Algılamadan Önce Geliştirilmiş Parçacık Filtresi İzleme Algoritması
Algılamadan Önce İzleme (TBD) yöntemi, Hough dönüşümü, dinamik programlama ve parçacık dahil olmak üzere hedefi algılama ve izleme amacına ulaşmak için hedef hareket bilgilerini birden çok çerçeve aracılığıyla toplayan tutarlı olmayan bir biriktirme yöntemidir. Filtreleme vb. Bunların arasında, parçacık filtresi yöntemine dayanan Parçacık Filtresi Tespit Öncesi İzleme (PF-TBD), Monte Carlo deneyine dayanan özyinelemeli bir Bayes filtresidir. PF-TBD, yalnızca doğrusal Gauss sorunlarının üstesinden gelmekle kalmaz, aynı zamanda doğrusal olmayan ve Gauss olmayan koşullar altında sorunları algılama ve izleme sorununu da ele alabilir.
PF-TBD algoritmasında yaygın olarak kullanılan yeniden örnekleme yöntemleri, sistem yeniden örnekleme ve hiyerarşik yeniden örneklemeyi içerir.Bu yeniden örnekleme yöntemleri, yüksek ağırlıklara sahip parçacıkların olabildiğince örneklenmesine, düşük ağırlığa sahip parçacıkların çıkarılmasına ve parçacık problemlerinin çözülmesine izin verebilir. Bozunma olgusu. Bununla birlikte, birden fazla hedef tespit edilirken, hedefler arasındaki sinyal-gürültü oranı büyük ölçüde farklıysa, düşük sinyal-gürültü oranına sahip hedef kaçırılabilir. Ancak, daha zayıf hedeflerin tespit olasılığı artarsa, yanlış hedefler oluşturulabilir.
Yukarıdaki durum göz önüne alındığında, bu makale gelişmiş bir Çok Hedefli İki Katmanlı Parçacık Filtresi Algılamadan Önce İzleme Algoritması (IM-PF-TBD) önermektedir. Algoritma ilk olarak hedefi tespit eder Bağlantı, turnuvanın partikül seçim sürecini tanıtır Algoritma, düşük sinyal-gürültü oranına sahip hedeflerin tespitini sağlamak için mümkün olduğunca çok sayıda yüksek kaliteli partikül seçebilir. İkinci olarak, yeni hedef doğrulama bağlantısında, bu makale, tespit hedef partikül sürüsünü ve izleme hedef partikül sürüsünü birleştiren partikül sürüsü füzyonuna dayalı bir nokta ve iz füzyon metodu önermektedir.Bu metot, elde edilen yeni hedef takip partikül sürüsünün iki partikül sürüsü içermesini sağlar. Yüksek kaliteli parçacıklar, parçacık sürülerinin çeşitliliğini artırır ve yanlış hedeflerin ortadan kaldırılmasını kolaylaştırır.
1 Hedef hareket modeli ve sensör gözlem modeli
2 Turnuva seçimi ve partikül sürüsü füzyonuna dayalı çok amaçlı çift katmanlı partikül filtresi algoritması
Sistem yeniden örnekleme gibi geleneksel PF-TBD'de yaygın olarak kullanılan yeniden örnekleme algoritması, önemli ağırlıkta parçacıkları kopyalamak için rulet yöntemini kullanır. Bu nedenle, birden fazla hedefin sinyal-gürültü oranında büyük bir fark olduğunda, düşük sinyal-gürültü oranına sahip hedef, yüksek sinyal-gürültü oranına sahip bir hedef tarafından kolayca örtülür ve yanlış alarmlar veya kaçırılan tespitler meydana gelir. Sinyal-gürültü oranında büyük farkla çok hedefli algılama ve izleme sorununu hedefleyen bu makale, geliştirilmiş bir çift katmanlı parçacık filtresi ön algılama izleme yöntemi önermektedir Algoritma, hedef izleme katmanı ve hedef algılama katmanına bölünmüş bir çift katmanlı parçacık filtresi algoritma yapısını benimser. Bölüm. Tespit bağlantısında bir turnuva seçim partikül sürecini tanıtın, olabildiğince çok sayıda yüksek kaliteli partikül seçin, yeniden örneklemeden sonra partikül çeşitliliğini artırın ve ardından çoklu hedefler sağlamak için partikül kümeleme yoluyla çoklu hedefler ve karşılık gelen partikül sürüleri oluşturun Eşzamanlı algılama. Ek olarak, yeni hedef doğrulama bağlantısında, tespit hedef partikül sürüsünü ve izleme hedef partikül kümesini birleştirmek için bir partikül sürüsü füzyon yöntemi önerilmiştir.İki hedef partikül sürüsünden yüksek kaliteli partiküller çıkararak, hedefi elde etmek için yeni partiküller elde etmek için çaprazlama işlemleri kullanılır. İzleme partikül sürüsü, iki partikül sürüsünün yüksek kaliteli partiküllerini içerir ve aynı zamanda partikül kümesinin çeşitliliğini arttırır, böylece izleme etkisini ve doğruluğunu iyileştirir.
