Anturien ja datan yhdistäminen vihamielisillä toimenpiteillä Kontekstitieto on vaikeasti vältettävissä olevalle maailmansovellukselle. Siksi "info"-kuvien poimiminen on triviaalia sedata- ja tiedon fuusiolinkeille, joilla on riittävä kaistanleveys, pieni latenssi ja kestävyys. , serdatan muuntaminen edellyttää antureiden tarkkaa aika-avaruusrekisteröintiä, mukaan lukien niiden1 tarjoaa yleiskatsauksen eri näkökohdista ja niiden keskinäisestä keskinäisestä suhteesta Thebe sijaitsee di(kollokoidussa, hajautetussa,e) tuottaa mittauksia samasta tai erilaisesta tyyppi Heterogeenisten anturitietojen fuusio on erityisen tärkeää, kuten kinematimemittausten yhdistelmä mitattujen attribuuttien kanssa, jotka antavat tietoa luokista, joihin kuuluvat kuuluvat Erityisesti puolustus- ja turvallisuussovellusten kontekstissa aktiivisen ja passiivisen tunnistuksen erottaminen on tärkeää, koska passiivit mahdollistavat antaa palautetta ohjauksen tai käskyjen kautta muodonhankintaan Tällä tavoin valvontatavoite saavutetaan usein tehokkaasti, Kontekstitietoa antaa esimerkiksi saatavilla oleva tieto siitä ja objektikielto kuvataan usein kvantitatiivisesti tilastollisilla malleilla
Kontekstitieto on myös ympäristötietoa teistä tai topografisista okkluusioista (GIS: Geographical Information Systems) Toisesta näkökulmasta katsottuna konteksti (esim. opit, suunnittelu dabery (HUMINT: Human Intelligence) on myös tärkeää tietoa fuusiossa
Kehittyneet anturi- ja dynamiikkamallit, joissa on sovellus anturinhallintaan Pl- wk k-ISk6-1WWk-PKk-l+H RK He)-th Kalman Gain Matrix W*k-1 ja Innovation Covariance Matrix Sx k- 1, jonka on antanut Pkk-1Hkkk-ISkPkkk-1Hi+nematics Esimerkkinä tarkastelemme tilavektoreita xk=(rk, rk), jotka koostuvat kohteen sijainnista ja nopeudesta sekä sijainnin mittauksesta withza ja kontekstitiedosta, jonka objektin nopeus on odotettavissa. xoo=(z0,0 ), Poo=diag[Ro, ax]dence, eli odotettua, mutta todellista Irementtiä on käsiteltävä baysimalismin puitteissa. Suljetaan ensin valheet pois ja oletetaan, että kohde havaitaan vakiolla havaitsemistodennäköisyydellä PD< 1
Tämä ongelma on identtinen aiemmin käsitellyn Kalman-suodatuksen kanssa, paitsi joka kerta kun tx on käytettävissä. Tässä tapauksessa taustalla olevan anturimallin eli todennäköisyysfunktion ei tarvitse kuvata vain mittausprosessia, jolle on tunnusomaista teemamittausmatriisi H ja mence-matriisi R, , mutta myös havaitsemisprosessi, jolle on tunnusomaista havaitsemistodennäköisyys Po 1 Tällaisten mahdollisuuksien mukaan: joko kohde tunnistettiin ajan tulkintahypoteesin ikAlle, että todennäköisyydet p(ik=1x)=Pp ja P(ix=0x)=1- Po eivät ole riippuvaisia objektin tilasta x, saadaan seuraava todennäköisyysp(Zk, ng xk)=2P(Zk, nk, ik xk)∑Zk, nkik, xk, kun &i=0 arvolle ifj ja 8 =1 arvolle i=j )p(ik xk)Son(1-Pp)+51 m PD N(zk; Hxk, R)e(xk; Zk, Hk, Rk, Pp)Kun p(x 2)=Nx xe LL P&1) , Yhtälö 1 johtaa seuraavaan päätelmäsuodatukseen, joka johtaa P(x 2)D kanssa xk ja P&k gi. Negatiivisen anturin lähdön (n= 0) todennäköisyysfunktion antaa vakioPD. Tämä tarkoittaa, että ennustetta pdf ei muuteta suodatuksessa vaihe: xkJ=X
