导读:本文包含了假设粒子论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:概率,密度,粒子,目标,区间,摄动,卡尔。
假设粒子论文文献综述
吴孙勇,宁巧娇,蔡如华,孙希延,潘福标[1]（2019）在《基于箱粒子概率假设密度滤波的弱目标检测与跟踪算法》一文中研究指出针对低信噪比条件下多弱小目标检测前跟踪算法跟踪效率低、计算复杂度高等问题,提出一种基于箱粒子概率假设密度滤波的弱目标检测与跟踪算法.首先,针对由目标的贡献强度和噪声获得的目标强度量测图像,利用均值滤波抑制强度量测图像中的噪声;其次,以不交叉原则挑选出强度值较大区域作为区间量测;最后,利用箱粒子概率假设密度(BOX-PHD)滤波对上述所得的区间量测进行目标跟踪.仿真结果表明,所提出的方法可以提高跟踪性能,且计算效率高.(本文来源于《控制与决策》期刊2019年07期）
程轩,宋骊平,姬红兵,邹志彬[2]（2019）在《标签箱粒子概率假设密度群目标跟踪算法》一文中研究指出针对现有的箱粒子概率假设密度(probability hypothesis density,PHD)群目标跟踪算法计算量大、在群数目较多时状态提取不稳定以及无法获得群的航迹等问题,提出标签箱粒子PHD群目标跟踪算法。该算法首先对量测进行预处理,剔除其中的杂波量测,以降低量测更新的计算量。然后,通过为箱粒子添加标签,区分不同的群目标,获得不同群的航迹。最后,依据不同标签提取群目标的状态,有效避免k-means聚类不稳定带来的影响。仿真实验表明,所提算法具有运算量小,在漏检环境下仍能很好地维持不同群的航迹,并在群数目较多时可准确提取群目标状态等优点。(本文来源于《系统工程与电子技术》期刊2019年08期）
裴家正,黄勇,董云龙,何友,陈小龙[3]（2019）在《杂波背景下基于概率假设密度的辅助粒子滤波检测前跟踪改进算法》一文中研究指出在杂波背景条件下,现有的基于概率假设密度(PHD)滤波的粒子滤波检测前跟踪(TBD)算法,存在对密集多目标数目估计不准,使用粒子数目较多会造成维数灾难的问题。因此,该文引入两层粒子的概念,将基于平行分割(PP)理论的辅助粒子滤波(APF)应用于基于概率假设密度的检测前跟踪(PHD-TBD)算法中,提出基于概率假设密度滤波的平行分割辅助粒子滤波检测前跟踪(APP-PF-PHD-TBD)算法以提高目标数目及状态估计精度。仿真实验证明,相对于现有基于PHD的粒子滤波检测前跟踪算法,该算法在目标数目和状态估计精度上具有显着的性能优势,在密集目标场景下,优势尤为突出。最后,利用导航雷达实测所得海杂波背景数据证明,该算法在应用中性能更加优异。(本文来源于《雷达学报》期刊2019年03期）
秦文利,胡捍英,陈松[4]（2018）在《基于带势概率假设密度粒子滤波的MIMO雷达检测前跟踪算法》一文中研究指出带势概率假设密度是解决多目标跟踪的有效方法,只在线性高斯环境下有闭式解。提出基于带势概率假设密度粒子滤波的MIMO雷达检测前跟踪算法,该算法利用粒子和权值代替目标状态及其概率假设密度,在非线性非高斯条件下有效跟踪多目标并准确估计目标数量,根据MIMO雷达多输入多输出特点,对更新过程加以改进,使其充分利用MIMO雷达的多通道数据,进一步减小跟踪误差。推导先验克拉美罗界用来检验算法性能。仿真结果表明所提算法能够有效跟踪多个目标并且估计目标数量,估计误差小于概率假设密度的估计误差,所提算法估计性能更稳定。(本文来源于《信息工程大学学报》期刊2018年02期）
