CN114662535A - 一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法 - Google Patents
一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法 Download PDFInfo
- Publication number
- CN114662535A CN114662535A CN202210253692.5A CN202210253692A CN114662535A CN 114662535 A CN114662535 A CN 114662535A CN 202210253692 A CN202210253692 A CN 202210253692A CN 114662535 A CN114662535 A CN 114662535A
- Authority
- CN
- China
- Prior art keywords
- noise
- distribution
- state
- matrix
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法,采用椭球分布建模非高斯噪声,利用Inverse‑Wishart分布建模过程噪声和量测噪声的参数不确定性,通过变分贝叶斯学习方法得到目标状态和模型参数的后验分布,实现目标状态的在线估计和预测。本发明的特点:本发明在利用椭球分布建模非高斯噪声基础上,采用变分贝叶斯学习的方法,实现了复杂噪声环境下基于传感器网络的高精度目标跟踪,对于井下等复杂受限空间内的目标跟踪提供了计算简单、鲁棒性强的估计方法,高精度的目标跟踪结果对于保障人员和设备安全具有重要意义。
Description
技术领域
本发明涉及煤矿井下安全领域,具体涉及一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法。
背景技术
由于井下无线信号传播是在封闭、不规律的空间内进行,这将造成无线信号传播过程中发生反射、折射和绕射,因此最后接收到的信号通常为多路径的合成波。此外,井下工作环境复杂,各种生产设备会对传感器的无线探测信号造成干扰,这些因素导致井下传感器网络进行目标跟踪模型中过程噪声和量测噪声服从厚尾非高斯分布,且噪声参数未知,这些都会影响井下目标跟踪定位结果的精确度。
现有针对非高斯噪声下的目标跟踪方法有高斯求和滤波、粒子滤波、基于M估计的滤波方法和极大熵滤波等方法。高斯求和滤波和粒子滤波算法由于计算复杂度高,在低成本的传感器网络中难以直接应用。基于M估计的滤波方法和极大熵滤波方法本质是一种野值剔除的方法,存在自由参数选择缺乏理论依据且估计精度低的问题。
公开号CN103778320A的中国专利公开了一种基于变分贝叶斯多传感器量化融合目标跟踪方法,该方法使用变分贝叶斯方法进行自适应强跟踪信息滤波,对量测噪声的未知方差进行估计,但是该方法仅考虑过程噪声与量测噪声近似为零均值高斯白噪声的情形。公开号CN105682220A的中国专利公开了一种基于无线传感器网络的矿山井下定位***,该***使用最小二乘法对RSSI测距环境参数进行修正,消除各种干扰对测量数据的影响,但是该方法仅在RSSI信号强度值和移动节点到接收端节点的距离值同时存在均值为零、方差相同的噪声误差时,才能得到最好的参数拟合结果。两者均没有考虑到井下受到多路径效应以及电磁干扰等引起过程噪声与量测噪声不再服从高斯分布的问题,建模不准确,因此在井下目标跟踪中会存在精度下降甚至算法发散的问题。
发明内容
针对上述存在的技术不足,本发明的目的是提供一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法,其能够在矿井下复杂的工作环境中对工作人员和设备进行精准定位,保障井下安全生产,减少人员伤亡,助力智慧矿山建设。
为解决上述技术问题,本发明采用如下技术方案:
本发明提供一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法,包括以下步骤:
步骤1、建立模型,构建井下目标跟踪问题的状态空间模型;
步骤2、时间更新,得到***状态当前时刻的预测值;
步骤3、量测更新,基于变分贝叶斯学习方法迭代计算***状态变量与噪声参数的后验估计;
步骤4、输出结果,结束循环迭代,利用状态估计结果得到目标的位置等信息。
优选地,步骤1中,针对在井下封闭环境下,目标跟踪问题中过程噪声和量测噪声服从厚尾非高斯分布,采用椭球分布对过程噪声和量测噪声进行建模,利用Inverse-Wishart分布建模过程噪声和量测噪声散度矩阵的参数不确定性,具体方法如下:
步骤1-1:给出线性***的标准状态空间模型:
xi=Fixi-1+ωi
zi,k=Hi,kxi+νi,k
xi表示在i时刻的***状态,包含目标的位置、速度、加速度信息,zi,k表示在i时刻的传感器1…K的测量值,Fi和Hi,k表示已知的状态转移矩阵和量测矩阵,过程噪声ωi与量测噪声υi,k相互独立,不同传感器之间的量测噪声相互独立;