Anturin ja datan fuusioP*lk- Pala-l Kalmanin päivitysyhtälöiden mukaan tämä tulos voi muodollisesti päästä matriisiin RBayesilainen formalismi ja anturimalli (todennäköisyysfunktio) määrittelevät luonnollisesti kuinka prosessoidaan hyvin erotettujen objektien läsnä ollessa. vääristä palautuksista ja epätäydellisestä havaitsemisesta, tiedot Z eivät myöskään ole enää yksiselitteisesti tulkittavissa
Olkoon ik=0 kappaleen tulkintahypoteesia, että kohdetta ei ole havaittu hetkellä tu, kaikki anturin tiedot ovat vääriä palauttavat, kun taas l edustaa hypoteesia, että kohde on havaittu, Zk EZ on kohteen mittaus ja loput anturitiedot ovat vääriä palautuksia ilmeisesti ikI o on joukko toisensa poissulkevia ja tyhjentäviä datatulkintoja Kokonaistodennäköisyyslauseen vuoksi vastaava todennäköisyysfunktio saadaan kaavalla(x;2,m)=∑以(2k,nkk,x)(kxP(Zk) nk, ik, xk)p(nk ik, xk) p(ik xk)Fov-PF(nk)(1-PD+IFovi-(n-pr(nk-1)[ PDI> N(z*: HK xk) ,R* )(38)(1-PD)pF+P∑M(;x,R)jossa oletetaan jatkuvan havaitsemisen todennäköisyyden Po andurns tasaisesti jakautuneen näkökentän fovi- ja poisson-jakauma väärien palautusten saamisen nunilityyn. by pp(n)=ne"-ppIFovI, jossa tiheys on fov i, joka merkitsee voltf-kenttää. Katso [22] yksityiskohtaisempaa keskustelua varten. Eq1:n mukaan tämä todennäköisyysfunktio tarkoittaa, että p(x 2) on Gaussin seos, painotettu f gau, jonka parametrit saadaan hyödyntämällä tuotekaava (9)D Gaussian Mixtures and Multiple Hypothesis Tracking Monissa sovelluksissa, kuten ryhmäkohteen seuranta mahdollisesti ratkaisemattoman liikkuvan kohteen seurannalla STAP-tutkalla [21, tai kohteen seuranta vaihesäteen tutkalla häiriöiden esiintyessä [10], anturi mkuvaili tyypin todennäköisyysfunktio ((x: Zk na)a 2i-o P(ZA, n i x)p(ixx)(20] Sellaiset algoritmit, jotka tntillisesti karakterisoivat hy poteesit ix huomioon, ovat perustana Mthesis TrackingMHTdfs:lle Bayesin säännöstä ja Gaussin säännöstä seoksen ennustus,
Kehittyneet anturi- ja dynamiikkamallit, joissa on sovellus anturin hallintaan(x2)=∑N(xk;x,P)esittelevät kulkuhypoteesin, jolle on tunnusomaista datan tulkintahypoteesien sarja i"(i, ik-l, ), eli datan tulkintahistoriaGaussin seoksen rakenne p(x 2):lle esiintyy myös, jos IMM-ennuste p(x 2-(katso edellinen alaluku) päivitetään Gaussin todennäköisyysfunktiolla ((x: Z, H, R) )(4: H x, R)yhtälön I ja tulokaavan mukaan(yhtälö 9)Filk-1Sdxk N(z∑Nx;x,Pkjossa seosparametritja piaplA Pilk-IM(zk: H* -, skik-lk) -1(k-Hxkk-1)Kalmanin vahvistus- ja innovaatiokovarianssimatriiseillaW,=H PAH+RkIMM-suodatusta voidaan siis pitää useana 'mallihypoteesien seurantamenetelmänä IMM-MHT-lähestymistapoja käsitellään kirjallisuudessa, esim.