Algoritmanın blok diyagramı Şekil 1'de gösterilmektedir.
2.1 Hedef izleme katmanı
Hedef izleme katmanında, k-1 füzyon anında elde edilen izleme hedef kümesi {S1, k-1, S2, k-1, ..., Sm, k-1} ve her hedef i'nin bir izleme parçacığı vardır. Pi Grubu, k-1 = {p1, i, k-1, p2, i, k-1, ..., pN, i, k-1}. Algoritma, parçacık sürüsü Pi, k-1 izleme, k zamanında hedef i izleme, hedef var olmaya devam ederse, hedef durum Si, k ve izleme hedef kümesindeki parçacık kümesini güncellemeye dayanır, aksi takdirde hedefi ve ilgili izleme parçacık kümesini silin. .
Hedef kümedeki hedef i'yi izlemek için algoritma adımları aşağıdaki gibidir:
(1) Durum geçişi için Pi, k-1 = {p1, i, k-1, p2, i, k-1, ..., pN, i, k-1} parçacık sürüsü;
(2) İzleme parçacık sürüsündeki her parçacığın çoklu radar ağırlığını hesaplayın ve füzyon gerçekleştirin:
İzleme parçacık sürüsündeki her bir parçacığın ağırlığını hesaplayın. U-inci sensörün gözlemi altında, j-inci parçacığın ağırlığı:
(3) k, k = {p1, i, k, p2, i, k, ..., pN, i, k} anında izleyici partikül sürüsü Pi'yi elde etmek için sistem yeniden örnekleme yöntemini kullanın;
(4) Hedef i'nin tespit olasılığını hesaplayın ve yanlış hedef izlerini ortadan kaldırın;
(5) İzleme hedef kümesindeki her bir hedef için izleme hedefi kümesi {S1, k-1, S2, k-1, ..., Sm, k-1} {S1, k, S2, k, , Sm, k} ve karşılık gelen alt parçacık grubu.
2.2 Hedef tespit katmanı
Bir veya birkaç hedefin sinyal-gürültü oranı diğer hedeflerden daha büyük olduğunda, geleneksel sistem yeniden örnekleme yöntemi, karşılık gelen yüksek ağırlıklı parçacıkları örneklemeye odaklanacak ve diğer parçacıkları göz ardı ederek düşük SNR hedeflerinin kaybına neden olacaktır. Bu nedenle, bu makale, hedef tespit katmanında turnuva seçimi ve partikül sürüsü füzyonuna dayanan bir hedef tespit yöntemi benimser Algoritma partikül ağırlıklarına dayanır ve aynı partikülün merkezi örneklemesini önlemek için partikülleri örneklemek için turnuva seçim yöntemini kullanır. Açıktır ki, bu örnekleme yöntemi, daha büyük parçacık ağırlıklarına sahip bireylere daha fazla "hayatta kalma" şansı verir. Dahası, partikül seçimi için standart, partikül ağırlığının nispi değeri olduğundan, partikül ağırlığının büyüklüğü ile doğrudan orantılı olmadığı için, belirli bir süper bireyin etkisinden kaçınabilir ve diğer partiküllerin yüksek ağırlıklı partiküller tarafından gizlenmesini bir dereceye kadar önleyebilir. Bundan sonra, parçacıklar birden fazla hedefi tespit etmek için ortalama kaydırma kümeleme yöntemi kullanılarak kümelenir. Ek olarak, partikül sürüsü füzyon yöntemi yoluyla, yeni tespit edilen hedef ve keşfedilen hedefin karşılık gelen partikül sürüsü kaynaştırılır, partikül ağırlığına göre sınıflandırılır ve yüksek kaliteli partiküller, ilgili füzyon için tutulur, bu da partikül sürüsünün çeşitliliğini artırır ve keşfedilen hedefin performansını iyileştirir. Kaliteyi takip edin.