步骤1-2:为构建厚尾非高斯过程和量测噪声模型,假设ωi和υi,k服从椭球分布:
p(ωi)=ε(ωi;αi,Qi,ψi)
p(υi,k)=ε(υi,k;βi,k,Ri,k,ζi,k)
式中αi与βi,k分别为过程噪声和量测噪声分布均值,Qi和Ri,k分别为过程噪声和量测噪声散度矩阵,ψi与ζi,k分别为过程噪声和量测噪声密度发生函数;
步骤1-3:利用椭球分布的条件分布为高斯分布进行简化:
p(ωi|λi)=N(0,g(λi)-1Qi)
p(υi,k|γi,k)=N(0,g(λi)-1Ri,k)
式中λi与γi,k分别为过程噪声和量测噪声的尺度变量,g(λi)-1和g(γi,k)-1分别是λi和γi,k的函数;
步骤1-4:定义尺度变量λi和γi,k的先验分布:
步骤1-5:利用Inverse-Wishart分布建模过程噪声散度矩阵Qi和量测噪声散度矩阵Ri,k:
p(Qi)=IW(Qi;T0,t0)
p(Ri,k)=IW(Ri,k;V0,v0)
式中T0,V0,t0,v0是p(Qi)和p(Ri,k)的自由度参数和逆尺度矩阵。
优选地,步骤2中,根据i-1时刻的状态估计预测i时刻状态估计,具体方法如下:
步骤2-2:时间更新
∑i|i-1=Fi∑i-1|i-1Fi T+Q0。
优选地,步骤3中,通过变分贝叶斯方法得到***状态变量与噪声参数的后验估计,通过循环迭代进行状态更新,具体方法如下:
步骤3-1:对模型参数进行初始化:
步骤3-2:进行N-1次循环迭代;
步骤3-3:计算期望值:
参数λi的期望值E(l)(λi)和参数γi,k的期望值E(l)(γi,k)根据其具体分布确定;
步骤3-6:更新q(l+1)(λi)和q(l+1)(γi,k),其具体分布根据选定的先验分布借助变分贝叶斯学习确定;
本发明的有益效果在于:本发明提出的基于变分贝叶斯学习的井下传感器网络目标跟踪方法,能够在过程噪声和量测噪声为非高斯噪声并且噪声参数不精确的情况下实现精确跟踪定位,并且考虑了每个传感器噪声分布的差异,与现有技术相比,本发明具有建模准确、计算简单、且估计精度高的特点,能够实现井下等复杂环境下的传感器网络目标跟踪。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法的步骤流程图;
图2为本发明与现有变分贝叶斯方法、现有基于t分布的变分贝叶斯方法及经典卡尔曼滤波方法的位置平均均方根误差对比图;
图3为本发明提出的方法与现有变分贝叶斯方法、现有基于t分布的变分贝叶斯方法及经典卡尔曼滤波方法的速度平均均方根误差对比图;
图4为本发明的实际应用场景图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1至图4所示,一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法,具体步骤如下:
步骤1、建立模型,构建井下目标跟踪问题的状态空间模型;
针对在井下等封闭环境下目标跟踪问题中过程噪声和量测噪声服从厚尾非高斯分布,采用椭球分布对过程噪声和量测噪声进行建模,利用Inverse-Wishart分布建模过程噪声和量测噪声散度矩阵的参数不确定性,具体方法如下:
步骤1-1:给出线性***的标准状态空间模型:
xi=Fixi-1+ωi
zi,k=Hi,kxi+νi,k
式中xi表示在i时刻的***状态,通常包含目标的位置、速度、加速度等信息,zi,k表示在i时刻的传感器1…K的测量值,Fi和Hi,k表示已知的状态转移矩阵和量测矩阵,过程噪声ωi与量测噪声υi,k相互独立,不同传感器之间的量测噪声相互独立;
步骤1-2:为构建厚尾非高斯过程和量测噪声模型,假设ωi和υi,k服从椭球分布:
p(ωi)=ε(ωi;αi,Qi,ψi)
p(υi,k)=ε(υi,k;βi,k,Ri,k,ζi,k)
式中αi与βi,k分别为过程噪声和量测噪声分布均值,Qi和Ri,k分别为过程噪声和量测噪声散度矩阵,ψi与ζi,k分别为过程噪声和量测噪声密度发生函数;
步骤1-3:利用椭球分布的条件分布为高斯分布进行简化:
p(ωi|λi)=N(0,g(λi)-1Qi)
p(υi,k|γi,k)=N(0,g(λi)-1Ri,k)
式中λi与γi,k分别为过程噪声和量测噪声的尺度变量,g(λi)-1和g(γi,k)-1分别是λi和γi,k的函数;
步骤1-4:定义尺度变量λi和γi,k的先验分布:
步骤1-5:利用Inverse-Wishart分布构建过程噪声协方差矩阵Qi和量测噪声协方差矩阵Ri,k:
p(Qi)=IW(Qi;T0,t0)
p(Ri,k)=IW(Ri,k;V0,v0)
式中T0,V0,t0,v0是p(Qi)和p(Ri,k)的自由度参数和逆尺度矩阵。
步骤2、时间更新,得到***状态当前时刻的预测值;
根据i-1时刻的状态估计预测i时刻状态估计,具体方法如下:
步骤2-2:时间更新
∑i|i-1=Fi∑i-1|i-1Fi T+Q0
步骤3、量测更新,计算***状态变量与其他参数的后验估计,进行状态更新;
