基于傳感器網絡的多目標跟蹤和特征管理方法
加入技術交流群
信息融合能夠降低目標交叉運動所產生的不確定性。鑒于香農信息效率的優越性，在該試驗中我們運用了該方法來實現信息的融合。圖6所示為融合的信任向量，圖7為實現狀態估計融合后各傳感器所估算的軌跡。
6 結論
筆者主要對傳感器網絡下多目標的跟蹤和特征管理方法進行了研究。數據關聯和多目標跟蹤的問題能夠由馬爾科夫鏈蒙特卡洛數據關聯算法有效地解決，該算法能夠對數量未知且數量隨時間變化的多目標進行跟蹤。文中還講述了一個可擴展的分布式多目標跟蹤和身份管理(DMTIM)算法，該算法能夠對多目標進行跟蹤，并在分布式傳感器網絡環境下能夠有效地管理目標的特征。DMTIM算法由數據關聯，多目標跟蹤，特征管理，以及信息融合四部分所組成。DMTIM能夠對某目標特征的本地信息進行有效地整合，以降低系統的不確定性，并通過信息融合來保持相鄰傳感器的本地一致性。
評論