多目标跟踪中的神经网络方法

本文分析了多目标跟踪的经典方法，讨论了该经典方法的组合爆炸问题，陈述了多目标跟踪中的神经网络方法，此法不仅可以解决传统方法带来的组合爆炸问题，从而实现时多目标跟踪，而且还可以解决跟踪精度问题，提高跟踪的准确性。     

基于自组织神经网络的多目标跟踪方法

本文陈述了多维Kohonen网络和网络的学习算法，提出了一种使用多维Kohonen网络求解多目标跟踪问题的神经网络方法。仿真结果表明Kohonen网络能够用于求解多目标跟踪问题，克服了传统方法的组合爆炸问题，提高了跟踪速度和精度。     

基于改进BP算法的多目标跟踪研究

本文讨论了机动多目标跟踪的改进BP神经网络方法,它不同于传统的机动多目标跟踪方法,无需对机动目标运动方程的结构有明确的了解.仿真结果表明,此方法不仅可以解决传统方法带来的计算量组合爆炸问题,而且对于机动目标的状态估计有较高的精度和可信度.     

水下多目标跟踪的网络层次决策方法

水下多目标跟踪逻辑与决策是水下航行器多目标跟踪中需解决的技术难点．目前用于水下多目标跟踪决策的方法都假设各个决策因素相互独立，而实际上水下多目标跟踪决策的因素之间存在着相互影响．本文根据这一特点，建立了水下多目标跟踪决策的指标集和相应的ANP决策模型，提出了基于ANP的水下多目标跟踪逻辑与决策方法．该方法将水下多目标跟踪决策的指标集纳入网络层次结构模型，并通过模型解算得到优化的多目标跟踪决策，具有决策结果比现有方法更加合理、稳健的特点．仿真结果表明该方法是在多目标跟踪决策因素之间存在相互影响情况下解决水下多目标跟踪逻辑与决策问题的有效方法．     

基于Hopfield神经网络的雷达多目标跟踪

针对海上船舶雷达在多目标跟踪过程中实时性较差和不能快速响应的问题,提出目前密集杂波情况下多目标跟踪中最为有效的数据关联算法——联合概率数据关联(Joint Probabilistic Data Association,JPDA)算法。为解决JPDA随着目标增多的情况会出现的组合“爆炸”及计算量较大导致跟踪实时性较差的问题,从分析联合概率数据关联确认矩阵着手,依据Hopfield神经网络在解决旅行商问题(Travelling Salesman Problem,TSP)时的思路,提出基于Hopfield神经网络联合概率数据关联(Hopfield Neural Network Joint Probability Data Association,H-JPDA)来改进联合概率数据关联算法,通过简化矩阵拆分过程,显著减少计算量,提高跟踪的实时性。基于上述改进的神经网络联合概率数据关联算法,通过MATLAB对多目标跟踪进行仿真,仿真结果表明该算法能提高跟踪的实时性和快速响应能力。     

基于混沌神经网络的多目标数据关联

研究了多目标跟踪中的数据关联问题。利用混沌动态的遍历性，搜索过程可避免陷入局部极小。仿真结果表明，利用混沌神经网络实现多目标数据关联是可行的，且比Hopfield神经网络有更高的收敛效率。     

基于并行Boltzmann机的多目标跟踪研究

聚合概率数据关联滤波方法的关键是求解数据关联概率βｉ＾ｔ。本言首先研究了密集多回波环境下的多目标数据关联问题，进而应用神经网络Ｂｏｌｔｚｍａｎｎ机，结合模拟退火方法，求解数据关联概率βｉ＾ｔ，把求得的βｉ＾ｔ用于卡尔曼滤波跟踪器计算目标位置的量测修正，达到多目标跟踪，仿真结果表明，该方法能很好地进行多目标跟踪，而且回波愈密集，其优越性能愈为突出。     

基于混沌神经网络的多目标数据关联

研究了多目标跟踪中的数据关联问题.利用混沌动态的遍历性,搜索过程可避免陷入局部极小.仿真结果表明,利用混沌神经网络实现多目标数据关联是可行的,且比Hopfield神经网络有更高的收敛效率.     

