基于Hopfield神经网络的雷达多目标跟踪

发布时间：2022-02-14 20:38

　　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。 

【文章来源】：中国航海. 2020,43(01)北大核心CSCD

【文章页数】：5 页

【部分图文】：

图1 两目标预测值及椭圆跟踪门观测值

每个神经元由一个运算放大器和相关的元件组成,其输入一方面由输出的反馈组成,另一方面也有以电流形式从外界连接进来的输入,以b1、b2、b3如图2所示。根据基尔霍夫电流定律,C i du i dt + u i R i0 = ∑ i=1 n 1 R ij (y j -u i )+b i ?????? ??? (6)

仿真环境为处理器Inter(R)Core(TM)i7-7500U CPU@2.70GHz 2.90 GHz,8.00 GB内存。仿真平台为MATLAB 2017b。[15]目标的实际运动轨迹以及联合概率数据关联下的目标的观测和估计运动轨迹分别见图3和图4。测量值与估计值之间的均方差见图5。滤波值与估计值的均方差同测量值与估计值的均方差之间的比值见图6。MATLAB平台仿真得到JPDA与H-JPDA运行时间比较见表3。由表3可知:基于Hopfield神经网络联合概率数据关联运行时间明显优于联合概率数据关联,提高目标跟踪的速率以及目标跟踪的实时性。图4 目标观测和估计运动轨迹

【参考文献】：
期刊论文
[1]一种改进的联合概率数据关联算法[J]. 骆荣剑,魏祥,李颖.  重庆理工大学学报(自然科学). 2018(06)
[2]海上目标多源轨迹数据关联综述[J]. 鹿强,吴琳,陈昭,王琪,徐勇军,阚荣才.  地球信息科学学报. 2018(05)
[3]分类信息辅助的神经网络联合数据关联算法[J]. 杜鹏,吴军,吴志峰,王蕊.  弹箭与制导学报. 2010(02)

硕士论文
[1]基于多源信息融合的多目标跟踪算法研究[D]. 于洪洋.哈尔滨工业大学 2014
[2]基于神经网络的机动多目标跟踪技术研究[D]. 张婧.西北工业大学 2007
[3]数据挖掘及融合技术研究与应用[D]. 黄玲.西北工业大学 2004



本文编号：3625233