买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:兰州理工大学
摘要:本发明公开了基于高斯过程的概率假设密度滤波多机动目标跟踪方法,包括:获取多机动目标运动数据集;基于所述多机动目标运动数据集划分出训练集和测试集,将所述训练集和所述测试集输入机动目标运动模型中进行高斯过程回归学习,获取高斯过程的均值、方差和超参数;对所述高斯过程的均值、方差和超参数进行高斯过程回归学习,获取预测模型和观测模型;采用高斯过程及容积卡尔曼对所述预测模型和所述观测模型进行线性化采样预测处理,对处理后的模型进行更新处理,获取多机动目标的状态和目标均值。本发明提高了利用高斯过程回归学习跟踪机动目标数量的能力。
主权项:1.基于高斯过程的概率假设密度滤波多机动目标跟踪方法,其特征在于,包括以下步骤:获取多机动目标运动数据集;基于所述多机动目标运动数据集划分出训练集和测试集,将所述训练集和所述测试集输入机动目标运动模型中进行高斯过程回归学习,获取高斯过程的均值、方差和超参数;对所述高斯过程的均值、方差和超参数进行高斯过程回归学习,获取预测模型和观测模型;对所述高斯过程的均值、方差和超参数进行高斯过程回归学习,获取预测模型和观测模型包括:预测模型为:pxt|xt-1,ut-1≈NGPμ[xt-1,ut-1],Dp,GPΣ[xt-1,ut-1],Dp观测模型为:pzt|xt≈NGPμxt,Do,GPΣxt,Do其中,xt表示t时刻的目标状态,xt-1表示t-1时刻的目标状态,ut-1表示t-1时刻的控制输入,Dp表示预测训练集,zt表示t时刻的量测,Do表示观测训练数据集,GPμ表示均值,GPΣ表示方差;采用高斯过程及容积卡尔曼对所述预测模型进行线性化采样预测处理,对处理后的模型进行更新处理,获取多机动目标的状态和目标均值;采用高斯过程及容积卡尔曼对所述预测模型进行线性化采样预测处理包括: Qt=GPΣ[xt-1,ut-1],Dp其中,xi,t-1表示采样得到的容积点,Pt-1表示预测模型的上一时刻状态的协方差矩阵,ζi表示第i个容积点,Qt表示预测过程噪声方差矩阵。
全文数据:
权利要求:
百度查询: 兰州理工大学 基于高斯过程的概率假设密度滤波多机动目标跟踪方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。