通过变分贝叶斯学习的方法得到***状态变量与噪声参数的后验估计,通过循环迭代进行状态更新,具体方法如下:
步骤3-1:对模型参数进行初始化:
步骤3-2:进行N-1次循环迭代;
步骤3-3:计算期望值:
参数λi的期望值E(l)(λi)和参数γi,k的期望值E(l)(γi,k)根据其具体分布确定;
式中为μi的期望值,为的误差协方差矩阵,E(l+1)[xi]为***状态xi的期望值;步骤3-6:更新q(l+1)(λi)和q(l+1)(γi,k),其具体分布根据选定的先验分布借助变分贝叶斯学习确定;
步骤4、输出结果,结束循环迭代,利用状态估计结果得到目标的位置等信息;
以下对本发明的效果做进一步的验证:
选用二维平面基于多个测距、测速传感器构成的传感器网络进行人员跟踪的例子来验证本发明提出的方法的效果。
选择状态转移矩阵为:
式中T=1s是采样时间,I2是2×2单位矩阵,02是2×2零矩阵;
传感器网络包含K=1,2,...,10个传感器,当k=1、3、5、7、9时,量测矩阵Hi,k=[I202];
当k=2、4、6、8、10时,量测矩阵Hi,k=[02 I2]。
选择***状态向量为:
xi=[px,i py,i vx,i vy,i]T
式中(px,i,py,i)和(vx,i,vy,i)分别是在x和y方向上的位置和速度;
选择初始状态为:
选择协方差矩阵为:
P0=diag[1m2,1m2,1m2s-2,1m2s-2]T
选用平均均方根误差(ARMSE)计算本发明提出的方法、现有变分贝叶斯方法的滤波方法、现有基于t分布的变分贝叶斯滤波方法及经典卡尔曼滤波方法的估计误差。位置的平均均方根误差的计算公式为:
式中RMSEpos(k)的计算公式为:
式中下标s是蒙特卡洛模拟实验的索引,是传感器k的检测到的位置的估计,蒙特卡洛模拟实验次数Mc=1000,速度的平均均方根误差ARMSEvel的计算方式与上述方法类似。过程噪声和量测噪声均利用高斯混合分布来模拟典型的厚尾非高斯噪声,用来模拟多路径、野值、电磁干扰、目标机动等引起的噪声变化。
图2、图3分别是采用本发明提出的方法、现有变分贝叶斯方法、现有基于t分布的变分贝叶斯方法及经典卡尔曼滤波对上述模型进行估计的位置平均均方根误差和速度平均均方根误差,通过比较显示,本发明提出的方法对状态估计的精确度明显优于现有变分贝斯方法、现有基于t分布的变分贝叶斯方法及经典卡尔曼滤波方法。
本发明的实际应用场景如图4所示,在封闭的井下巷道内,通过传感器网络测得传感与井下人员或者设备上标签之间的距离、速度、角度等原始信息,然后根据本发明提出的***模型和滤波算法对数据进行处理,实现对井下人员和设备的跟踪,实时获得目标的位置、速度等信息。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法,其特征在于,包括以下步骤:
步骤1、建立模型,构建井下目标跟踪问题的状态空间模型;
步骤2、时间更新,得到***状态当前时刻的预测值;
步骤3、量测更新,基于变分贝叶斯学习方法迭代计算***状态变量与噪声参数的后验估计;
步骤4、输出结果,结束循环迭代,利用状态估计结果得到目标的位置等信息。
2.如权利要求1所述的一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法,其特征在于,步骤1中,针对在井下封闭环境下,目标跟踪问题中过程噪声和量测噪声服从厚尾非高斯分布,采用椭球分布对过程噪声和量测噪声进行建模,利用Inverse-Wishart分布建模过程噪声和量测噪声散度矩阵的参数不确定性,具体方法如下:
步骤1-1:给出线性***的标准状态空间模型:
xi=Fixi-1+ωi
zi,k=Hi,kxi+νi,k
xi为在i时刻的***状态,包含目标的位置、速度、加速度信息,zi,k为在i时刻的传感器1…K的测量值,Fi和Hi,k为已知的状态转移矩阵和量测矩阵,过程噪声ωi与量测噪声υi,k相互独立,不同传感器之间的量测噪声相互独立;
步骤1-2:为构建厚尾非高斯过程和量测噪声模型,假设ωi和υi,k服从椭球分布:
p(ωi)=ε(ωi;αi,Qi,ψi)
p(υi,k)=ε(υi,k;βi,k,Ri,k,ζi,k)
式中αi与βi,k分别为过程噪声和量测噪声分布均值,Qi和Ri,k分别为过程噪声和量测噪声散度矩阵,ψi与ζi,k分别为过程噪声和量测噪声密度发生函数;
步骤1-3:利用椭球分布的条件分布为高斯分布进行简化:
p(ωi|λi)=N(0,g(λi)-1Qi)
p(υi,k|γi,k)=N(0,g(γi,k)-1Ri,k)
式中λi与γi,k分别为过程噪声和量测噪声的尺度变量,g(λi)-1和g(γi,k)-1分别是λi和γi,k的函数;
步骤1-4:定义λi和γi,k的先验分布:
步骤1-5:利用Inverse-Wishart分布建模过程噪声散度矩阵Qi和量测噪声散度矩阵Ri,k:
p(Qi)=IW(Qi;T0,t0)
p(Ri,k)=IW(Ri,k;V0,v0)
式中T0,V0,t0,v0为p(Qi)和p(Ri,k)的自由度参数和逆尺度矩阵。