于洋,宋建辉,刘砚菊,司冠楠[5]（2017）在《边缘化粒子概率假设密度滤波的多目标跟踪》一文中研究指出针对复杂情况下的多目标跟踪问题,提出一种边缘化粒子概率假设密度滤波(MPF-PHD)方法。该方法首先将复杂情况下多个目标的状态向量分别提取出其中的非线性状态与线性状态。然后利用粒子概率假设密度滤波(PF-PHD)估计非线性状态,利用卡尔曼滤波(KF)估计线性状态,并把其中与非线性状态相关的线性状态估计用来优化非线性状态估计。通过对MPF-PHD方法与传统的PF-PHD方法仿真对比,验证了MPF-PHD方法有效解决了复杂情况下多目标跟踪的漏检问题,提高了多目标状态估计精度。(本文来源于《火力与指挥控制》期刊2017年05期）
徐从安,何友,夏沭涛,程俊图,董云龙[6]（2016）在《基于随机摄动再采样的粒子概率假设密度滤波器》一文中研究指出作为概率假设密度滤波的典型实现方式,粒子概率假设密度滤波器无需线性高斯等先验假设,因而在多目标跟踪中得到了广泛的应用。为解决粒子退化问题并保持粒子规模,该滤波器引入了重采样机制,然而,该重采样机制易引起粒子多样性耗尽,导致粒子贫化问题产生。为解决这一问题,该文提出一种新的基于随机摄动再采样的粒子概率假设密度滤波器。首先,全面分析了粒子概率假设密度滤波因粒子贫化问题导致目标失跟的过程。然后设计了一种随机摄动再采样算法,该算法在重采样导致粒子多样性缺失时,根据源粒子的位置与复制次数随机产生相应数目的新粒子,并对源粒子进行删减,其可在保留源粒子信息的前提下保持粒子的多样性。最后,该文将该算法纳入概率假设密度滤波框架,提出了一种新的粒子概率假设密度滤波器。仿真结果表明该滤波器在不显着增加运行时间的前提下能够克服粒子贫化问题,相比标准的粒子概率假设密度滤波器具有更好的跟踪性能。(本文来源于《电子与信息学报》期刊2016年11期）
童骞,李鸿艳,毛少锋,焦玲,黄明军[7]（2015）在《基于区间平滑的粒子概率假设密度滤波算法》一文中研究指出针对杂波情况下,粒子概率假设密度滤波(P-PHDF)算法存在估计精度低、滤波发散以及粒子退化等问题,提出基于区间平滑的粒子概率假设密度滤波(RTSP-PHDF)算法。该算法利用区间平滑算法(RTS)引入观测值优化重要性密度函数,使粒子分布更逼近多目标概率假设密度的分布,进而得到优化的采样结果,改善滤波性能。仿真结果表明,与P-PHDF算法相比,该算法在有效提高估计精度同时,进一步提高了跟踪系统稳定性。(本文来源于《探测与控制学报》期刊2015年06期）
陈金广,马全海[8]（2015）在《parfor模式在粒子概率假设密度滤波中的应用》一文中研究指出P-PHD(Particle-Probability Hypothesis Density)是概率假设密度(PHD,Probability Hypothesis Density)的一种粒子实现方式,它不受系统模型的限制,可以适用于线型或者非线性系统。但是随着粒子数的增加,该算法所需要的时间复杂度不断增大。为了提高P-PHD的执行效率,分析了P-PHD的执行结构,确定了其中满足并行执行的部分。通过引入parfor对该部分实施并行计算,降低了算法的运行时间。其主要步骤是运用Matlab自带的并行计算工具箱中的parfor模式,并行更新每个粒子的权值。仿真实验表明,parfor模式可以较好地应用到该算法中,减少了更新步骤的运行时间,且能够满足算法的封闭性。(本文来源于《四川兵工学报》期刊2015年12期）
