了数据关联过程。尽管如此,目前关于PHD滤波的研究尚未成熟,这是因为传统的PHD滤波器大多是针对单传感器提出的,然而在复杂场景中很难依靠单传感器对目标做出精确跟踪,此时需要融合多个传感器的数据来达到相应的跟踪要求。为此,本文基于高斯混合概率假设密度(Gaussian Mixture Probability Hypothesis Density,GMPHD)滤波方法,对同步和异步条件下的多传感器多目标跟踪问题展开研究,主要内容如下:1)针对复杂环境下单传感器GMPHD跟踪方法性能较差的问题,构建了一种序贯多传感器融合结构,并提出一种基于GMPHD滤波的多传感器融合算法,其次针对序贯融合方式中融合顺序敏感和融合权重的平衡问题,提出一种非平衡权多传感器自适应排序方法。实验结果表明,本算法与传统算法相比,能够有效提高目标跟踪精度。2)针对随机有限集下的多目标跟踪问题,提出一种基于迭代更新的多传感器GMPHD自适应融合算法。首先基于GMPHD滤波构建了一种多传感器迭代更新融合结构,然后基于该结构提出一种多传感器GMPHD跟踪算法,最后研究了观测质量不同的传感器迭代顺序对融合结果的影响,提出了一种多传感器自适应排序方法。仿真结果表明,当传感器观测质量存在差异时,本算法具有更好的融合效果。3)针对异步问题,提出了一种基于状态外推的异步多传感器GMPHD融合方法。首先构建了一种异步多传感器GMPHD融合结构,然后提出一种基于状态外推的时间配准算法,最后为了融合各传感器的后验估计,提出一种改进后的协方差交叉融合方法。与单传感器GMPHD方法相比,本方法所得到的目标估计精度更高,鲁棒性更好。(本文来源于《杭州电子科技大学》期刊2019-03-01）
杨诸胜,代新朋,谭俊锋[9]（2019）在《基于多目标融合隐身航路点暴露区分析方法》一文中研究指出针对隐身飞机的航路点暴露区问题进行分析研究。首先建立隐身飞机的动态RCS计算模型;在提出隐身航路点暴露区概念的基础上,着重对多目标融合条件下的隐身飞机航路点暴露区计算模型及其综合被探测概率进行研究分析;最后结合仿真实例进行验证分析。所提出的隐身飞机航路点暴露区计算模型及其分析方法较为简单、易于工程实现,能为隐身航路规划提供有效辅助决策。(本文来源于《电子信息对抗技术》期刊2019年01期）
王晓松,杨刚[10]（2018）在《一种融合聚类和分类算法的树木图像多目标优化分割方法》一文中研究指出【目的】结合树木图像颜色和纹理特征,融合聚类和分类算法对树木图像进行多目标优化分割,从而提高自然背景下树木图像分割的准确性。【方法】首先,利用MSCC框架理论,解决聚类和分类目标函数同时依赖于聚类中心的问题。然后,分别选定聚类性能评价指标函数和分类性能评价指标函数。最后,采用多目标进化优化方法——NSGA-Ⅱ算法进行优化,得到Pareto前端最优解集,并通过计算聚类有效性指数I的最大值,寻找最优解决方案。选择具有代表性的法国梧桐、侧柏、松树和杏树等自然背景下拍摄的4幅图像作为样本。分别采用Kmeans、Fuzzy C-means、对聚类目标函数进行单目标优化,采用MOPSO方法进行多目标优化,以及NSGA-Ⅱ方法进行多目标优化等5种方法对样本图像进行分割比较。【结果】在聚类中心数量相同、种群大小相同、遗传代数相同的条件下,指数I的值表明本文提出的分割方法优势显着。对于4类不同样本图像分割的指数I值进行对比可知,以HF指数为单目标函数进行遗传优化的结果优于单一使用K-means和FCM算法; MOPSO多目标优化方法分割结果优于单目标优化结果;基于NSGA-Ⅱ优化的多目标函数分割结果又优于MOPSO多目标优化结果。【结论】融合聚类和分类算法构建聚类性能评价指标函数和分类评价性能指标函数,并采用非支配排序遗传算法对多目标函数进行优化,能更好地保留树木图像的颜色和纹理特征,分割准确率显着提高。(本文来源于《北京林业大学学报》期刊2018年12期）
多目标融合论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对视频目标跟踪时的漏检、误检、发生遮挡时的丢失等问题,提出一种基于检测的跟踪算法。使用基于深度学习的YOLOv3目标检测算法,完成输入图像到待检目标的分类和位置检测,再通过融合基于马氏距离的目标运动信息与基于深度特征的表观信息,使得卡尔曼滤波算法在实现目标跟踪时获得目标间尽可能小的相似性距离,得到目标跟踪结果的最优匹配。实验表明在基本满足实时检测速度的前提下,减少了小目标的漏检、误检,也能提高在遮挡情况下目标跟踪的准确性,整体跟踪效果明显提高。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多目标融合论文参考文献
[1].赵云涛,谌竟成,李维刚.融合自适应差分进化机制的多目标灰狼优化算法[J].计算机科学.2019
[2].刘朝涛,宋鹏宇,狄科宏.基于深度学习与信息融合的多目标跟踪[J].工业控制计算机.2019
[3].徐嘉辉,刘宇,车佳,张良俊,王锦.基于CNN的多目标航迹融合算法[J].现代雷达.2019
[4].朱玉刚.融合深度学习的无人驾驶多目标检测算法[J].软件导刊.2019
[5].李天龙,张军超.基于融合算法的空—地多目标攻击火力分配[J].电光与控制.2019
[6].陈志鸿,黄立勤.基于卡尔曼滤波和多种信息融合的在线多目标跟踪算法[J].信息通信.2019
[7].虞涵钧.基于分布式数据融合的多目标跟踪[D].哈尔滨工程大学.2019
[8].刘嵩.基于概率假设密度融合的多传感器多目标跟踪算法[D].杭州电子科技大学.2019
[9].杨诸胜,代新朋,谭俊锋.基于多目标融合隐身航路点暴露区分析方法[J].电子信息对抗技术.2019
[10].王晓松,杨刚.一种融合聚类和分类算法的树木图像多目标优化分割方法[J].北京林业大学学报.2018