Resumen

El algoritmo de densidad de hipótesis de probabilidad cardinalizada gamma gaussiana inversa de Wishart (GGIW-CPHD) siempre se utilizó para rastrear objetivos de grupo en presencia de mediciones desordenadas y detecciones perdidas. Se propone un algoritmo GGIW-CPHD de modelos múltiples basado en el método de aproximación gaussiana de mejor ajuste (BFG) y el filtro de seguimiento fuerte (STF) con el objetivo de corregir el defecto de que el error de seguimiento del algoritmo GGIW-CPHD aumentará cuando los objetivos del grupo maniobren. Se propone el método de aproximación gaussiana de mejor ajuste para implementar la fusión de múltiples modelos utilizando el filtro de seguimiento fuerte para corregir la matriz de covarianza prevista del componente GGIW. Se deducen las correspondientes funciones de verosimilitud para actualizar la probabilidad de múltiples modelos de seguimiento. A partir de los resultados de la simulación podemos ver que el algoritmo de seguimiento propuesto MM-GGIW-CPHD puede tratar eficazmente la combinación/desaparición de grupos y se reduce el error de seguimiento de los objetivos de grupo en la etapa de maniobra.

• Materias:Biotecnología Nanotecnología Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Nanotechnology Sensor networks Sensor system Sensor technology
• Palabras claves:método de aproximación gaussiana, filtro de seguimiento fuerte, objetivos de grupo, ggiw, algoritmo cphd, error de seguimiento, funciones de verosimilitud correspondientes, modelos múltiples ggiw, modelos múltiples de seguimiento, densidad de hipótesis de probabilidad
• Keywords:gaussian approximation method, strong tracking filter, group targets, ggiw, cphd algorithm, tracking error, corresponding likelihood functions, multiple models ggiw, multiple tracking models, probability hypothesis density