[23] Katso[34], [vaihtoehtoinen hoito moninkertaiselle hypoteesille, usean mallin seurantaongelma ja toteutusnäkökohtien seurantaalgoritmi. seurata diskreetillä ajanhetkellä fr pdf-tiedostot ovat ehdollisia sekä anturidatalle 2, joka on kertynyt johonkin aikaan h, tyypillisesti nykyinen skannausaika, että ominaisuudet, objektidynamvektorit x vaaditaan, asiaan liittyvää estimointiprosessia kutsutaan ennusteeksi (h> h )ja suodatus(f=t*) Seuraavassa on kuvattu iteratiivinen laskenta kaavamaisesti
Anturien ja tietojen fuusioeditiop(xk-1|2k-1),p(xk|2-)p(xk|2k-1)P(xk2) yksittäisistä tiheydistä, jotka tietyt tiedot tulkitsevat mallin olevan totta Tämä rakenne on hyvä e joille on ominaista se, että se vaihtelee ja jopa suuri jonkin aikaa, mutta dohis on 1, 32] Muissa tapauksissa tiheydet voidaan usein tulkita seoksilla, joissa on (kauas) epäolennaisia seoksen komponentteja). Säilytettynä tuloksena olevien alioptimaalisten algoritmien odotetaan olevan lähellä optimaalista Bayesin suodatusta. Epälineaarisuuden käsittelyyn voidaan käyttää laajennettua hajustamatonta Kalman-suodatusta (EKF(2 UKF [14] ) tai hiukkassuodatusta (PF [31 )3 ExaResourceement monitoimisovellukselle tutka riippuu varmasti tietystä radan ylläpidosta maaperustavalvontaa varten ja minimoi samalla tarvittavan varauksen ja energian
Jälkien tarkkuus on tärkeä vain sikäli kuin vakaat jäljet taataan. Jälkien aloitus tai käyttöönottoedut immudeloinnin ja amplituditietojen selkeästi näkyvissä, väärät havainnot (sotku, elektroniset laskurit), tiedot mahdollisesti poissuljettu. Siitä huolimatta niiden vaikutus voidaan hyvin sisällyttää yleiseen Bayesin kehykseen [16] vaiheistettu tutkaseuranta, lisäanturitietoja voidaan hankkia, kun tarvitaan allokointia"[7 tietty tutkan paranrevierit-aika th, nykyinen säteen sijainti b, eli yksikkövektori, joka osoittaa suuntaan wheed, ja lähetetty energia per kaksintaistelu ek Muu tutka-aika i re g valaistun kohteen tuottama ihokaiku, med tobe vakioJälkiparametrit (havaintokynnys AD, tutkan säteen leveys B) ovat oletusallokaatio kohteen ja kohteen suuntakosinien Rhurementit, zu
Kehittyneet anturi- ja dynamiikkamallit, joissa on sovellus anturin hallintaan, sekä signaalin amplitudi ak, Yksi viipymä saattaa olla riittämätön kohteen havaitsemiseen ja myöhempään hienoon lokalisointiin. Olkoon nB, ilmaisee onnistuneeseen havaitsemiseen tarvittavien viivytysten lukumäärää ja Bk =(bi isi vastaavien säteen asemien joukko, Jokaiselle tutkaallokaatiolle on siis tunnusomaista peräkkäisten allokaatioiden monikko R=(f Bw nB, ek zu, ar) on merkitty R=[ j1 Tutkan poikkileikkausvaihtelut: hetkellinen tutkaleikkaus g realistisia ja thetatistisia malleja käytetään kuvaamaan objektien takaisinsirontaominaisuuksia käytännön tapauksissa, p(oklo, m)=gm(ok: a(m/a) Tässä yhtälössä a tarkoittaa kohteen keskiarvoa Ros. tuntematon, mutta ajallisesti vakio ja tietylle esineluokalle ominaisuus, kun taas parametri "vapausasteet" Yksittäisten näytteiden oletetaan olevan ok
g ) Tapauksia m-1, 2 kutsutaan Swerling-I- ja-IlI-vaihteluiksi [11]hetkellinen kohdesignaali v=(vakiomallinnusoletuksiin [11] Koska signaalikomponenttien oletetaan olevan beatistisesti riippumattomia , tuloksen P(selva)=N(s1: 01, an)N(s2; 02, on)(51)S:stä johdettu normalisoitu skalaarisuure ax=(sf+s2)/20n on siis Rice. -distributedIo(2akVsnk), jossa snk =(uf + u2)/202kohteen hetkellinen signaali-kohinasuhde on verrannollinen suoritettuun hetkelliseen2gamma-distra2p(agisn)= dank p(a? snk )p(snk ISN) (katso[1], esim. )yielding:m+SNosoittaa Laguerren polynomeja Swerling-I/Ill:lle näillä: Lo(-x)=1, L1(x)=1+ Ilmeisesti p(af I SN) voidaan tulkita kuin gaxture, jonka odotusarvo on Elaf]"1+SN
Anturin ja datan fuusio2)Keskimääräinen vastaanotetun signaalin uudelleenkäyntiaika f, lämpömittari otti huomioon relebject-paean-RCS:n, kohteen sijainti) Sovelluksissa todistetun Gaussin karhun avulla tutkaetäisyysyhtälö (katso [11], esim. ), oletetaan SN4=SN0()( 2)()e-2h4)todellinen ajanhetkellä ti, kun taas dUx) tarkoittaa toisiinsa liittyviä suuntauksia Theb,6)ded) suhteellisen säteen sijainnin säteen kanssa. osio o o referenssialueella, joka on suoraan (Ab=0)valaistu säteen energialla eo Yhtälössä 53 esitetystä toiminnallisesta suhteesta johtuen signaalinvoimakkuus apDetection ja yhtälö 50), havaitsemistodennäköisyys PD on SN:n ja ApPoIsN:n funktio.
An, m)Väärän hälytyksen todennäköisyys Pr saadaan analogisesti: PF(Ap)= PD(0, Ap, m)=eIntegraatio johtaa eksplisiittisiin lausekkeisiin Pp:lle [11] Swerling -I/Ill -vaihteluille wePD( SN, Ap)=e" sN=PFP(SN,AD)=c(1+3) Kohteen seurantaan af on käytettävissä dee af>AD:n jälkeen Tarvitsemme siis ehdon ja siten likimäärin hankinnan R()e-mai/SN Lm-1(-af), joka on samanlainen kuin lausekkeessa 53. Toisaalta m l:n havaitsemistodennäköisyys lähes PD(SN, AD, m)a PD(SN, Ap)(eli Swerling-I-mallilla:p( a af >\D, SN, m)Sm(ap: SN,m)ja
Kehittyneet anturi- ja dynamiikkamallit, joissa on sovellus Sensor Managemus -sovellukseen, lisäksi havaitsemisen jälkeen tuloksena on poikkeamattomat mittaukset suunnasta Gaussin kanssa. [11:n mukaan säteen leveyden b standardind ja hetkellinen snu seuraavissa B/Vathe-viimeistä approksimaatiota af käytetään harhattomana estimaatina sn& E[oletetaan gausthiksi. Mittausprosessin vakiostandardideviatilis-malli ei riipu rcs-vaihteluista. MeSeuranta-algoritmit on käyty uudelleen Edellisen keskustelun mukaan objektien seuranta on iteratiivinen päivitysmenetelmä ehdollisille todennäköisyystiheyksille P(x R"), jotka kuvaavat kohteen nykyistä tilaa x annettuna allR ja taustalla olevat tilastolliset mallit. Jokaisen uuden mBayes-säännön käsittely muodostaa eursiivisen suhteen tiheyksien välille kahdella peräkkäisellä uudelleenkäyntikerralla (ennustusvaihe, jota seuraa filterin (xR-1)=∑-1N(xk;x1,P-)) ilmaisee tiettyä mallihistoriaa, eli sarjaa kohteen dynamiikkamallin suhteen tietystä havainnosta hetkellä fk-+1 viimeisimpään mittaukseen hetkellä f (n skannaa takaisin")
Yhdessä dynamiikkamallissa() ennustetiheydet P(x -) on tiukasti Gausin antama suodatusvaihe, kun taas GPB2:ssa niitä käytetään suodatuksen jälkeen2) Signal Strefin käsittely
Kehittyneet anturi- ja dynamiikkamallit, joissa on sovellus anturien hallintaan. Ajankohtaisen tilannekuvan tuottamiseen tarvittavat tietoelementit ovat saatavilla olevaa todistetta, jolla on usein vain rajallinen arvo tilanteen ymmärtämiselle Pohjimmiltaan fuusioissa, periaatteessa puhuen, jolle on ominaista stokastinen lähestymistapa (olennaisten tilasuureiden arvioiminen) ja tiedon hyödyntäminen) Toiminnallisten vaatimusten lisäksi tämä enemmän tai vähemmän koherenttimenetelmä on toinen rakennusperiaate, joka antaa anturidatan ja C-kentän. Yleiskatsaus yleiseen seurantajärjestelmään Fuusiotuotteiden joukossa ns. jäljet ovat erityisiä imTracks represeknow -reunuksen merkityksellisissä tilamäärissä yksittäisiä objekteja, objand-muodostelmia tai jopa suuria objektiyhdistelmiä (esim.
