[发明专利]基于密度分析和谱聚类的多扩展目标跟踪量测集划分方法

摘要

本发明公开了一种基于密度分析和谱聚类的多扩展目标跟踪量测集划分方法，主要解决噪声环境下，多扩展目标数未知且变化的量测集难以划分、计算代价高的问题。该方法采用高斯核构建量测集的密度分布函数，然后根据密度直方图技术选取密度阈值，滤除量测集中的杂波量测，并引入近邻传播技术构建去杂波量测数据集的相似度矩阵，最后，对该相似度矩阵进行拉普拉斯谱变换，采用K均值算法对其进行聚类。本发明方法能够准确划分多扩展目标量测集，降低计算代价，以提高多扩展目标跟踪性能，满足实际工程系统的设计需求。

主权项

1.基于密度分析和谱聚类的多扩展目标跟踪量测集划分方法，包括：（1）构造量测密度函数：本发明采用高斯核函数为密度函数，设k时刻量测集为，则量测密度函数为：，其中，为k时刻第i个量测，N_z,k为k时刻量测数，表示量测和为近邻关系，为量测和的距离，h为高斯核函数窗宽；（2）采用密度直方图方法选取量测的密度阈τ；（3）滤除杂波量测：若量测密度大于量测密度阈值，即f()>τ，为目标量测，否则，判定为杂波量测，并将其从量测集中删除，则去杂波后的量测集为：G_k={|f()>τ}；（4）对量测集G_k进行谱聚类：    　(4.1) 构建量测集G_k的相似度矩阵C；(4.2) 计算度矩阵D和标准化的拉普拉斯矩阵L，其中，L=D^1/2CD^1/2，D的对角元素为，非对角元素为0；   　 (4.3) 计算矩阵V：拉普拉斯矩阵L的前K个特征值1=λ₁≥…≥λ_K相对应的特征向量v₁，v₂，…，v_K，构成矩阵V=[v₁，v₂，…，v_K]；(4.4) 标准化矩阵V，获得矩阵Y，其中，；   　 (4.5) 将Y的每一行看成是K维空间中的一个样本，采用K-means++技术将样本聚成K类，其中K∈(K_L,K_U)的整数，量测集G_k的一个聚类结果为Class(K);(4.6) 重复迭代步骤(4c)-(4e)，获得量测分区;（5）根据量测分区P_k，采用高斯混合概率假设密度多扩展目标滤波方法提取目标状态，重复步骤（1）。