Algoritmanın belirli adımları aşağıdaki gibidir:
Her parçacığın ağırlığını aldıktan sonra normalleştirin:
(4) Partikül sürüsünden belirli sayıda partikül çıkarıldığında her seferinde partikül sürüsünü taramak için turnuva yeniden örnekleme yöntemini kullanın ve ardından çocuk partikül sürüsüne girmek için en büyük ağırlığa sahip olanı seçin, işlemi yeni partikül sürüsü boyutuna kadar tekrarlayın. Orijinal parçacık sürüsü boyutuna ulaşmak için çocuk parçacık sürüsü N'dir. Bu süreçte, daha yüksek kaliteli hedef partiküller taranabilir, böylece sistemin daha büyük bir partikülün tek bir kopyasını yeniden örneklemesi olgusu önlenebilir:
3 Simülasyon analizi
Simülasyon senaryosu: Hepsi başlangıç noktasında bulunan toplam 5 sensör vardır ve algılama mesafesi 200 km ~ 230 km'dir. Toplam algılama çerçevesi sayısı k 45 karedir, her karenin aralık süresi 2,5 sn, parçacık sayısı 3,000, birinci hedefin sinyal-gürültü oranı (SNR) 12 dB ve ikinci hedef SNR 5 dB'dir. Hedef 1 ve hedef 210. saniyede görünür ve başlangıç durumu T'dir ve iki hedef 40. saniyede aynı anda kaybolur. Hedef mevcudiyet eşiğini 0,6 olarak ayarlayın, bu belgedeki algoritmayı (IM-PF-TBD) ve iki hedefi tespit etmek ve izlemek için sistem yeniden örnekleme (SR-PF-TBD) ile PF-TBD algoritmasını kullanın. Monte Carlo simülasyon süreleri 50'dir. Sonuçlar Tablo 1, Şekil 2 ve Şekil 3'te gösterilmektedir. Bunlar arasında, Tablo 1, hedef görünümün ilk aşamasındaki verilerin bir kısmını listeler ve her çerçevedeki iki hedefin hedef var olma olasılığını iki algoritma ile karşılaştırır; Şekil 2, tüm simülasyon süresi boyunca iki algoritma tarafından hedef sayısının tahmini sonuçlarını gösterir. Şekil 3, iki algoritmanın ortalama kare hatası (Kök Ortalama Kareli Hata, RMSE) izleme sonuçlarının karşılaştırmasını göstermektedir.