g objektien kulkua Jos objektit/objektien kuvausalueet ovat tärkeitä raitojen tekijöitä, radan saavutettavissa oleva laatu riippuu kuitenkin vain suorituskyvystä, mutta myös tosiasiallisesti tarkasteltavasta toimintaehdosta ja käytettävissä olevasta kontekstista tietävästä Fusion SystemSensor SysteTrack -systeemijärjestelmästä:SysteTrack-suhteesta Systemlock:Sensoring antureille (keskitetty kokoonpano, tyyppi Iv Oprocessin mukaan, joka toimii alun perin tiedonsiirtonopeuden pienentämisenä, signaalinkäsittely tarjoaa
Anturien ja tietojen fuusioarviot parametreista, jotka luonnehtivat anturien etujärjestelmässä vastaanotettuja aaltoja, jotka liittyvät mahdollisesti kiinnostaviin kohteisiin, jotka ovat syöte seurantaa/fuusiota varten, jotka yhdistävät jälkiä radan ylläpitoon (käyttämällä esim. ennustetta, suodatusta ja jälkikäteen) Jäljelle jäävät tiedot on käsitelty uusien alustavien raitojen aloittamista varten (useiden kehysraitojen purkaminen) Yhteys track md aloitukseen Kappaleen vahvistus/päättäminen luokittelu/tunniste ja raitojen yhdistäminen, jotka liittyvät tähän, on osa raitojen käsittelyä.
Kontekstitietoja voidaan päivittää tai muokata vuorovaikutteisesti tai itse radan prosessori, esimerkiksi objektien luokittelua tai tiekartan poimimista varten. Monitoimisen anturien tapauksessa palautetilanteen hallinta)Moderni monitoiminen vaiheistettuun järjestelmään perustuva ketterä sädetutka on erinomainen esimerkki pätee erityisesti useiden objektien seurantatehtäviin, joissa tällaiset järjestelmät kutsuvat foralgoritmeja, jotka hyödyntävät tehokkaasti niiden vapausasteita, jotka voidaan valita erikseen kullekin radalle Erityisen kiinnostavia ovat sotilaalliset ilmaukset, joissa sekä esineitä että kohteita, jotka eroavat merkittävästi niiden tutkasta, otetaan vastaan, ellei niitä käsitellä oikein, tällaisia tilanteita voidaan yhdistää seuranta- ja anturihallintainnovaatiovälejä, tutkasäteen paikannusta ja lähettää tehokkaasti hyödyntäen sen rajoituksia, totalillance perfohasedarray tutkahallinta Lähtökohtana on seurantajärjestelmä, joka generoi tai informaatiota perustuen senhetkiseen laatuun yksittäisen kohteen jäljitys tai vaatimuksen perusteella. uusien jälkien käynnistäminen Erottelemme siis jälkien päivitys- ja hakupyynnöt, jotka tulevat prioriteettien hallintaan, mikä mahdollistaa gracefulmust bech laskennallisena tutkan uudelleenkäyntiaikana ja vastaavana tutkasäteen sijaintialueena ja Doppler-porttina tai lähetettävien tutka-aaltomuotojen tyypeinä. vaativat apite revisit -välin asettamisen tutka- ja tutkasignaalien havaitsemisradan ylläpitotilassa, paikallinen hakumenettely käynnistetään, uudet tutkaparametrit asetetaan, toiminto aloitetaan mahdollisimman pienellä aikaviiveellä. Tämä paikallishakusilmukka toistetaan, kunnes joko kelvollinen havaitseminen tuotetaan tai raita on
