機動多目標跟蹤系統(tǒng)的數據關聯(lián)算法研究.pdf

1、數據關聯(lián)算法是機動多目標跟蹤系統(tǒng)的核心部分和難點部分。近年來，由于人工神經網絡的迅速發(fā)展，使得它有望克服傳統(tǒng)多目標跟蹤技術的快速響應與提高跟蹤精度的矛盾，解決多目標跟蹤系統(tǒng)中數據關聯(lián)方面存在的計算量出現(xiàn)組合爆炸現(xiàn)象、跟蹤成功率較低等問題。
　　 本文在深入研究人工神經網絡和多目標跟蹤數據關聯(lián)算法的基礎上，提出了一種優(yōu)化的瞬態(tài)混沌神經網絡聯(lián)合概率數據關聯(lián)(TCNN JPDA)算法，并用MonteCarlo仿真驗證了該算法的有效性。

2、本文首先分析了機動多目標跟蹤系統(tǒng)及常用的一些數據關聯(lián)算法如：“最近鄰”算法，概率數據關聯(lián)算法和聯(lián)合概率數據關聯(lián)算法(JPDA)，針對JPDA算法在處理多目標跟蹤問題時計算量出現(xiàn)組合爆炸現(xiàn)象，詳細分析了連續(xù)型Hopfield 神經網絡(HNN)的基本原理和網絡模型，以及HNN在TSP問題和JPDA算法中的應用，著重研究了HNN 神經元輸出函數中的0u對神經網絡的收斂動力學特性的影響，并且對HNN的輸出函數和基于HNN的JPDA算法進行了仿

3、真實驗。其次針對HNN應用于JPDA算法求解組合優(yōu)化問題時容易陷入局部極小值的問題，系統(tǒng)地研究了瞬態(tài)混沌神經網絡(TCNN)的基本原理和網絡模型，以及基于TCNN的JPDA算法，并且對TCNN 網絡模型進行了仿真實驗，著重指出退溫函數中的參數b控制著混沌動態(tài)搜索過程和自反饋連接權的衰減速度。在充分研究TCNN的基礎上，結合連續(xù)型HNN的特性，本文提出在TCNN模型中引入時變的輸出函數神經元增益系數，對TCNN模型進行優(yōu)化。最后本文對優(yōu)化