4.如权利要求1所述的一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法,其特征在于,步骤3中,通过变分贝叶斯方法得到***状态变量与噪声参数的后验估计,通过循环迭代进行状态更新,具体方法如下:
步骤3-1:对模型参数进行初始化:
步骤3-2:进行N-1次循环迭代;
步骤3-3:计算期望值:
参数λi的期望值E(l)(λi)和参数γi,k的期望值E(l)(γi,k)根据其具体分布确定;
步骤3-6:更新q(l+1)(λi)和q(l+1)(γi,k),其具体分布根据选定的先验分布借助变分贝叶斯学习确定;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210253692.5A CN114662535B (zh) | 2022-03-15 | 2022-03-15 | 一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210253692.5A CN114662535B (zh) | 2022-03-15 | 2022-03-15 | 一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114662535A true CN114662535A (zh) | 2022-06-24 |
CN114662535B CN114662535B (zh) | 2022-11-11 |
Family
ID=82030218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210253692.5A Active CN114662535B (zh) | 2022-03-15 | 2022-03-15 | 一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114662535B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034692A (zh) * | 2022-08-11 | 2022-09-09 | 深圳市信润富联数字科技有限公司 | 数据漂移的跟踪方法、装置、终端设备及存储介质 |
CN115070765A (zh) * | 2022-06-27 | 2022-09-20 | 江南大学 | 一种基于变分推断的机器人状态估计方法及*** |
CN115937253A (zh) * | 2022-11-16 | 2023-04-07 | 苏州经贸职业技术学院 | 厚尾量测噪声下的鲁棒泊松多伯努利滤波方法及相关设备 |
CN116222582A (zh) * | 2023-05-10 | 2023-06-06 | 北京航空航天大学 | 一种基于变分贝叶斯推断多物理场自适应组合导航方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104112079A (zh) * | 2014-07-29 | 2014-10-22 | 洛阳理工学院 | 一种模糊自适应变分贝叶斯无迹卡尔曼滤波方法 |
CN108489498A (zh) * | 2018-06-15 | 2018-09-04 | 哈尔滨工程大学 | 一种基于最大互相关熵无迹粒子滤波的auv协同导航方法 |
CN109724599A (zh) * | 2019-03-12 | 2019-05-07 | 哈尔滨工程大学 | 一种抗野值的鲁棒卡尔曼滤波sins/dvl组合导航方法 |
US10628755B1 (en) * | 2018-12-14 | 2020-04-21 | Sas Institute Inc. | Distributable clustering model training system |
CN112748735A (zh) * | 2020-12-18 | 2021-05-04 | 重庆邮电大学 | 一种引入颜色特征的扩展目标跟踪方法 |
-
2022
- 2022-03-15 CN CN202210253692.5A patent/CN114662535B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104112079A (zh) * | 2014-07-29 | 2014-10-22 | 洛阳理工学院 | 一种模糊自适应变分贝叶斯无迹卡尔曼滤波方法 |
CN108489498A (zh) * | 2018-06-15 | 2018-09-04 | 哈尔滨工程大学 | 一种基于最大互相关熵无迹粒子滤波的auv协同导航方法 |
US10628755B1 (en) * | 2018-12-14 | 2020-04-21 | Sas Institute Inc. | Distributable clustering model training system |