Kehittyneet anturi- ja dynamiikkamallit, joissa on sovellus anturin hallintaan PriortY MaDwell ScLocal Search H=Track Update Requeck Search RequestTracking Systemned Vaikka uusi säteen sijainti globaalin tai sektorihakukuvion mukaan lasketaan, jos jälkihakutilaa ei havaita, alustava tunnistus on tehty varmistetaan ennen kuin uusi raita lopulta muodostetaan Onnistuneen havaitsemisen jälkeen vastaanotetun kohteen etäisyys, atsimuuttikulma, säteittäinen nopeus ja kohteen voimakkuus on arvioitu korkeaksi gAlokaatioajaksi ja odotettavissa oleva, jos adaptiivisia dynamiikkamalleja kohdedynamiikkaa käytetään niiden lisäksi. kinemaattisten ominaisuuksien vuoksi seurattavien kohteiden keskimääräinen tutka (RCS) on yleensä tuntematon ja vaihtelee signaalin amplituditiedon mukaan, mutta seurantaan käytetty energia sovitetaan kohteen todelliseen voimakkuuteen.
Tällä mittakaavalla yhteensäKoska vaihetiikan kynäsäteen paikallisesti rajoitettu valaistus, koska toisin kuin todar, jaksollinen objektivalaisin muihin tehtäviin (esim. aseiden ohjaukseen tai tietoliikennelinkkien tarjoamiseen) Tämä kaikki edellyttää älykkäitä algoritmeja säteen sijainnille ja paikalliselle etsintä [1724, [20], joka on ratkaisevan tärkeä vaiheistetun ryhmän tutkaseurannan kannalta. Seuranta ja skannaus -tutkajärjestelmiä varten Bayesin seurantatekniikka tarjoaa iteratiivisen päivitysjärjestelmän kohteen tilan ehdollisten todennäköisyyksien tiheyksille,
Anturien ja tietojen yhdistämistiedot ja a priori tiedot saatavilla Näissä sovelluksissa kohteen data-kohinasuhde (eli kynäsäteen oikea sijainti, mikä liittyy seurantajärjestelmän vastuuseen Anturien ohjaus ja tietojenkäsittely ovat Näin ollen läheisesti toisiinsa Tämä seurantaprosessin pohjimmiltaan paikallinen luonne muodostaa pääasiallisen eron välillä. Tämän lähestymistavan potentiaali on siis käytettävissä myös vaiheistetuille tutkaille.Vaikea globaalin optimoinnin ongelma, kun allokaatiot otetaan huomioon, ei ole Anturi- ja dynamiikkamallit Bayesin objektien seurannassa Tarkemmin sanottuna esian lähestymistapa tarjoaa käsittelyjärjestelmän epävarmoille tiedoille), joka mahdollistaa myös sen, että "ei tehdä tietyssä datatilanteessa Epäselvyydet voivat johtua erilaisista syistä, jotka voivat tuottaa epäselvää dataa rajoitetun resoluutionsa tai silmäsokeuden vuoksi (MTE: Liikkuvan kohteen ilmaisin)
Usein objektien ympäristössä ei ole itsestään epäselvyyksiä (tiheät esinetilanteet, jäännösmelu, ihmisen aiheuttama melu, ei-toivotut esineet) Epäsuorempi epäselvisyys syntyy esineiden käyttäytymisestä (esim. laadullisesti erilliset ohjausvaiheet) Lopuksi hyödynnettävä kontekstitieto voi sisältää myös ongelman luontaisia epäselvyyksiä, kuten risteyksiä tiekartoissa tai moniselitteisiä taktisia sääntöjä, jotka kuvaavat kaiken objektin käyttäytymistä, yleistä usean objektin tunnistimen seurantatehtävää, joka ylittää tämän johdannon) Kuitenkin monissa sovelluksissa (much) vähemmän monimutkainen Tämän keskustelun mukaan etenemme seuraavilla linjoillaPerus: ajat tuottavat kiinnostavia kohteita. Nämä anturitiedot ovat esimerkki aikasarjasta, joka vaatii kohteen sijaintia, sen nopeutta ja kiihtyvyyttä. 