一种改进的联合交互式多模型概率数据关联算法
第1章 《数据挖掘》PPT绪论
Knowledge
Information
Data
3 of 43
1.1数据挖掘基本概念
第一章 绪论
1.1.1 数据挖掘的概念
数据挖掘、数据库、人工智能
• 数据挖掘是从数据中发掘知识的过程，在这个过程中人工智能和数据库技术可以作 为挖掘工具，数据可以被看作是土壤，云平台可以看作是承载数据和挖掘算法的基 础设施 。在挖掘数据的过程中需要用到一些挖掘工具和方法，如机器学习的方法。 当挖掘完毕后，数据挖掘还需要对知识进行可视化和展现。
21 of 43
1.3数据挖掘常用工具
第一章 绪论
1.3.2 开源工具
• WEKA WEKA 是一个基于JAVA 环境下免费开源的数据挖掘工作平台，集合了大量能承担数据 挖掘任务的机器学习算法，包括对数据进行预处理，分类，回归、聚类、关联规则以及 在新的交互式界面上的可视化。
22 of 43
1.3数据挖掘常用工具
•R • Weka • Mahout • RapidMiner • Python • Spark MLlib
第一章 绪论
20 of 43
1.3数据挖掘常用工具
第一章 绪论
1.3.2 开源工具
•R R是用于统计分析和图形化的计算机语言及分析工具，提供了丰富的统计分析和数据挖 掘功能，其核心模块是用C、C++和Fortran编写的。
为了提高系统的决策支持能力，像ERP、SCM、HR等一些应用系统也逐渐与数据 挖掘集成起来。多种理论与方法的合理整合是大多数研究者采用的有效技术。
12 of 43
1.2 数据挖掘起源及发展历史
第一章 绪论
3 数据挖掘面临的新挑战
随着物联网、云计算和大数据时代的来临，在大数据背景下数据挖掘要面临的挑 战，主要表现在以下几个方面：
基于随机游走的数据聚类
Aeijvk
+1 = −1 0
i= k j= k 其它
(5)
由上式可知，关联矩阵由边 eij 和节点 vk 决定，图中 eij 为任意方向， A 为联合梯度算子， AT 为联合 散度算子。 我们构造一个大小为 m × m 的对角阵 C ，其对角线上的值为映射图边上的权值即：
72
崔伟 等
(11)
s i
因此，通过求解： LU x s = − BT m s 得到到达单个标记点的概率； 通过 LU X = − BT M 求得到所有种子点的概率，其中， k 个列矢量 x s 组成 X， k 个列矢量 m s 组成 M。 因为对任意未被标记节点来说，它到所有种子点的概率之和为 1，即：
th th th
Received: Jun. 28 , 2017; accepted: Jul. 17 , 2017; published: Jul. 20 , 2017
Abstract
In order to realize the clustering analysis of large data volume and complex types of data, the random walk algorithm maps the data set into graphs, each data represents node, and uses a weighting function to represent the relationship between data and data. The similarity criterion indicates the weight between two data in the data set. In the random walk algorithm, the weight of the weight represents the random walker from the non-seed point for the first time to reach a seed point of preference. Finally, cluster analysis is realized according to the maximum transition probability. The results show that the random walk algorithm can achieve clustering in the clustering analysis of numerical data.