基于Kohonen神经网络的多传感器多目标跟踪方法

本文描述了一个Ｎ维Ｋｏｈｏｎｅｎ神经网络和算法,提出了多传感器多目标跟踪（ＭＳＭＴＴ）的Ｋｏｈｏｎｅｎ神经网络方法,认真研究表明该方法的有效性,可提高目标跟踪的速度和精度。     

基于混沌神经网络的多目标跟踪技术研究

本文应用混沌神经网络求解多目标跟踪中的数据关联问题,给出了混沌神经网络的模型,构造了数据关联的能量函数表达式,在数据关联过程中,采用退火算法。仿真结果表明,应用混沌神经网络求解数据关联比Hop fie ld网络具有更块的收敛速度和更小的关联误差。     

多目标跟踪中的目标位置及速度数据融合

基于多传感器数据融合理论，提出了一种在杂波环境下解决多目标跟踪的方法，即利用位置，速度的融合，得到比较满意的多目标跟踪运动轨迹，给出了有效的融合算法，并进行了仿真，通过仿真可以看出这是一种实用，有效的多传感器融合。     

基于Kohonen神经网络的多传感器数据关联算法

提出了一种基于Konhonen神经网络的多传感器多目标跟踪数据关联算法，该方法是将多传感器的测量数据进行自组织聚类，从而实现测量数据的关联，利用融合估计完成对多目标的状态估计，计算机仿真结果表明了该算法的有效性。     

基于UKF的Rao-Blackwellized粒子滤波器多传感器多目标跟踪算法研究

在纯方位多传感器多目标跟踪问题中,状态的测量通常是来源未确定的观测量,在杂波环境尤为如此,需要同时解决多个目标的测量和目标之间的关联问题。本文提出一种新的基于Rao-Blackwellized思想的RBPF-UKF算法。该算法利用Rao-Blackwellized将多目标跟踪问题转化为2个子问题:数据关联及单目标跟踪问题,利用粒子滤波中的序列重要性重采样原理解决多目标跟踪的数据关联问题,用UKF滤波器实现单目标跟踪。仿真结果表明,RBPF-UKF算法能很好地解决多目标数据关联问题,与RBPF-EKF算法相比具有更高的滤波精度及稳定性,体现了该算法的优越性。     

求解多目标跟踪中数据互联问题的数字网络结构研究

在多目标跟踪情况下,求解数据互联问题要求计算把第i个量测分配给第t个目标的概率βi^t。该文阐述了求解数据互联概率βi^t的神经网络方法,介绍了具有神经元网络结构的数字实现,并分析了该神经元网络结构的稳定性和收敛性。     

基于模糊神经网络的水下机器人推进系统故障诊断

为了解决水下机器人推进系统运行可靠性问题，提出一种基于模糊神经网络的机器人推进系统故障诊断方法，用以解决故障诊断过程中信息的不确定性问题，并提高推进系统的整体可靠性。该方法在常规神经网络基础上，引入模糊推理形成一种新型模糊神经网络结构，提出一种最小调整的模糊神经网络学习率，完成模糊神经网络训练算法的推导。通过对水下机器人实施定速直航与转向等试验完成神经网络的在线训练，利用已完成训练的神经网络对机器人进行运动建模。通过比对神经网络模型估计值与机器人传感器的实测值获取残差信息，并对残差进行故障信息提取以实现故障诊断。将上述方法应用于仿真试验中，结果表明，基于模糊神经网络水下机器人推进系统故障诊断方法具有较高的可行性和有效性。     

基于Kohonen神经网络的多传感器数据关联算法

提出了一种基于Konhonen神经网络的多传感器多目标跟踪数据关联算法,该方法是将多传感器的测量数据进行自组织聚类,从而实现测量数据的关联,利用融合估计完成对多目标的状态估计.计算机仿真结果表明了该算法的有效性.     

基于神经网络的工程图表数值计算

以典型的工程图表为例，提出了一种用神经网络来解决工程设计中的查表问题的实用方法。计算结果表明，对于一个较为复杂的工程图表，需要一个4层的BP神经网络才能很好地处理，从而为工程设计CAD提供了一个有效的方法。     

基于PHD滤波的多目标跟踪及应用研究

近年来,基于概率假设密度(Probability Hypothesis Density,PHD)滤波的多目标跟踪技术已成为信息融合研究的热门领域。文章概述了基于PHD滤波的多目标跟踪方法的产生和发展状况,对PHD滤波的原理和实现方法进行阐述,介绍了基于PHD滤波的多目标跟踪评价指标,重点对基于PHD滤波的应用现状进行总结概述,并对下一步PHD滤波技术发展需要重点关注的几个问题进行总结。     

水下多目标跟踪技术综述

水下多目标跟踪技术在声呐探测、水中武器、水下对抗、作战监视、海上安全作业及海洋开发等领域有着重要的应用价值。本文介绍了水下多目标跟踪技术的国内外现状,总结了水下多目标跟踪中的关键技术及其发展现状和存在问题,最后还介绍了基于随机有限集的多目标跟踪新技术。     

自适应神经网络在结构近似分析方法中的应用

本文讨论了神经网络的拓扑结构问题，在监督学习推广的δ规则基础上，利用自构形神经网络的概念和算法，解决了隐节点数目的选取问题，同时利用一个三层神经网络来描述任一弹性结构的应力，位移等量和结构设计变量之间的映射关系。计算了五个内壁表面带有半椭圆裂纹的自增强厚壁筒表面裂纹应力强度因子，数值结果表明本文的方法是有效的。