'anturin datan luoma aikasarja Ongelma: Anturitiedot ovat epätarkkoja, epätäydellisiä ja mahdollisesti eApproch: tulkitse anturimittauksia ja objektin tilavektorit satunnaismuuttujiksi Kuvaile todennäköisyystiheysfunktioilla (pdf) mitä näistä satunnaisista tiedetään Ratkaisu: Johda iteraatiokaavat laskemista varten tilamuuttujien todennäköisyystiheysfunktiot ja kehittää mekanismi iteraation aloittamiseksi. Johda tilaarviot pdf-tiedostoista sopivan laadun mea kanssa
Kehittyneet anturi- ja dynamiikkamallit, joissa on sovellus anturiin. Hallitsevat ajanhetket, jotka on merkitty bkder joukkoon Z=zuseita objekteja x on yhteinen st. Vastaava aikasarja aina f asti on rekursiivisesti määritelty kaavalla 2=lZ2) Keskeinen kysymys objektin seuranta on: Mitä voidaan tietää objektin tilahetkestä f, eli menneisyydestä( k), datankeräysaikojen2 perusteella? Aikaisemmin piirretyn mukaan ehdollisten todennäköisyystiheysfunktioiden (pdf)P(x 2) antama ais lasketaan iteratiivisesti Bayesin säännön seurauksena.
Forie hylkää tilat nykyisellä hetkellä tu, saamme:P(xk 2Z)P(Zk, nkxk)P(xk 2sdxk P(Zk, nkxk)p(xk[Zk-)Toisin sanoen P(x) 2) voidaan laskea pdf-tiedostoista p(x 2) ja P(Z, nk xIlmeisesti, peZs m x) täytyy tietää n vain vakiokertoimeen asti Mikä tahansa funktio(xk;2k,nk)∝xp(zkresult Tätä tyyppiä kutsutaan myös todennäköisyyden päätelmiksi ja se kuvaa mitä voidaan oppia nykyisestä anturin lähdöstä Z, n kohteen tilasta x tämän jälkeen. Tästä syystä todennäköisyysfunktioita kutsutaan usein myös "anturimalleiksi", koska ne edustavat matemaattisesti tietoja ja ominaisuuksia. -erotetut kohteet, täydellinen tunnistus, väärän arvon puuttuessa lineaaristen funktioiden bias-vapauksille Objektin tilan Hix kohinamittarilla, joka on karakterisoitu arianssimatriisilla R,, funktiot ovat verrannollisia Gaussin: E(x z Hk R)M(z H x , R)B Ennuste päivittää aika t yhtälön 1 perusteella on ennuste kohteen tilan tiedosta mittauksille, jotka on vastaanotettu siihen asti ja mukaan lukien edellinen aika f-1 tulee peliin tuottaen p(xk2k-1)=/dxk-1p(xkx -1,2-1)p(xk-12k-1) Tilasiirtymätiheyttä p(x- 1 2 ) kutsutaan usein "objektin dynamiikkamalliksi" ja se edustaa temaattisesti kinemaattista kohdetta samalla tavalla kuin todennäköisyysfunktio edustaa senso1)Gauss-Markov-dynamiikka: Gauss-Markov-dynamiikka, joka määritellään siirtymistiheydellä P(xkxk-1, ZR-)=N(*k; F:k-1Xk-1, Dkk-1)