危璋,冯新喜,孔云波,刘钊[9]（2014）在《并行局部概率假设密度(PHD)粒子滤波》一文中研究指出针对概率假设密度滤波权值更新效率低下的问题,提出一种并行局部概率假设密度粒子滤波。通过聚类将粒子按目标估计个数进行分类并添加标签,通过一步预测和跟踪门限将观测区域划分为目标存在区域和不包含目标的杂波区域,修正目标所在的局部区域杂波强度公式,独立并行地计算每个目标所在区域的局部概率假设密度。仿真结果表明,并行的局部概率假设密度粒子滤波时效性更高,误差更低。(本文来源于《重庆邮电大学学报(自然科学版)》期刊2014年05期）
吴鑫辉,黄高明,高俊[10]（2014）在《未知噪声统计下多模型概率假设密度粒子滤波算法》一文中研究指出针对传统多目标概率假设密度滤波(PHD)器在噪声先验统计未知或不准确时滤波精度下降甚至丢失目标的问题,设计一种自适应多模型粒子PHD(MMPHD)滤波算法.该算法利用多模型近似思想,推导出一种多模型概率假设密度估计器,不仅能估计多目标状态,而且能实时估计未知且时变的噪声参数,并采用蒙特卡罗方法给出了MMPHD闭集解.仿真实例表明,所提出的算法具有应对噪声变化的自适应能力,可有效提高目标跟踪精度.(本文来源于《控制与决策》期刊2014年03期）
假设粒子论文开题报告
（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：
针对现有的箱粒子概率假设密度(probability hypothesis density,PHD)群目标跟踪算法计算量大、在群数目较多时状态提取不稳定以及无法获得群的航迹等问题,提出标签箱粒子PHD群目标跟踪算法。该算法首先对量测进行预处理,剔除其中的杂波量测,以降低量测更新的计算量。然后,通过为箱粒子添加标签,区分不同的群目标,获得不同群的航迹。最后,依据不同标签提取群目标的状态,有效避免k-means聚类不稳定带来的影响。仿真实验表明,所提算法具有运算量小,在漏检环境下仍能很好地维持不同群的航迹,并在群数目较多时可准确提取群目标状态等优点。
（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。
假设粒子论文参考文献
[1].吴孙勇,宁巧娇,蔡如华,孙希延,潘福标.基于箱粒子概率假设密度滤波的弱目标检测与跟踪算法[J].控制与决策.2019
[2].程轩,宋骊平,姬红兵,邹志彬.标签箱粒子概率假设密度群目标跟踪算法[J].系统工程与电子技术.2019
[3].裴家正,黄勇,董云龙,何友,陈小龙.杂波背景下基于概率假设密度的辅助粒子滤波检测前跟踪改进算法[J].雷达学报.2019
[4].秦文利,胡捍英,陈松.基于带势概率假设密度粒子滤波的MIMO雷达检测前跟踪算法[J].信息工程大学学报.2018
[5].于洋,宋建辉,刘砚菊,司冠楠.边缘化粒子概率假设密度滤波的多目标跟踪[J].火力与指挥控制.2017
[6].徐从安,何友,夏沭涛,程俊图,董云龙.基于随机摄动再采样的粒子概率假设密度滤波器[J].电子与信息学报.2016
[7].童骞,李鸿艳,毛少锋,焦玲,黄明军.基于区间平滑的粒子概率假设密度滤波算法[J].探测与控制学报.2015
[8].陈金广,马全海.parfor模式在粒子概率假设密度滤波中的应用[J].四川兵工学报.2015
[9].危璋,冯新喜,孔云波,刘钊.并行局部概率假设密度(PHD)粒子滤波[J].重庆邮电大学学报(自然科学版).2014
[10].吴鑫辉,黄高明,高俊.未知噪声统计下多模型概率假设密度粒子滤波算法[J].控制与决策.2014
论文知识图
