基于傳感器網(wǎng)絡(luò)的多目標(biāo)跟蹤和特征管理方法
加入技術(shù)交流群
信息融合能夠降低目標(biāo)交叉運動所產(chǎn)生的不確定性。鑒于香農(nóng)信息效率的優(yōu)越性，在該試驗中我們運用了該方法來實現(xiàn)信息的融合。圖6所示為融合的信任向量，圖7為實現(xiàn)狀態(tài)估計融合后各傳感器所估算的軌跡。
6 結(jié)論
筆者主要對傳感器網(wǎng)絡(luò)下多目標(biāo)的跟蹤和特征管理方法進行了研究。數(shù)據(jù)關(guān)聯(lián)和多目標(biāo)跟蹤的問題能夠由馬爾科夫鏈蒙特卡洛數(shù)據(jù)關(guān)聯(lián)算法有效地解決，該算法能夠?qū)?shù)量未知且數(shù)量隨時間變化的多目標(biāo)進行跟蹤。文中還講述了一個可擴展的分布式多目標(biāo)跟蹤和身份管理(DMTIM)算法，該算法能夠?qū)Χ嗄繕?biāo)進行跟蹤，并在分布式傳感器網(wǎng)絡(luò)環(huán)境下能夠有效地管理目標(biāo)的特征。DMTIM算法由數(shù)據(jù)關(guān)聯(lián)，多目標(biāo)跟蹤，特征管理，以及信息融合四部分所組成。DMTIM能夠?qū)δ衬繕?biāo)特征的本地信息進行有效地整合，以降低系統(tǒng)的不確定性，并通過信息融合來保持相鄰傳感器的本地一致性。
評論