i k = ( i k , i k -1 ,...,... ), ya’ni ma’lumotlarni sharhlash tarixi bilan tavsiflanadi .
p ( x k │ k ) uchun Gauss aralashmasining tuzilishi, agar IMM bashorati p ( x k │ k -1 ) (oldingi bo‘limga qarang) Gauss ehtimollik funksiyasi ℓ ( x k ; z k , ) yordamida yangilansa ham yuzaga keladi. H k , R k ) =
N ( z k ; H k x k , R k ) 1-tenglama va mahsulot formulasiga (9- tenglama) muvofiq:
(41)
(42)
Bu erda aralashmaning parametrlari quyidagicha ifodalanadi:
(43)
(44)
(45)
standart Kalman Gain va Innovation Covariance matritsalari bilan
(46)
(47)
Shunday qilib, IMM filtrlash bir nechta "model farazlari" kuzatuv usuli sifatida ko'rib chiqilishi mumkin. Shuningdek, adabiyotlarda birlashtirilgan IMM-MHT-yondoshlari muhokama qilinadi, masalan [23]. Bir nechta gipoteza, bir nechta modelni kuzatish muammosini muqobil davolash uchun [34], [35] ga qarang.
E. Xulosa va amalga oshirish jihatlari
Bayes kuzatuv algoritmi shartli ehtimollik uchun iterativ yangilash sxemasidir.
zichlik funktsiyalari p ( x l │ k ) vaqt t l ning diskret lahzalarida kuzatilishi kerak bo'lgan ob'ektlarning kinematik holat vektorlari x l bo'yicha barcha mavjud bilimlarni ifodalaydi . Pdflar shartlangan
ikkala sensor ma'lumotlari k ma'lum vaqtgacha to'plangan t k , odatda joriy skanerlash vaqti va mavjud kontekst ma'lumotlari, masalan, sensor xususiyatlari, ob'ekt dinamikasi, muhitlar, topografik xaritalar, taktik qoidalar. X l holat vektorlari uchun taxminlar talab qilinadigan t l vaqtiga qarab , tegishli baholash jarayoni bashorat qilish ( t l > t k ) va filtrlash ( t l = t k ) deb ataladi . Quyida iterativ hisoblash sxematik tarzda tasvirlangan:
14 Sensor va ma'lumotlarni birlashtirish
(48)
Haqiqiyroq sharoitlarda pdf fayllari cheklangan aralashmalar tuzilishiga ega, yaʼni alohida maʼlumotlar talqini yoki model gipotezalarini toʻgʻri deb hisoblaydigan individual zichliklarning vaznli yigʻindisi. Ushbu tuzilma sensor ma'lumotlarining noaniq kelib chiqishi va/yoki tizimning asosiy dinamikasi bilan bog'liq noaniqlikning bevosita natijasidir. Taqdim etilgan
p ( x l │ k ) zichliklari to'g'ri hisoblangan bo'lsa, ilovalarga moslashtirilgan turli xavf funktsiyalari bilan bog'liq optimal baholovchilar olinishi mumkin. Ushbu Bayes sxemasining kengaytirilgan ob'ektlar va ob'ektlar klasterlariga umumlashtirish va retrodiktsiya [23] uchun [19] ga qarang.
Sensor ma'lumotlarining kelib chiqishi noaniqligi tufayli sodda tarzda qo'llaniladigan Bayesian kuzatuvi olib keladi
xotira portlashi. Aralashma zichligidagi komponentlar soni p ( x k │ k ) har bir bosqichda eksponent ravishda o'sib boradi. Shuning uchun har qanday amaliy amalga oshirishda suboptimal yaqinlashish usullari muqarrar. Yaxshiyamki, ko'pgina ilovalarda bashorat qilish va filtrlash natijasida hosil bo'lgan zichliklar bir muncha vaqt o'zgaruvchan va hatto katta bo'lishi mumkin bo'lgan cheklangan sonli rejimlar bilan tavsiflanadi, lekin portlovchi o'smaydi. Bu zichlik iteratsiyasini juda jiddiy buzmasdan, aralashmaning tarkibiy qismlarining sonini nazorat ostida ushlab turadigan moslashtirilgan yaqinlashish usullarining asosidir [12], [32]. Boshqacha qilib aytadigan bo'lsak, zichliklarni ko'pincha (uzoq) kamroq tarkibiy qismlarga ega aralashmalar bilan (masalan, o'xshashlarni birlashtirish va aralashmaning ahamiyatsiz komponentlarini kesish orqali) taxmin qilish mumkin. Zichliklarning tegishli xususiyatlari saqlanib qolgan taqdirda, natijada olingan suboptimal algoritmlar optimal Bayes filtrlashiga yaqin bo'lishi kutilmoqda. Chiziqli bo'lmagan holatlar bilan ishlash uchun "kengaytirilgan" yoki "xushbo'y" Kalman filtrlash (EKF [2], UKF [14]) yoki zarracha filtrlash (PF [31]) qo'llanilishi mumkin.
|
