1 南京航空航天大学, 自动化学院，南京211106
2 江苏省物联网与控制技术重点实验室，南京211106
针对未知杂波强度下的多目标跟踪问题, 提出了加速期望最大化概率假设密度(AEM-PHD)平滑滤波算法。首先, 对杂波的强度进行建模; 接着, 根据杂波的量测估计出杂波的个数; 然后, 利用高斯有限混合模型对杂波密度函数进行建模, 在EM算法的基础上提出了AEM算法, 将AEM算法用于高斯有限混合模型参数的估计, 获得了杂波的密度函数; 最后, 将估计的杂波信息应用于多目标跟踪, 对目标状态进行了平滑。仿真结果表明, 在杂波强度未知的环境下, 所提算法能准确估计出杂波的参数, 具有跟踪精度高、目标数目估计准确的优点。
多目标跟踪 未知杂波强度 高斯有限混合模型 加速期望最大化 概率假设密度 平滑 multi- target tracking unknown clutter intensity Guessian finite mixture model accelerated expectation maximization probability hypothesis density smoothing
1 南京航空航天大学,自动化学院,南京211106
2 江苏省物联网与控制技术重点实验室南京211106
针对一般WSN多目标协同跟踪研究中优化目标单一的缺点，提出了一种基于Q学习的多目标耦合协同任务分配算法。该算法提出了合簇的方法以解决多目标耦合情形的网络任务分配竞争冲突问题，首先，采用Q学习方法选取多目标相遇阶段的最优合簇时机，同时拟定合适的Q学习函数和回报函数，得出目标并行阶段最优簇首切换方案；然后，在保证剩余能量的前提下，利用设计的信息效用函数和动态最小簇成员数目给出不同阶段最优簇首及簇成员的选择；最后，根据目标特征标签分离目标信息。仿真结果表明，算法可以对多目标跟踪的耦合情形进行优化，能够满足跟踪精度的需求，具有降低系统能量消耗的优点，较好地延长了网络的生命周期。
多目标跟踪 任务分配 Q学习 竞争冲突 multi-target tracking task allocation Q learning competition conflict WSN WSN
1 南京航空航天大学自动化学院，南京 211106
2 江苏省物联网与控制技术重点实验室，南京 211106
针对概率假设密度多目标跟踪算法中存在的杂波强度未知的问题, 提出一种基于熵惩罚的EM未知杂波估计的PHD多目标跟踪(EPEM-PHD)算法。首先采用有限混合模型对未知杂波密度建模, 其次分别对混合权重及缺失参数施加熵惩罚因子, 然后通过自适应动态系数调节, 使得混合模型低权值分量加速消亡, 减少了算法迭代次数, 且算法对初始参数不敏感。仿真结果表明, 该算法在杂波强度未知的环境下, 具有精度高、跟踪稳定的优势, 提高了PHD滤波器在多目标跟踪中的性能。
多目标跟踪 未知杂波估计 燔惩罚 multi-target tracking PHD Probability Hypothesis Density (PHD) unknown clutter estimation entropy penalized EM Expectation Maximization (EM)