CN109724599A (zh) * | 2019-03-12 | 2019-05-07 | 哈尔滨工程大学 | 一种抗野值的鲁棒卡尔曼滤波sins/dvl组合导航方法 |
CN112748735A (zh) * | 2020-12-18 | 2021-05-04 | 重庆邮电大学 | 一种引入颜色特征的扩展目标跟踪方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115070765A (zh) * | 2022-06-27 | 2022-09-20 | 江南大学 | 一种基于变分推断的机器人状态估计方法及*** |
CN115034692A (zh) * | 2022-08-11 | 2022-09-09 | 深圳市信润富联数字科技有限公司 | 数据漂移的跟踪方法、装置、终端设备及存储介质 |
CN115937253A (zh) * | 2022-11-16 | 2023-04-07 | 苏州经贸职业技术学院 | 厚尾量测噪声下的鲁棒泊松多伯努利滤波方法及相关设备 |
CN115937253B (zh) * | 2022-11-16 | 2024-06-07 | 苏州经贸职业技术学院 | 厚尾量测噪声下的鲁棒泊松多伯努利滤波方法及相关设备 |
CN116222582A (zh) * | 2023-05-10 | 2023-06-06 | 北京航空航天大学 | 一种基于变分贝叶斯推断多物理场自适应组合导航方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114662535B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114662535B (zh) | 一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法 | |
CN107396322B (zh) | 基于路径匹配与编码译码循环神经网络的室内定位方法 | |
CN104794735B (zh) | 基于变分贝叶斯期望最大化的扩展目标跟踪方法 | |
CN111178385A (zh) | 一种鲁棒在线多传感器融合的目标跟踪方法 | |
CN107526070A (zh) | 天波超视距雷达的多路径融合多目标跟踪算法 | |
CN112114308B (zh) | 一种扇扫雷达空时联合目标跟踪方法 | |
CN111127523A (zh) | 基于量测迭代更新的多传感器gmphd自适应融合方法 | |
CN113673565B (zh) | 多传感器gm-phd自适应序贯融合多目标跟踪方法 | |
CN112887901A (zh) | 一种基于量化toa量测的凸优化目标定位方法 | |
CN112014791B (zh) | 存在阵列误差的阵列pca-bp算法的近场源定位方法 | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及*** | |
CN111678513A (zh) | 一种超宽带/惯导紧耦合的室内定位装置与*** | |
CN110989341B (zh) | 一种约束辅助粒子滤波方法及目标跟踪方法 | |
CN113993205B (zh) | 基于数字孪生的uwb定位***与方法 | |
CN112040405A (zh) | 一种基于核极限学习机与粒子滤波的室内定位方法 | |
CN109509207B (zh) | 一种对点目标和扩展目标进行无缝跟踪的方法 | |
CN111679251A (zh) | 一种基于雷达红外双模融合的抗雷达型干扰方法 | |
CN105424043A (zh) | 一种基于判断机动的运动状态估计方法 | |
CN113204909B (zh) | 基于地基观测光度信号的卫星几何特征与姿态估计方法 | |
CN111340853B (zh) | 基于ospa迭代的多传感器gmphd自适应融合方法 | |
Thomas et al. | Comparison of nearest neighbor and probabilistic data association filters for target tracking in cluttered environment | |
Kang et al. | Data fusion with inverse covariance intersection for prior covariance estimation of the particle flow filter | |
CN111262556A (zh) | 一种同时估计未知高斯测量噪声统计量的多目标跟踪方法 | |
CN111505575A (zh) | 基于转化toa模型的针对tdoa定位的传感器选择方法 | |
CN113923590B (zh) | 一种锚节点位置不确定情况下的toa定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |