注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. GM-PHD平滑滤波

  2. 高斯概率假设密度的平滑滤波算法的仿真源代码，易于分析。

  3. 所属分类：其它

    • 发布日期：2017-10-17
    • 文件大小：13kb
    • 提供者：daocaowu1234

  1. 高斯混合概论假设密度滤波MATLAB代码

  2. 备注比较详细的GM-PHD滤波，值得大家借鉴学习，是国外学者的开源代码

  3. 所属分类：其它

    • 发布日期：2018-03-19
    • 文件大小：26kb
    • 提供者：qq_38490273

  1. GM-PHD滤波算法实现

  2. GM-PHD滤波算法实现

  3. 所属分类：PHP

    • 发布日期：2018-03-20
    • 文件大小：1kb
    • 提供者：qq_40395910

  1. Convergence Results for the Gaussian Mixture Implementation of the Extended-Target PHD Filter and Its Extended Kalman Fi

  2. The convergence of the Gaussian mixture extended-target probability hypothesis density (GMEPHD) filter and its extended Kalman (EK) filtering approximation in mildly nonlinear condition, namely, the EK-GM-EPHD filter, is studied here. This paper prov

  3. 所属分类：其它

    • 发布日期：2021-02-21
    • 文件大小：642kb
    • 提供者：weixin_38750644

  1. GM_PHD_Filter：目标跟踪中的GM-PHD过滤器-源码

  2. GM_PHD_Filter：目标跟踪中的GM-PHD过滤器

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：57kb
    • 提供者：weixin_42135753

  1. 天基红外系统多目标快速跟踪方法

  2. 多传感器多目标跟踪是天基红外系统的核心关键技术之一，面临目标数目随时间变化、目标出现时间与位置难以预知、虚警干扰严重等难点，传统多目标跟踪方法存在组合爆炸问题。文中采用高斯混合概率假设密度滤波器（GM-PHD， Gaussian mixture probability hypothesis density）进行多目标跟踪，有效避免了复杂的数据关联运算；同时，针对GM-PHD滤波器新目标丢失问题，采用反馈滤波方法，通过将传感器量测假设作为新目标的量测，有效实现了对新目标的快速跟踪处理。仿真试验结果

  3. 所属分类：其它

  1. 基于概率假设密度滤波的多目标雷达空间误差配准算法

  2. 针对数据关联关系不确定的多目标场景下的雷达空间误差配准问题,提出一种基于概率假设密度(PHD)滤波的雷达空间误差估计方法.该方法在地心地固(ECEF)坐标系下建立雷达空间误差及其观测的随机有限集合(RFS)描述形式,结合PHD滤波算法避免多个雷达观测的数据关联问题,利用高斯混合概率假设密度(GM-PHD)滤波器实现多目标场景下的雷达系统误差递推融合估计.Monte Carlo仿真实验结果表明,所提出的基于PHD滤波的雷达空间误差配准算法能够有效地实现数据关联关系不确定情况下的多目标雷达空间误差融

  3. 所属分类：其它

    • 发布日期：2021-01-13
    • 文件大小：233kb
    • 提供者：weixin_38550812

  1. 基于SIM-GM-PHD的低可观测目标跟踪算法

  2. 针对多传感器协同探测多个低可观测目标问题,提出一种基于强度叠加的多传感器高斯混合概率假设密度(SIM-GM-PHD)滤波器,并提出目标状态的两步提取策略.首先,利用跟踪门对预测强度函数中每个高斯分量选择有效传感器集合;然后,利用各传感器量测数据更新其对应的高斯分量,叠加所有传感器的局部后验强度以及全局漏检强度得到融合后验强度;最后,提出目标状态的两步提取策略对目标的个数与状态进行估计.仿真结果验证了所提出算法的有效性.

  3. 所属分类：其它

    • 发布日期：2021-01-12
    • 文件大小：287kb
    • 提供者：weixin_38586186

  1. 随机有限集理论及其在多目标跟踪中的应用和实现

  2. 梳理了随机有限集(RFS)的理论基础和发展脉络,重点对其在多目标跟踪中应用和实现的难点问题进行详细分析.首先针对单传感器情形,深入讨论RFS的几类典型近似技术,包括:概率假设密度(PHD)滤波器、势概率假设密度(CPHD)滤波器、多伯努利(MeMBer)滤波器以及泛化标签多伯努利(GLMB)滤波器,对其发展脉络进行分析,并对高斯混合(GM)及序贯蒙特卡罗(SMC)实现中面临的问题进行研究;其次,针对多传感器情形,介绍时空配准问题的处理方法,并分别从集中式、分布式融合两个方面对基于RFS多传感器多

  3. 所属分类：其它

    • 发布日期：2021-01-12
    • 文件大小：202kb
    • 提供者：weixin_38625599