项目名称: 改进智能优化策略多机动目标跟踪方法研究

项目编号: No.61501521

项目类型: 青年科学基金项目

立项/批准年度: 2016

项目学科: 无线电电子学、电信技术

项目作者: 陈志敏

作者单位: 中国卫星海上测控部

项目金额: 19万元

中文摘要: 多机动目标跟踪技术是国家空中防御体系的核心技术之一,而目前我国多机动目标跟踪技术与发达国家相比尚有较大差距,迫切需要进一步提高其性能。在多机动目标跟踪中,基于联合数据关联-交互多模型-粒子滤波框架的目标跟踪方法是关键技术之一,本项目拟针对其存在的运算复杂度高、综合性价比低等问题进行研究。首先,对Kohonen神经网络联合数据关联方法的学习方式和竞争方式进行优化,提出高实时性的改进联合数据关联方法;其次,对粒子群优化粒子滤波的粒子更新策略进行改进,并设计能够提高综合寻优能力的粒子寻优机制,提出高性价比的改进粒子群优化粒子滤波算法;最后,对交互多模型的粒子交互方式进行优化,提出适用于粒子滤波的高实时性改进机动目标跟踪模型。本项目拟以改进的智能优化策略为主要手段,设计具有高综合性价比的改进联合数据关联交互多模型粒子滤波目标跟踪方法,为现代新型多机动目标跟踪技术的研究和应用提供新的思路。

中文关键词: 多机动目标跟踪;智能优化算法;粒子滤波

英文摘要: Multi-maneuvering target tracking technology is one of the key technologies of national air defense system, and multi-maneuvering target tracking technology of China compared with foreign countries still have large gaps. There is urgent need to improve its performance. In multi-maneuvering target tracking, target tracking algorithm base on the thought of joint probabilistic data association-interacting multiple model-particle filter is one the key technologies. We plan to study on the problems of high computation complexity and low performance price ratio. Firstly, improving the learning style and competition style of joint probabilistic data association based on Kohonen neural network, proposing an improved high real-time performance joint probabilistic data association method. Secondly, the particle update strategy of particle swarm optimized particle filter will be improved, we will design the particle optimization mechanism to improve comprehensive search ability and propose high cost performance particle swarm optimized particle filter. Finally, we will improve the particles interacting style of interacting multiple model and propose improved high real-time performance tracking model which will be suitable for particle filter. We plan to use improved intelligent optimization strategy mainly and design improved high comprehensive performance target tracking algorithm based on joint probabilistic data association-interacting multiple model-particle filter, it will provide novel ideas for new modern multi-maneuvering target tracking technology.

英文关键词: multiple maneuvering targets tracking;intelligent optimization algorithm;particle filter

成为VIP会员查看完整内容
10

相关内容

【AI+军事】附PPT 《前瞻性分析:获得决策优势的方法》
专知会员服务
90+阅读 · 2022年4月17日
基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
专知会员服务
91+阅读 · 2021年8月29日
专知会员服务
70+阅读 · 2021年3月23日
专知会员服务
84+阅读 · 2020年12月11日
深度学习目标检测方法综述
专知会员服务
274+阅读 · 2020年8月1日
基于改进卷积神经网络的短文本分类模型
专知会员服务
25+阅读 · 2020年7月22日
【CVPR2020-谷歌】多目标(车辆)跟踪与检测框架 RetinaTrack
专知会员服务
44+阅读 · 2020年4月10日
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
面向自动驾驶的边缘计算技术研究综述
专知
4+阅读 · 2021年5月3日
光学遥感图像目标检测算法综述
专知
8+阅读 · 2021年3月23日
最全综述:基于深度学习的三维重建算法
极市平台
12+阅读 · 2020年3月17日
目标跟踪算法分类
算法与数据结构
20+阅读 · 2018年9月28日
深度学习的快速目标跟踪
AI研习社
13+阅读 · 2018年1月8日
机器学习(17)之集成学习原理总结
机器学习算法与Python学习
19+阅读 · 2017年9月16日
国家自然科学基金
51+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2011年12月31日
国家自然科学基金
2+阅读 · 2010年12月31日
国家自然科学基金
11+阅读 · 2010年12月31日
国家自然科学基金
3+阅读 · 2008年12月31日
Arxiv
17+阅读 · 2021年3月29日
Simplifying Graph Convolutional Networks
Arxiv
12+阅读 · 2019年2月19日
Arxiv
11+阅读 · 2018年4月25日
小贴士
相关VIP内容
【AI+军事】附PPT 《前瞻性分析:获得决策优势的方法》
专知会员服务
90+阅读 · 2022年4月17日
基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
专知会员服务
91+阅读 · 2021年8月29日
专知会员服务
70+阅读 · 2021年3月23日
专知会员服务
84+阅读 · 2020年12月11日
深度学习目标检测方法综述
专知会员服务
274+阅读 · 2020年8月1日
基于改进卷积神经网络的短文本分类模型
专知会员服务
25+阅读 · 2020年7月22日
【CVPR2020-谷歌】多目标(车辆)跟踪与检测框架 RetinaTrack
专知会员服务
44+阅读 · 2020年4月10日
相关资讯
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
面向自动驾驶的边缘计算技术研究综述
专知
4+阅读 · 2021年5月3日
光学遥感图像目标检测算法综述
专知
8+阅读 · 2021年3月23日
最全综述:基于深度学习的三维重建算法
极市平台
12+阅读 · 2020年3月17日
目标跟踪算法分类
算法与数据结构
20+阅读 · 2018年9月28日
深度学习的快速目标跟踪
AI研习社
13+阅读 · 2018年1月8日
机器学习(17)之集成学习原理总结
机器学习算法与Python学习
19+阅读 · 2017年9月16日
相关基金
国家自然科学基金
51+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2011年12月31日
国家自然科学基金
2+阅读 · 2010年12月31日
国家自然科学基金
11+阅读 · 2010年12月31日
国家自然科学基金
3+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员