Tablo 1'den görülebileceği gibi, hedef 1'in sinyal-gürültü oranı hedef 2'ninkinden daha yüksek olduğu için, iki algoritma hedef 1'i çok az farkla zamanında ve etkili bir şekilde bulabilir. Hedef varoluş eşiği 0.6 olduğunda, iki algoritmanın hedef var olma olasılığı 10. çerçevede 0.6'dan büyüktür ve hedef zaman içinde bulunabilir. Bununla birlikte, hedef 2'nin sinyal-gürültü oranı hedef 1'inkinden daha düşük olduğu için, SR-PF-TBD, çoğaltma sayısını belirlemek için ağırlıkları kullanır. Daha ağır parçacıklar daha sık kopyalanır ve bu, düşük hedef sinyal-gürültü oranına sahip parçacıkları maskeleyecektir. , Düşük sinyal-gürültü oranı ile hedef tespitinde belirli bir gecikme ile sonuçlanır. Bu nedenle, 14. karede 0.69'a ulaştı ve hedef 2'nin 4 kare geciktiğini buldu. IM-PF-TBD algoritması, yüksek kaliteli parçacıkları olabildiğince filtreleyebilir, böylece büyük ağırlıklı parçacıkların diğer hedef parçacıklar üzerindeki etkisini azaltabilir, hedef 1'in hedef 2 üzerindeki etkisini azaltır ve 11. çerçevede hedefin var olma olasılığına ulaşılır. 0.67, SR-PF-TBD'den 3 kare daha erken. Bu nedenle IM-PF-TBD algoritması, büyük sinyal-gürültü oranlarına sahip hedefleri daha zamanında ve etkili bir şekilde tespit edebilir. Ek olarak Şekil 2'den SR-PF-TBD algoritmasının 20 saniye sonra 3 hedefe sahip olduğu, çünkü bu yazıda yer alan IM-PF-TBD algoritmasının tüm simülasyon süresi boyunca doğru hedefi korurken partikül sürüsü füzyonu olmadığı görülmektedir. Tahmini sayı, yanlış hedef görünmedi.
Şekil 3, iki algoritma arasındaki hedef RMSE indeksinin karşılaştırmasını göstermektedir. Hedef 1'in yüksek sinyal-gürültü oranı nedeniyle, iki algoritma çifti hedef 1'i hızlı bir şekilde izleyebilir ve hedef 1'deki iki algoritmanın hatası çok farklı değildir. Hedef 2, düşük bir sinyal-gürültü oranına sahiptir ve hedef 1'den kolayca etkilenir. IM-PF-TBD algoritması, iki partikül sürüsünün yüksek kaliteli partiküllerini korumak için bir partikül sürüsü füzyon yöntemi kullanır. Partikül sürülerinin makul dağılımı, hedef RMSE değerinin daha hızlı düşmesini sağlar . RMSE'nin değeri hızlı bir şekilde stabilize olabilir SR-PF-TBD bir partikül sürüsü füzyon bağlantısına sahip değildir ve partikül dağılımı düzensizdir, bu da izleme performansında bir düşüşe ve daha büyük bir izleme hatasına yol açar.
Özetle, IM-PF-TBD algoritması, sinyal-gürültü oranında büyük bir fark olan hedefleri tespit ettiğinde, hedef zamanında hedef görünümünün erken aşamasında bulunabilir ve yanlış hedefler, hedef RMSE'yi azaltmak için sonraki aşamada zamanında bulunabilir ve ortadan kaldırılabilir.
4. Sonuç
Bu makale, gelişmiş bir çok hedefli çift katmanlı parçacık filtresi ön algılama izleme algoritması önermektedir.Yeniden örneklemeden sonra parçacıkların çeşitliliğini artırmak, birden çok hedefin eşzamanlı tespitini sağlamak ve hedef görünümünün ilk aşamasını iyileştirmek için hedef algılama katmanında şampiyona yeniden örnekleme yöntemi kullanılmaktadır. Hedef tespit olasılığı yüksektir ve yeni tespit edilen hedefi ve mevcut hedefin partikül kümesini birleştirmek için bir partikül sürüsü füzyon yöntemi önerilmiştir; bu, yanlış hedefleri ortadan kaldırmak ve hedef izleme doğruluğunu iyileştirmek için uygundur. Simülasyon sonuçları, geleneksel çok hedefli parçacık filtresi ön algılama izleme algoritmasıyla karşılaştırıldığında, bu makalede önerilen geliştirilmiş çok hedefli çift katmanlı parçacık filtresi ön algılama izleme algoritması ve parçacık sürüsü füzyon algoritmasının yeni hedefleri doğru bir şekilde bulabileceğini ve hedef RMSE'yi azaltabileceğini ve doğru şekilde tahmin edebileceğini göstermektedir. Hedeflerin sayısı, algılama ve izleme doğruluğunu artırır.
