导读:本文包含了无序量测论文开题报告文献综述及选题提纲参考文献，主要关键词:目标跟踪,无序量测,选择融合,任意步滞后
无序量测论文文献综述
张辰,彭玉旭,赵凯[1]（2018）在《基于选择融合的任意步滞后无序量测滤波算法》一文中研究指出在目标跟踪系统中,由于传感器具有不同的预处理时间与采样速率,以及信道固有的随机通信延迟,传感器量测数据可能出现无序到达融合中心的现象,即无序量测问题。在系统工作过程中,通常有多个无序量测相继或同时出现。为此,将多无序量测情形进行分类,基于选择融合提出任意步滞后无序量测滤波算法。利用基于对数似然比的假设检验筛选出需要处理的无序量测。在前向预测框架内,根据无序量测最优滤波过程,采用融入等价量测的信息滤波方法对目标状态估计与误差协方差矩阵进行更新。仿真结果验证了算法的精确性与有效性。(本文来源于《计算机工程》期刊2018年02期）
赵凯,胡建旺,吉兵,刘钢[2]（2017）在《多目标无序量测OOSM-GMPHD滤波算法》一文中研究指出针对无序量测条件下多目标跟踪问题,提出了一种适用于线性系统的单步滞后无序量测滤波算法(OOSM-GMPHD)。在前向预测框架内,以高斯混合概率假设密度(GMPHD)滤波器为基础滤波算法,对每一高斯分量分别用延迟到达的量测与等价量测进行预测、更新,经剪枝与合并等步骤获得最终的目标数量与状态估计。仿真结果表明:算法可有效消除无序量测的影响,准确估计多目标数目和状态。(本文来源于《传感器与微系统》期刊2017年11期）
赵凯,胡建旺,吉兵[3]（2017）在《粒子滤波的噪声相关下单步延迟无序量测更新算法》一文中研究指出在目标跟踪系统中,因通信延迟等原因会出现传感器量测无序地到达融合中心的现象,将这些量测称为无序量测(OOSM)。针对过程噪声、量测噪声相关的非线性系统中出现的无序量测问题,在现有算法基础上,提出了一种可处理单步延迟无序量测的新算法。在前向预测滤波框架下,对系统方程去相关化,并利用粒子滤波(PF)进行状态估计。仿真结果验证了算法的有效性。(本文来源于《传感器与微系统》期刊2017年05期）
赵凯,胡建旺,吉兵[4]（2017）在《基于H∞滤波的无序量测更新算法》一文中研究指出在目标跟踪系统中,传感器量测因通信延迟无序地到达融合中心,产生无序量测融合问题。针对此问题,将H∞滤波作为基础滤波算法,提出了一种可处理单步或多步延迟无序量测的新算法。新算法借鉴有序滤波思想,利用等价量测来代替无序量测发生时刻后的量测序列,然后从该时刻起利用无序量测和等价量测进行有序更新。仿真实验表明,新算法相比于传统算法有更高的滤波精度,尤其在系统模型误差较大时仍有良好的滤波效果。(本文来源于《火力与指挥控制》期刊2017年02期）
刘颖[5]（2015）在《UWSN中的单步延迟无序量测数据融合算法的研究》一文中研究指出在水下随机或有规律部署大量低功耗、具有一定的通信能力的传感器节点,采集水下信息,利用节点的自组织能力,形成水下无线传感器网络(Underwater Wireless Sensor Network, UWSN)。UWSN为水下环境监测提供新的手段,但UWSN通信采用声波通信,不同于传统的无线传感器网络(WSN),带来了UWSN的定位技术、网络拓扑、路由协议、水声通信和数据融合等方面的问题。UWSN的数据融合目的是通过融合减少数据的传输量,降低节点因数据传输带来的能耗,对延长UWSN的生命周期具有重要的现实意义。水声信道具有传播延迟高且动态变化、通信带宽有限、多径效应严重等特点,受自身物理条件的制约,UWSN中易出现节点先发的信息后到融合中心,后发的信息先到融合中心的现象,即无序量测(Out-of-Sequence Measurement, OOSM)现象。因此,在UWSN中,针对OOSM现象,如何融合处理带OOSM数据,直接关系到融合结果的可信度,也促使数据融合理论的完善。本文从单传感器和多传感器方面研究UWSN网中的OOSM数据融合问题,主要工作如下：(1)使用OPNET对水声信道进行仿真,建立水声通信网络模型,分析网络延迟,观测无序量测现象。(2)对UWSN环境下的单传感器单步延迟无序量测融合算法进行了研究,提出基于后向预测的无序量测融合算法。在过程噪声直接离散化模型条件下,该算法能够处理量测噪声与同一时刻过程噪声相关的单传感器单步延迟无序量测数据融合问题。该算法可以保证实时性,而且滤波精度高于A1算法,仿真结果验证了算法的有效性。(3)针对UWSN环境下的多传感器单步延迟无序量测问题,提出一种基于等价量测的单步延迟无序量测融合算法。该算法采用分布式融合结构,利用一步预测的等价量测处理延迟量测,把无序量测信息融合问题转化成一种顺序量测信息融合问题,采用噪声相关的Kalman滤波算法获得局部估计,最后使用矩阵加权算法得到全局估计。该算法的滤波精度与直接更新法相比有所降低,但计算量减少。(本文来源于《天津工业大学》期刊2015-12-01）