基于无味粒子滤波和交互多模型算法的多机动目标跟踪
基于无味粒子滤波和交互多模型算法的 多机动目标跟踪
何祖军, 尚明玲
( 江苏科技大学 电子信息学院, 江苏 镇江 212003)
摘 要: 闪烁噪声是一种非高斯噪声. 为了提高闪烁噪声下多机动目标跟踪的精度, 在 交互多模 型 IMM ( Interacting M u l tiple M ode ls)算法的基础上 将非 线性 非高 斯系 统滤 波算 法 粒子 滤波 与 IMM 算 法相 结合, 采用 无味 粒 子滤 波 U PF ( U nscented Partic le F ilte r) 代替 IMM 算法中各模型的 卡尔曼 滤波, 提 出了一 种 U PF _IMM 算 法, 并应 用该算 法代 替传统 IMM _JPDA 数据关联方法中的 IMM 部分, 解决了闪烁 噪声环 境下的 多目标跟 踪问题, 实 验结果 表明该算 法可以 明显地 提高跟踪精度. 关键词: 多目标跟踪; 粒子滤 波器; IMM 算法; 闪烁噪声
∃ W y (m ) [ l]
g
g t/ t- 1
t= 0
PYtYt = PX tYt =
2na
∃ W [ y - Y ] [ y - Y ] ( c) [ l]
g
g t /t- 1
[ l] t /t- 1
[ l] g t /t- 1
[ l] T t/ t- 1
t= 0
2na
∃ W ( c) g
[
t= 0
HE Zujun, SHANG M ingling
( School of E lectron ics and Inform at ion, J iangsu U n ivers ity of S cience and Technology, Zhen j iang Jiangsu 212003, Ch in a)
基于神经网络的多机动目标跟踪算法
神 经 网络 数 据 关 联 算 法 （ ＮＤＡ） Ｊ ＤＡ 的 基 在 Ｐ 础上 ， 过对似 然矩 阵 的处理 ， 够得 到有 效 的量测 通 能
与 目标 的对应 关 系 即最 佳 关联 假 设 ， 时还 具 备 了 同 跟 踪起始 和 终结 的 作 用 ， 大减 少 了 计算 量 。基 于 大 Ｎ ＤＡ算 法得 到的最 佳关 联假 设 ， 将简 化信 息融合 并 行 自适 应滤波 算法 与该 关联 算法 结合 进行 多机 动 目 标 的状 态滤波 与 预 测 ， 保证 了对 多 机 动 目标 的 跟踪
维普资讯
２ ０ 年 １ 月 ０６ ０
西 北 工 业 大 学 学 报
Ｊ ｕ ｎ ｌｏ ｒｈ ｓｅ ｎＰｏｙ ｅ ｈ ｉａ ｉｅｓｔ ｏ ｒ ａ ｆＮｏ ｔｗｅ ｔｒ ｌ ｔｃ ｎｃ ｌＵｎｖ ｒｉｙ
ＯＣ ． ｔ
２０ ０６
第 ２ 卷第 ５ ４ 期
算 法
在 多 目标 跟 踪 问题 中 ， 定所 获 得 的量 测与 对 确
收 稿 日期 ：０ ５０ —９基 金 项 目 ： 空 基 础 科 学 基 金 （５ ３ ２ ） ２ ０ —９０ 航 ０Ｄ５ Ｏ １ 和西 北 工 业 大 学 电子 信 息 学 院 研 究 生 创 新 实 验 室 资 助 作者简介 ： 李 辉 （９ ８ ）西 北 工 业 大 学 副教 授 ， 要从 事 通 信 信 号 及 雷 达 数 据 处 理 的 研 究 。 １６ 一 ， 主
方法 基础 上引 入神 经 网络 。 主要 思想 是 ， 正时 刻 其 在
找 出一 个关 联 概率 最 大 的量 测 去更新 对应 目标 的状
态 ， 他 目标状 态 的更 新 与该 量 测和 目标 无关 。显 其 然 ， 有 ２个 或多 个量 测 与给定 目标 关联 概率相 同 ， 若
基于交互式多模型的多假设航迹起始算法
中图分类号 ：Ｔ ２ ２ Ｐ １
文献标 识码 ：Ａ
ＤＯＩ ｌ． ６ ￣ｉ ｎ１７ ．８ ９２ １． ．１ ： ０３ ９ ．ｓ． ３３ １． ００ ０ ４ ９ ｓ ６ ０ ２
Ｍ ｕ ｔ ｌ ｐｏｈｅ ｉ ａ ｋ ｎ ｎ ｔａｉｎ Ａｌ ｏ ｉｈ ｓ ｌｉ ｅＨｙ ｔ ｓｓＴｒ ｃ ｉ ｇ Ｉ ｉｉｔｏ ｇ ｒｔ ｍ ｐ
Ｋ ｌ ｎ 滤 波 器 提 出 了一 种 具 有 马 尔 可 夫 切 换 系 数 的 ａ ｍａ
１ 算法描述
１１ 基 于航迹 的 ＭＨ ． Ｔ方 法 １１１ 滤 波与预测 ．．
用 ｋｌ ａ ａ ｎ滤波模型来估计和预测 ，首先列 出目 ｍ 标运动 的状态方程及 系统量测方程 ，然后根据初始条
第３ ２卷 第 ２ 期
２１ ００年 ４月
拍挥控制 与仿 真
Ｃ ｍｍａ ｄ Ｃｏ ｔ ｌ Ｓ ｍｕ ａ ｉｎ ｏ ｎ ｎ ｒ ＆ ｉ ｌｔ ｏ ｏ
Ｖ １ ２ ＮＯ ２ ０３ ＿． ． Ａｐ ． ０ ０ ｒ １ ２
文章编号 ：１７ －８ ９２ １ ）２０ ５ －３ ６ ３３ １（０ ００ －０ ６０
ｍｏ ｅ ’ ｉ ｔ ｔ ｎ ｔ ｒ ｕ ｈ ａ ｓ ｃ ａｉ ｇ Ｉ Ｍ ｔ ＨＴ Ｔｈ ｉ ｌｔ ｎ ｓ ｏ ｈ ｔ Ｍ Ｍ Ｍ ＨＴ ｉ ｆ ａ ｉ ｌ ｎ ｃ ｕ ａｅ ｄ ｌＳｌ ｍｉ ｉ ｈ ｏ ｇ ｓ ｏ ｉｔ Ｍ ａｏ ｎ ｗｉ Ｍ ｈ ． ｅｓ ｍｕ ａｉ ｈ ｗｓ ｔ ａ ｏ Ｉ Ｓ ｅ ｓ ｂ ｅ ａ ｄ ａ ｃ ｒ ｔ ａ ｄ ｉ ｉ ｂ ｔ ｒｔ ａ ＨＴ ｉ ｌｅ ａａｍ ａｅ ｓ ｅ ｄ ｎ ｓ ， ｎ ａ ｋ ｎ ｒ ｃｓｏ ． ｎ ｅｔ ｎ Ｍ ｔＳ ｅ ｈ ｆ ｓ ｌ ｒ ｒ ｔ． ｐ ｅ ｉ ｅ ｓ ａ ｄ ｔ ｃ ｉ ｇｐ ｅ ｉｉｎ ｎａ ｒ Ｋ ｅ ｒ ｓ ｍｕ ｔ ｌ ｙ ｏ ｈ ｓｓ ｒ ｃ ｉ ｇ ｉ ｔｒ ｃｉ ｅｍｕ ｔ ｅｍｏ ｅ； ｒ ｃ ｉｇ ｉ ｉ ａｉ ｎ ｙ ｗｏ ｄ ： ｌ ｐ ｅｈ ｐ ｔ ｅ ｉ ａ ｋ ｎ ； ｎ ｅ ａ ｔ ｌ ｐ ｄ ｌ ｔ ｋ ｎ ｔ ｔ ｉ ｔ ｖ ｉ ａ ｎｉ ｏ
基于IMM-MHT算法的杂波环境多机动目标跟踪