Anturin ja tiedon fuusioterministinen osa ajallisesta evoluution ja D: k(dynamkarakterisoi sen stokastista osaa Jos oletetaan lisäksi, että edellinen posteriori)=N(xk-1;xk-1k-1,Pk=1k-1) 2-) on myös gauP(xk[ -)=N(*k; Xkk-1, PkIk-1) ja kovarianssimatriisi PJk-l, jonka antaa Fkk-1Pk-llk-1Fkk-1+ Tämä johtuu suoraan hyödyllisestä tulokaava gaussialw(z: Hx, R)N(x; y, P)= N(z: Hy, S)xN(x; y+Wv, P-wSw)w(x; Q(P-x+) H z),Q)v=Z-Hy, S=HPH+R, W=PHS,Q=P+HR H (10) Huomaa, että tämän kaavan soveltamisen jälkeen yhtälön 3 integrointimuuttuja x-1 on nus triviaali as2)IMM Dynamics Model: Inal sovellus, jolle on ominaista eri moodit1n, voidaan käsitellä dynaamisilla malleilla tietyllä todennäköisyydellä vaihtaa niiden välillä (IMM: InteractingMultiple Models, [2], [6] ja siinä mainittu kirjallisuus) Mallin siirtymän todennäköisyydet ovat mallinnus tiukasti ottaen oletetaan, että r mallian ja olkoon j dynamiikkamallin oletettu vaikuttavan hetkellä tk Markovin kytkentäkertoimien järjestelmien tilastolliset ominaisuudet on tiivistetty seuraavaan yhtälöön p(ak, jk rk-1, jk-1)=p(ak zk- 1, jk)plkLjk-1) Luonnos M(z: Hx R)Mxy, P liitostiheydenä p(z, x)p(z xop(x])
Se kirjoitetaan Gi:nä, josta reuna- ja ehdolliset tiheydet P(z), P(x z)cabe käyttävät tunnettuja kaavoja thetrixille (katso [2, P 22], esim. ) P(z, x) )=p(x z)(z) saa kaavan tuloksen
Kehittyneet anturi- ja dynamiikkamallit, joissa on sovellus anturinhallintaanP(eljk-1)N(xk; Fklk-1xk-1, D/k-1)king perfoe eivät näytä olevan kriittisesti riippuvaisia tietystä valinnan siirtymän todennäköisyydestä P( A Ljk-1), jos mukana olevien mallien lukumäärä r on pieni. Oletetaan, että edellinen posteriori on kirjoitettu Gaussin sekoituksena,=∑p(xk-1,J-12-)(14)xf yksittäiset Gaussinit Vektoriindeksi jl1 määritellään ju-1=jukl eli seos p(x
12-)rw komponentit, joissa n on parametri Sitten= 1 vastaa tämän tyyppistä tilannetta standardevious posteriori, saadaan ennusteen päivitykselle:p(x2-1)=∑dxk1p(xk,jixk-1, i-1)p(xk-1,e-12-1)(16)∑∑:1N(xk;xk1,P如1)∑∑:N(x;x8)painotuskertoimilla Phlk-1, yskänpoisto xkk-1arianssimatriisiP/sPl-1=P(cljk-1)P(k-112-)P
Anturi ja data fuusioMomenttisovituksen [2, P 56] avulla seoksen komponenttien lukumäärä voidaan pitää vakiona, jos∑燦1N(xk;x1,Pk1)≈p2-1)N(xk;xith pGjk1zk-), xkik-I ja Plik, jonka antaa 內:xk:Pk∑h=1(P1+(x1一-x-1)(x1-xyanen Gaurepresentation of p(x 2-)witmixtureC Suodatuspäivitys Askel edellisiin huomioihin, ehdollinen pdf p(x yhdistämällä seuraavat todisteet: P(x- 2 )(tieto thex-1)(objektin dynamiikka), t(x Z, m)(mittaukset,d Kalmanin päivitys Kaavat: Jos hyvin erotettu kohteet ihanteellisissa olosuhteissa ilman vääriä palautuksia, olettaen täydellisen havaitsevan dynamiikkamallin ja Gaussiaerrors, tunnetut Kalman-suodatustulokset lähestymistavan rajoittavana tapauksena
Kalman-suodatin on siis yksinkertainen suoraviivainen toteutus Bayesin seurannasta. Tässä idealisoidussa tilanteessa, eli withp(xkxk-1)=N(xk; FkIk-1Xk-1, Dkk-1)e(xk; zk)= N(zk: HkXk, Rkdge kullakin hetkellä t yhtälön 9 mukaisesti), saamme I(zk-HKXPkk(PKk-Xkk-1+HKR*zk)