高斯和概率假设密度滤波（gmphd）算法实现程序下载

weixin_39821620 2021-01-27 04:31:00
基于高斯和的概率假设密度滤波算法的实现程序，测试过，有注释。用于多对象连续位置估计等应用。
相关下载链接：//download.csdn.net/download/jiajialin12/7992385?utm_source=bbsseo
...全文
79 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
高斯和概率假设密度滤波（gmphd）算法实现程序
基于高斯和的概率假设密度滤波算法的实现程序，测试过，有注释。用于多对象连续位置估计等应用。
一种新的多机动目标跟踪的GMPHD滤波算法 (2010年)
针对多机动目标跟踪的传统数据关联算法约束条件苛刻、估计精度低、计算量大等问题，提出了一种基于随机集理论的非数据关联的多机动目标跟踪算法。该算法将高斯混合概率假设密度（GMPHD）滤波与“当前”统计模型的优点相结合，绕过了棘手的数据关联问题，能高效处理目标数较大的机动跟踪问题。在漏检、虚警、多机动目标交叉杂波复杂环境下进行了仿真实验，结果表明，该算法具有较高的跟踪精度和稳健的跟踪性能。
论文研究-基于IMM的UK-GMPHDF算法在多机动目标跟踪中的应用.pdf
论文研究-基于IMM的UK-GMPHDF算法在多机动目标跟踪中的应用.pdf,  为解决非线性系统滤波的非线性和多机动目标跟踪问题,提出了一种基于交互多模型(IMM)的无迹卡尔曼实现的高斯混合概率假设密度滤波(UK-GMPHDF)算法.该算法结合了IMM算法对不同目标机动模型的自适应能力和UK-GMPHD滤波精度高、计算量小的优点.此外,滤波器利用UK-GMPHD滤波,不仅避免了难以解决的数据关联问题,而且可以联合估计目标数和目标状态.在非线性系统和杂波环境下,通过对多机动目标跟踪的应用仿真,将该算法和基于单模型的UK-GMPHDF算法进行了比较,仿真结果表明了基于IMM的UK-GMPHDF算法具有较好的跟踪性能,大大提高了多机动目标跟踪精度,减少了跟踪的多目标误差.
GM-PHD平滑滤波
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。
未知探测概率下多目标PHD 跟踪算法
针对未知探测概率下多目标跟踪问题, 提出一种基于时变滤波算法的多目标概率假设密度(PHD) 滤波器. 算法推导了未知探测概率PHD递推式, 提出了将未知探测概率转化为目标的丢失与接收事件, 并依此建立了目标跟 踪的马尔科夫模型, 给出了该模型下时变卡尔曼滤波最优解, 进而在高斯混和PHD(GMPHD) 框架下推导了算法闭集解. 仿真实验表明, 所提出算法在未知且随时间变化的探测概率情形下, 仍能实时地跟踪各目标, 具有良好的工程应用前景.
下载资源悬赏专区

12,779

社区成员

12,307,864

社区内容

发帖
与我相关
我的任务
社区描述
CSDN 下载资源悬赏专区
其他 技术论坛（原bbs）
社区管理员
  • 下载资源悬赏专区社区
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告
暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章