基于IMM-MHT算法的杂波环境多机动目标跟踪邵俊伟;同伟;单奇【摘要】针对杂波环境下多机动目标的跟踪问题,提出将交互多模型(IMM)算法与多假设跟踪(MHT)算法结合,并运用Murty算法和假设树修剪方法进行假设生成和假设管理,提高IMM-MHT算法的实用性.仿真结果表明,IMM-MHT算法具有较高的正确关联率和较好的跟踪稳定性,且与只使用单模型的MHT算法相比,具有更好的跟踪精度.【期刊名称】《舰船电子对抗》【年(卷),期】2014(037)002【总页数】5页(P87-90,93)【关键词】数据关联;多假设跟踪;交互多模型【作者】邵俊伟;同伟;单奇【作者单位】中国电子科技集团公司第38研究所,合肥230088;陆军驻中电集团38所军事代表室,合肥230088;中国电子科技集团公司第38研究所,合肥230088【正文语种】中文【中图分类】TP957.510 引言随着战场环境的日趋复杂以及目标机动性能的日益提升，如何在杂波环境下跟踪机动目标正成为雷达数据处理系统要应对的关键问题之一。
传统数据关联算法，如最近邻［1］（NN）、概率数据关联［2］（PDA）、联合概率数据关联［3］（JPDA）等，以当前扫描周期内的量测为基础进行数据关联，若某一扫描周期内的关联结果与真实情况有较大差别，则之后的跟踪过程常会发生错误，甚至丢失目标。
多假设跟踪［4］（MHT）的关联结果不仅取决于当前扫描周期内的量测数据，而且还与历史量测信息有关。
对不能确定的关联，会形成多种逻辑假设，并用后续的量测数据来解决这种不确定性。
在理想条件下，MHT是最优的数据关联算法，可以有效地解决杂波环境下的数据关联问题。
但是，MHT算法所需的计算和存储资源会随着量测数和跟踪步数的增长呈指数增加，若要实际应用，还需要有效的假设管理技术。
对机动目标，以单一的运动模型来刻画其运动过程，往往和实际情况有偏差，最终会由于模型失配导致跟踪误差增大甚至跟踪失败。
实验一 Clementine12.0数据挖掘分析方法与应用
实验一Clementine12.0数据挖掘分析方法与应用一、[实验目的]熟悉Clementine12.0进行数据挖掘的基本操作方法与流程，对实际的问题能熟练利用Clementine12.0开展数据挖掘分析工作。
二、[知识要点]1、数据挖掘概念；2、数据挖掘流程；3、Clementine12.0进行数据挖掘的基本操作方法。
三、[实验内容与要求]1、熟悉Clementine12.0操作界面；2、理解工作流的模型构建方法；3、安装、运行Clementine12.0软件；4、构建挖掘流。
四、[实验条件]Clementine12.0软件。
五、[实验步骤]1、主要数据挖掘模式分析；2、数据挖掘流程分析；3、Clementine12.0下载与安装；4、Clementine12.0功能分析；5、Clementine12.0决策分析实例。
六、[思考与练习]1、Clementine12.0软件进行数据挖掘的主要特点是什么？2、利用Clementine12.0构建一个关联挖掘流（购物篮分析）。
实验部分一、Clementine简述Clementine是ISL(Integral Solutions Limited)公司开发的数据挖掘工具平台。
1999年SPSS公司收购了ISL公司，对Clementine产品进行重新整合和开发，现在Clementine已经成为SPSS公司的又一亮点。
作为一个数据挖掘平台，Clementine结合商业技术可以快速建立预测性模型，进而应用到商业活动中，帮助人们改进决策过程。