Referanslar
Zhao Zhiguo, Wang Shouyong, Tong Wei.Parçacık filtresinin yeniden örneklenmesi ve yumuşatılmasına dayalı ön tespit takibi Hava Kuvvetleri Erken Uyarı Akademisi Dergisi, 2008, 22 (1): 25-28.
Gao Jie, Du Jinsong, Zhang Qingshi, vd.Dinamik programlamaya dayalı olarak hedefleri manevra yapmak için bir ön algılama izleme yöntemi.Elektronik Teknoloji Uygulaması, 2018, 44 (3): 64-67, 71.
BOERS Y, DRIESSEN H, TORSTENSSON J, ve diğerleri. Genişletilmiş hedefleri izlemek için önceden tespit algoritması Radar, Sonar ve Navigasyon, IEE Proceedings, 2006, 153 (4): 345-351.
MOYER L R, SPAK J, LAMANNA P.A Çok boyutlu Hough dönüşüm tabanlı izleme, güçlü dağınıklık arka planlarında zayıf hedefleri tespit etme tekniği. Havacılık ve Uzay ve Elektronik Sistemlerde IEEE İşlemleri, 2011, 47 (4): 3062-3068.
MALLICK M, KRISHNAMURTHY V, VO B N. Algılama öncesi izleme teknikleri Wiley-IEEE Press, 2012: 311-362.
Guo Yunfei, Zhang Feng. Zayıf hedef tespiti için QIPF tabanlı izleme algoritması. Ateş Gücü ve Komuta Kontrolü, 2016, 41 (10): 59-62.
Chen Zezong, Yang Qian, Zhao Chen, vb. Modal fonksiyonun karakteristik spektrumuna dayalı deniz küçük hedef tespiti Elektronik Teknoloji Uygulaması, 2017, 43 (5): 114-118.
Mei Xiufei Dağıtılmış MIMO radarına dayalı çoklu hedef izleme algoritması araştırması Chengdu: Çin Elektronik Bilimi ve Teknolojisi Üniversitesi, 2016.
Wang Rui, Liang Zhibing, Wang Jiaming Yakındaki uzay hedeflerinin tespit edilmesinden önce çok radar tabanlı izleme algoritması.Sensors and Microsystems, 2016, 35 (10): 116-119.
Wang Na, Tan Shuncheng, Wang Guohong.Hedef sayısı bilinmediğinde partikül filtresine dayanan çok hedefli TBD yöntemi.Sinyal İşleme, 2017, 33 (9): 333-345.
Su Zhouyang, DIVISION R.Geliştirilmiş bir verimli PF-TBD algoritması Elektronik Bilimi ve Teknolojisi, 2017, 66 (4): 366-373.
BUZZI S, LOPS M, VENTURINO L, ve diğerleri.Çok hedefli bir ortamda tespit öncesi takip prosedürleri Havacılık ve Elektronik Sistemlerde IEEE İşlemleri, 2008, 44 (3): 1135-1150.
Dong Yunlong, Huang Gaodong, Li Baozhu, vb. AIS'ye dayalı radar yüksek hassasiyetli hata kalibrasyon yöntemi Elektronik Teknoloji Uygulaması, 2019, 45 (6): 75-79.
Anahtar, Huang Yong.Çoklu hedef tespiti öncesi MIMO radar izleme algoritması üzerine araştırma. Chinese Journal of Electronics, 2010, 38 (6): 1449-1453.
Gou Qingsong. Algılamadan önce çok hedefli parçacık filtresi izleme algoritması üzerine araştırma Chengdu: Çin Elektronik Bilimi ve Teknolojisi Üniversitesi, 2015.
yazar bilgileri:
Gao Guangshun, Chen Xiao
(Ulusal Savunma Anahtar Disiplin Laboratuvarı İletişim Bilgileri İletimi ve Füzyon Teknolojisi, Hangzhou Dianzi Üniversitesi, Hangzhou 310018, Zhejiang)