谭顺成,王国宏,于洪波,关成斌[6]（2015）在《无序量测下的机动弱目标检测前跟踪》一文中研究指出针对无序量测(OOSM)情况下的机动微弱目标检测与跟踪问题,提出一种基于OOSM和多模粒子滤波(OOSM-MMPF)的检测前跟踪(TBD)算法。该算法通过直接利用OOSM对粒子权重进行更新,并在此基础上对粒子集进行重采样,从而实现OOSM情况下的目标状态更新。由于充分利用了OOSM包含的信息,该算法可以有效提高机动微弱目标的正确检测概率与跟踪精度。仿真结果表明,该算法可以有效处理OOSM问题,实现对机动弱目标的有效检测和跟踪,其算法性能接近顺序量测滤波时的MMPF算法性能。(本文来源于《火力与指挥控制》期刊2015年08期）
黄强,张向利[7]（2014）在《单传感器无序量测反馈估计算法》一文中研究指出针对单传感器的无序量测问题,提出一种处理无序量测的反馈估计算法。该算法一旦出现延迟无序量测,融合中心将最后更新的状态估计回传至传感器进行若干采样周期的卡尔曼滤波,并将状态更新传至融合中心。该算法可保证实时性,具有良好的估计精度,仿真结果验证了算法的有效性。(本文来源于《桂林电子科技大学学报》期刊2014年06期）
吴卫华,江晶[8]（2014）在《无序量测问题研究综述》一文中研究指出无序量测(OoSM)是多传感器融合系统亟需解决的不可回避的问题。在总结相关文献基础上,对OoSM进行了分类,从单步延时OoSM滤波、多步延时OoSM滤波、多个OoSM滤波、非线性非高斯条件OoSM粒子滤波算法、杂波/机动目标条件OoSM跟踪算法等方面,按照由简单到复杂的研究路线综述了国外开展的相关研究,并对未来研究方向进行了探讨与展望。(本文来源于《传感器与微系统》期刊2014年12期）
王炜,李丹,黄心汉[9]（2014）在《统计线性化无序量测更新算法》一文中研究指出在实际的多传感器系统中,由于各种传感器具有不同的采样率,预处理时间,以及数据通信延迟,因而会出现多个传感器量测不同步到达融合中心的现象。进一步地,当较早时刻产生的量测在较晚时刻产生的量测之后到达融合中心时,无序量测问题就出现了。针对离散时间非线性系统,提出基于统计线性化固定点平滑器的最佳统计线性化无序量测算法,它可以处理单步和两步延迟(甚至多步)无序量测,且能达到与重新滤波法相同的估计精度。(本文来源于《火力与指挥控制》期刊2014年09期）
袁丁,胡建旺,吉兵,顾峰[10]（2014）在《快速边缘粒子滤波在无序量测问题中的应用》一文中研究指出在目标跟踪系统中,因通信延迟会出现传感器量测无序到达融合中心的现象,由此产生无序量测(OOSM)融合问题。针对非线性条件下的OOSM问题,在现有算法的基础上,提出了基于快速边缘粒子滤波(FMPF)的处理算法。新算法在FMPF框架下,结合前向预测滤波思想来处理OOSM问题。将目标运动状态向量分为线性和非线性2个子向量,并分别采用相应的无序处理算法进行估计。算法可以处理单步延迟和多步延迟的情形下的无序问题。最后理论分析和仿真实验表明:新算法能有效处理OOSM问题,且降低了算法的计算复杂度,提高了算法实时性。(本文来源于《传感器与微系统》期刊2014年06期）
无序量测论文开题报告
（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：
针对无序量测条件下多目标跟踪问题,提出了一种适用于线性系统的单步滞后无序量测滤波算法(OOSM-GMPHD)。在前向预测框架内,以高斯混合概率假设密度(GMPHD)滤波器为基础滤波算法,对每一高斯分量分别用延迟到达的量测与等价量测进行预测、更新,经剪枝与合并等步骤获得最终的目标数量与状态估计。仿真结果表明:算法可有效消除无序量测的影响,准确估计多目标数目和状态。
（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。
无序量测论文参考文献
[1].张辰,彭玉旭,赵凯.基于选择融合的任意步滞后无序量测滤波算法[J].计算机工程.2018
[2].赵凯,胡建旺,吉兵,刘钢.多目标无序量测OOSM-GMPHD滤波算法[J].传感器与微系统.2017
[3].赵凯,胡建旺,吉兵.粒子滤波的噪声相关下单步延迟无序量测更新算法[J].传感器与微系统.2017
[4].赵凯,胡建旺,吉兵.基于H∞滤波的无序量测更新算法[J].火力与指挥控制.2017
[5].刘颖.UWSN中的单步延迟无序量测数据融合算法的研究[D].天津工业大学.2015
[6].谭顺成,王国宏,于洪波,关成斌.无序量测下的机动弱目标检测前跟踪[J].火力与指挥控制.2015
[7].黄强,张向利.单传感器无序量测反馈估计算法[J].桂林电子科技大学学报.2014
[8].吴卫华,江晶.无序量测问题研究综述[J].传感器与微系统.2014
[9].王炜,李丹,黄心汉.统计线性化无序量测更新算法[J].火力与指挥控制.2014
[10].袁丁,胡建旺,吉兵,顾峰.快速边缘粒子滤波在无序量测问题中的应用[J].传感器与微系统.2014