强大的数据挖掘功能和显著的投资回报率使得Clementine在业界久负盛誉。
同那些仅仅着重于模型的外在表现而忽略了数据挖掘在整个业务流程中的应用价值的其它数据挖掘工具相比，Clementine其功能强大的数据挖掘算法，使数据挖掘贯穿业务流程的始终，在缩短投资回报周期的同时极大提高了投资回报率。
为了解决各种商务问题，企业需要以不同的方式来处理各种类型迥异的数据，相异的任务类型和数据类型就要求有不同的分析技术。
信息融合
信息融合技术发展与应用信息融合或数据融合是指为完成决策和估计任务而利用计算机技术对按时序获得的若干传感器的观测信息在一定准则下加以自动分析、综合的信息处理过程。
近十几年来，多传感器信息融合技术获得了广泛应用。
采用信息融合技术对多源战场感知信息进行目标检测、关联/相关、组合，以获得精确的目标状态和完整的目标属性/身份估计，以及高层次的战场态势估计与威胁估计，从而实现未来战争中陆、海、空、天、电磁频谱全维战场感知。
通过信息融合技术可以扩展战场感知的时间和空间的覆盖范围，变单源探测为网络探测；能改进对战场目标的探测能力，提高目标的发现概率和识别水平；能提高合成信息的精度和可信度，支持对重要战场目标的联合火力打击；能产生和维持一致的联合战场态势，支持联合作战决策和方案制定；能提高威胁判定的实时性和准确度，支持战场预警；能进行战场感知信息共享，提高战场信息使用效率；能科学配置和控制探测/侦察平台和传感器，充分利用战场空间感知资源。
1 国外信息融合技术的发展美国国防部三军实验室理事联席会（JDL）的对信息融合技术的定义为：信息融合是一个对从单个和多个信息源获取的数据和信息进行关联、相关和综合，以获得精确的位置和身份估计，以及对态势和威胁及其重要程度进行全面及时评估的信息处理过程；该过程是对其估计、评估和额外信息源需求评价的一个持续精练（refinement）过程，同时也是信息处理过程不断自我修正的一个过程，以获得结果的改善。
后来，JDL将该定义修正为：信息融合是指对单个和多个传感器的信息和数据进行多层次、多方面的处理，包括：自动检测、关联、相关、估计和组合。
信息融合技术自1973年初次提出以后，经历了20世纪80年代初、90年代初和90年代末三次研究热潮。
各个领域的研究者们都对信息融合技术在所研究领域的应用展开了研究，取得了一大批研究成果，并总结出了行之有效的工程实现方法。
美国在该项技术的研究方面一直处于世界领先地位，1973年，在美国国防部资助开发的声纳信号理解系统中首次提出了数据融合技术，1988年，美国国防部把数据融合技术列为90年代重点研究开发的20项关键技术之一。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（ ｎ ｅｓｙｏ ｌ ｔ ｎｃＳｉ ｃ ａ ｄ Ｔｃ ｎｌ ｙｏ ｈｎ ， ｈ ｎ ｄ ） Ｕ ｉ ｒ ｔ ｆＥｅ ｒ ｉ ｃ ｎｅ ｎ ｅｈ ｏ ｇ Ｃ ｉａ Ｃ ｅｇ ｕ６ ３ ｖ ｉ ｃｏ ｅ ｏ ｆ １７ １ １
Ａｂ ｔ ａ ｔ：Ｉ ｈ ｏ ｉ ｆｍｕ ｔｐ ｅ ｔｒ ｅ ｒ ｃ ｉ ｇ，ｂ ｃ ｕ ｅ ｐ ｏ ｅ ｓｎｇｔ ｕ ｉ ｃ ｏ ｓｉ ｈ ｎｅ ｓ ｃｉ ｎ ｏ Ｓ Ｏ ｓｒ ｃ ｎ ｔ ｅ ｄ ｍａ ｎ ｏ ｌｉ ｌ —ａ ｇ ｔｔａ ｋ ｎ ｅ ａ ｓ ｒ ｃ ｓ ｉ ｏ ｐ ｂｌ ｅ ｈ ｅ ｎ ｔ ｅ ｉ ｔｒｅ ｔ ｆａ Ｓ — ｃ ｏ
其 中 ， ｋ （ ｋ一１ 表示 模型 ｌ ｋ Ｉ ） 在 时刻 目标 ｔ 的
预 测值 ， ｋ 一１ 表示 在 ｋ （ Ｉ ） 时刻 目标 ｔ 的预测综 合
值 ，；ｋ 表示模型 １ ｋ ．（ ） ｓ 在 时刻 目标 ｔ 的预测协方差
输 出交 互
矩 阵 ， ｋ Ｊ（ ）表示 在 ｋ时刻 目标 ｔ ｓ 的预 测综 合协 方 差 矩阵 ， ｔｋ ｕ（ ）表示 ｋ时刻 目标 ｔ 模型 １ 的概 率 ， 在 处 Ⅳ
ｉ ａ ｓ ｃ ｔ ｎａｇｒｈ （Ｃ Ｉ ｔ ｄ ｔ ａｓ ｉ ｉ ｌ ｉ ｍ Ｉ — ｙ ａ ｏ ａｏ ｏｔ ＭＭＰ Ａ）ｉ ｐｏ ｏｅ ｙｃｍ ｉｉ ｔｒ ｔ ｇｍ ｌｐｅｍ ｄ ｌ Ｉ Ｄ ｓ ｒｐ ｓｄｂ ｏ ｂｎｎ ｉ ｅａ ｉ ｕｔ ｌ ｏ ｅ （ＭＭ）ａ ｏｉ ｍ ｇｎ ｃｎ ｉ ｌ ｒｈ ｇ ｔ
一
种 改 进 的联 合 交 互 式 多模 型 概率 数 据 关 联 算 法
杨 雄 张 顺 生 陈 明燕
（ 电子科技 大学 成都 ６ １３ ） １７ １
【 摘要】 在多 目 标跟踪领域 ， 由于概率数据关联（ Ｄ ） Ｐ Ａ 算法对关联 门相 交区域 内公共 回波的处理过 于简单 ， 因而在 目标 密集或 交叉环 境 中关联 性 能 差。考 虑公 共 回波 对航 迹 更 新 的影 响 对 Ｐ Ａ算 法 Ｄ
ｐｏ ａ ｉｓ ｃｄ ｔ ａｓｃ ｔ ｎａ ｏ ｔｍ （ ・ ｒｂｂｌｔ ａａ ｓ ｉ ｉ ｌ ｒｈ ｉｉ ｏ ａ ｏ ｇｉ ＣＩ ＭＭＰ Ａ） ａ ｄｉａ ｏｆａ ｒｓ ｏ ａ ｕａ ｏ ａ ； ｈｃ ｉ ａ ｅｉ Ｄ ， ｎ ｌ ｔ ｅ ｗｃ ｌ ｌｔ ｎｌ ｄ ｗ ｉ ｗｌｍ ｋ ｔ ｓ ｅｕ ｌ ｃ ｉ ｏ ｈ ｌ ｔ
ｏ ｈ ａ ｋ ｕ ｄ ｔ ｇ， ｈ ＤＡ ａｇ ｒｔ ｍ ｉ ｒ ｖ ｄ ｎ ｔ ｅ ｔ ｃ ｐ ａｉ ｒ ｎ ｔ ｅＰ ｌ ｏ ｉ ｓｉ ｏ ｅ ．Ａｎ ｉ ｒ ｖ ｄ ｃ ｍｂ ｎ ｄ ｉ ｔ ｒ ｃｉ ｇ ｍｕ ｔ ｌ ｄ ｌ ｒｂ ｂ ｌ ｈ ｍｐ ｍｐ ｏ ｅ ｏ ｉ ｅ ｎ ｅ ａ ｔ ｌ ｐ ｅ ｍｏ ｅｓｐ ｏ ａ ｉ ｎ ｉ —
第４ Ｏ卷 第 ３期 （ 总第 １７期 ） ５
２ １ 年 ９月 ０１
火 控 雷 达 技 术
Ｆ ｒ ｎｔｏ ｄａ ｃ ｏ ｏ ｙ ｉｅ Ｃｏ ｒ ｌＲａ ｒＴｅ ｈｎ ｌｇ
Ｖ ！４ ｏ ３ Ｓ ｒ ｓ１ ７ ｏ． ０ Ｎ ． （ ｅｉ ５ ） ｅ
Ｓ ｐ． ２ １ ｅ ０１
不一定 是 目标 的真 实 回波 ， 因此 该 方 ห้องสมุดไป่ตู้ 有 可 能 出 现 误跟 和 失跟 目标 的情 况 。Ｐ Ａ Ｄ 算 法 是 在 有 杂波 环境 中的单 目标 跟 踪 中较好 的数 据 关 联 算 法 ， 多 在 标 跟踪 中 ， 由于此 算 法 没 有 考 虑 到其 他 目标 的影 响 ， 多 目标距 离 较近 时 ， 当 会引起 航 迹 聚合 。 目前 在
ａ ｇ ｏ ｐｐ ｉａ ｉｎ ｐ ｏ ｐ ｃ ｎ ｐ ａ ｔｃ ｌｅ ｇｎ ｅ ｉ ｇ ｏ ｄ ａ ｌ ｔ ｒ ｓ ｅ ｔｉ ｒ ｃｉ ａ ｎ ｉ ｅ ｒｎ ． ｃ ｏ
Ｋｅ ｗｏ ｄ ：ｉ ｔ ｒ ｃｉ ｇ ｍｕ ｔ ｌ ｄ ｌ ｌ ｏ ｉ ｍ ；ｐ ｏ ａ ｉ ｓ ｃ ｄ ｔ ｓｏ ｉｔ ｎ ａｇ ｒ ｈ ；ｍｕ ｔ ｌ ａ ｇ ｔｔ ｃ ｉ ｇ ｙ ｒ ｓ ｎ ｅ ａ ｔ ｌ ｐｅ ｍｏ ｅｓ ａｇ ｒｔ ｎ ｉ ｈ ｒ ｂ ｂ ｌ ｔ ａ ａ ａ ｓ ｃａ ｉ ｌｏ ｔ ｍ ｉｉ ｏ ｉ ｌ ｐ ｅ ｔ ｒ ｅ ａ ｋ ｎ ｉ ｒ
率 （ ） ｋ
计算互联概率 计算修 正后的 计 算综合 回波
ａ ．通 过设 置 的 目标关 联 门构造 ｍ ｘ（ ＋１ 确 Ⅳ ）
认 矩 阵 ＝［ ， 表示有 效 回波 和各 目标跟 踪 门 ∞ ］它
状态更新 １ ｌ ｌ 状态更新 Ｎ
的复杂 关 系 ， 中 ｎ为 目标 数 ， 其 ｍ为候 选 回波数 。
收 稿 日期 ：０ １ ０ ０ ２ １ — ５— ９
量也相应的呈指数级增大 ， 所以该算法很难在工程 中得到运用。因此 ， 了保持 跟踪性能 同时降低计 为
算量 ， 其能 够 在 工 程 中得 以运 用 ， 文对 Ｐ Ａ算 使 本 Ｄ
法进 行 改进 ， 将 改进 的 Ｐ Ａ算 法 和交 互式 多 模 型 并 Ｄ
ｌ 引 言
在 多 目标跟 踪 领 域 ， 在 工 程 中 常用 的关 联算 现 法 为“ 近邻 ”‘。 算 法 的 优 点 是计 算 简 单 ， 最 ’ 。该 缺
点 是在 多 回波环 境 下离 预测 位置 最 近 的候 选 回波 并
目标 密集 环 境下进 行 多 目标跟踪 的最 有效算 法 为联 合 概率 数 据 关 联 （ｏｎ ｐｏａ ｉｓｃｄ ｔ ａｓｃａ ｏ ， ｊｉｔ ｒｂ ｂｌ ｔ ａａ ｓｏｉｔ ｎ ｉｉ ｉ ＪＤ Ｐ Ａ） 算法 ， 算 法 通 过 对 确认 矩 阵进 行 拆 分 该 得 到互联 事件 。但 是 其 缺点 是 当 目标 个 数 增 大 时 ， 互 联矩 阵 的数量 将呈 指数 级增 大使 得该 算法 的计 算
ｓ ＝ ； ）ｓ ‘ ） ∑“ ｛ （ （ ｆ ｔ
ｆ＝ ｌ
Ａ １ （ ｋ１］ ｔ （ Ｉ ） Ｉ ） － ・
（） ２
２ 改 进 的 联 合 交 互 式 多模 型概 率数 据
［ ｋＩ （ ｋ一１ （ ｋ一１ ］’ ）一 ｋＩ ） ｝
，
关 联 算 法
表示模 型 数 。通过 下式 ：
一
步预 测 １ ｌ
Ｉ 一 步预测 Ｎ
预 测综合
［ （ ） （ １ ］’ （ 一［（ 一 ｋ１一 ） ≤ ｚ ｋ 一 ｋ１ ） ‘ ） （ ． １ ］ 一 ｓ ） 】 ｝
建立 关联 门 。 ２ ２ 计 算 互 联 概 率 （ ）和 修 正 后 的 互 联 概 ． ｋ
将 Ｐ Ａ 与 Ｉ 算 法 相 结 合 的通 常 方 法 是 对 Ｄ ＭＭ Ｉ 滤波 器 中的各个 滤 波器直 接使 用 Ｐ Ａ算 法 』 ＭＭ Ｄ ，
但 此种 方法 容 易产 生 误 跟 、 跟 现 象 。针 对 这个 问 失
题 ， 献 ［ 提 出 了一种 新 的 Ｉ 文 ８］ ＭＭＰ Ａ 结 构 （ ． Ｄ Ｃ Ｉ Ｐ Ａ） 即在 Ｉ 结 构 中对 各 滤 波 器 使 用 一 个 ＭＭ Ｄ ， ＭＭ 相同 的波 门录取 回波 ， 对各 滤 波 器 使 用 相 同 的 回 而 波关联 与 综 合 结 果 。从 而 保 证 所 构 造 的 波 门为 最
ｅａ ｏ ａｅ ｙｕｉｇｏ ｐｏ ａｉｓｃｄ ｔ ａｓｃａ ｏ Ｐ Ａ）ａ ｏ ｔｍ ｉｔｏｓ ｌ，ｈ ｒｆｒ ａｓｃ ｔ ｎｐ ｒ ｒ ｌ ｉｎｇｔ ｂ ｓ ｆ ｒｂ ｂｌｔ ａａ ｓｏｉ ｉｎ（ Ｄ ｔ ｓ ｎ ｉｉ ｔ ｌ ｒｈ ｉ ｅ ｔｅｅ ｅ ｓｏ ｉ ｉ ｅ ｏ ｇｉ ｓ ｏ ｍｐ ｏ ａ ｏ ｆ ｍ—
１
方差修正１ ｌ
Ｉ 方差修正 Ｎ
模型概率 输出综合
力 ＝［ ］＝
１
１
． ．．
１
∞ ２
（） ３
ｍ
；
是 二进 制变 量 ， ＝１ 表示 回波 落人 目标 ｔ 的关
图 １ Ｉ— ＣＩ ＭＭＰ Ａ算法结构 Ｄ
联门内， 而 ＝ 表示 回波 ０ 没有落入 目 ｔ 标 的关联 门内 ， ｔ＝０时表 示 回波 可能 来源 于杂 波 。 当 ｂ ．利用参数模型计算互联概率 （ ） （ ）垒Ｐ ｆ ｜ ｊ ｝ ］＝ Ｅ Ｚ ｔ
ａ ｔ ｓ ｂ ｄ ｉ ｈ ｎ ｉｏ ｍｅ ｔｏ ｅ ｓ ａ ｇ ｔ ｒｉ ｔｒ ｅ ｔｎｔｔｒ ｅ ｓ Ｃｏ ｉｅ ｎ ｈｅ ｉ ａ ｔｏ ｈｅ ｐ ｂ ｉ ｃ ｅ ｎ ｅ ｉ ａ ｎ ｔ ｅ ｅ ｖ ｒ ｎ ｎ ｆｄ ｎ ｅ ｔｒ ｅ ｓｏ ｎ ｅ ｓ ｃ ａ ａ ｇ ｔ． ｎｓｄ ｒ ｇ ｔ ｍｐ ｃ ｆｔ ｕ ｌｃ ｅ ｈｏ ｓ ｉ
能远好 于 ＣＩ Ｐ Ａ算 法 ， — ＭＭ Ｄ 同时保 持 了较 小 的计 算 量 ， 实际 工程 中有很好 的应 用前景 。 在
关键 词 ： 互 式 多模 型 ； 据 关联 ； 目标 跟 踪 交 数 多
中 图 分 类 号 ：Ｐ ０ ． Ｔ ３ １６
文 献标 志 码 ： Ａ
文 章 编 号 ：０ ８８５ （０ １０ － ６０ １０ —６ ２ ２ １ ）３０ －５ ５
算法结合 ， 提出一种改进 的联合交互式多模型概率
作者简 介： 杨
雄 ， ，９ ６年 牛 ， 士 研 究 生 。 研 究 方 向 为 低 空 口 检 测 与跟 踪 。 喝 １８ 硕
第３ 期
杨
雄等 ： 一种改进 的联 合交互式 多模型概率数据 关联算 法
５ ７
数据 关联算 法 （ＣＩ Ｐ Ａ） Ｉ— ＭＭ Ｄ 。
进 行 改进 ， 并将 改进 的 Ｐ Ａ算 法和 交 互式 多模 型 （ＭＭ） Ｄ Ｉ 算法 结合提 出 了一 种改进 的联 合 交互 式 多
模 型概 率数 据 关联 （Ｃ Ｉ Ｉ． ＭＭＰ Ａ） 法 ， Ｄ 算 并在 Ｍ ｔ ｂ环境 下将 该算 法 与联合 交互式 多模 型概 率数 据 ａｌ ａ 关联 算 法（ ． ＣＩ ＭＭＰ Ａ） Ｄ 算法 对 比研 究。仿 真结 果表 明 ： 目标 密集或 交叉 的环 境 下 ， 算 法跟踪 性 在 新