摘 要：為了實(shí)現(xiàn)對(duì)移動(dòng)目標(biāo)的跟蹤，提出了一種新穎的基于目標(biāo)狀態(tài)可觀測(cè)性和多模態(tài)數(shù)據(jù)粒子濾波（ＰａｒｔｉｃｌｅＦｉｌｔｅｒ，ＰＦ） 的跟蹤方案。通過部署在目標(biāo)移動(dòng)區(qū)域中的傳感器獲得跟蹤目標(biāo)的距離和到達(dá)方向測(cè)量值，對(duì)接收到的數(shù)據(jù)進(jìn)行預(yù)處理來計(jì)算ＰＦ 的觀測(cè)值，以形成一個(gè)臨時(shí)距離圖像。通過利用狀態(tài)更新函數(shù)和形成的候選圖像模板確定目標(biāo)狀態(tài)向量；在ＰＦ 器中加入額外的加權(quán)階段，使得ＰＦ 器可自適應(yīng)地同步多模態(tài)數(shù)據(jù)流，以實(shí)現(xiàn)魯棒的目標(biāo)跟蹤。仿真實(shí)驗(yàn)結(jié)果驗(yàn)證了所提方案能夠有效地跟蹤移動(dòng)目標(biāo)。

關(guān)鍵詞：無線傳感器網(wǎng)絡(luò)；移動(dòng)目標(biāo)跟蹤；狀態(tài)向量；粒子濾波；多模態(tài)數(shù)據(jù)；傳播延遲

中圖分類號(hào)：ＴＰ３９３ 文獻(xiàn)標(biāo)志碼：Ａ 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（ＯＳＩＤ）：

文章編號(hào)：１００３－３１０６（２０２４）０６－１５０４－０８

０ 引言

在大規(guī)模監(jiān)控系統(tǒng)中，通常采用不同數(shù)量和不同類型的傳感器來跟蹤目標(biāo)。如高速公路交通監(jiān)控系統(tǒng)和無線傳感器網(wǎng)絡(luò)［１－２］。然而，微電子技術(shù)的進(jìn)步導(dǎo)致廉價(jià)和高分辨率傳感器的出現(xiàn)，使得每個(gè)傳感器能夠收集大量測(cè)量數(shù)據(jù)。在跟蹤應(yīng)用中，需要在線處理數(shù)據(jù)以獲得對(duì)目標(biāo)的估計(jì)跟蹤。在貝葉斯框架中，涉及與狀態(tài)空間模型相關(guān)聯(lián)的濾波分布的順序推斷。在處理大量測(cè)量數(shù)據(jù)時(shí)，這是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。

另一個(gè)挑戰(zhàn)是狀態(tài)空間模型以非線性和／ 或非高斯噪聲為特征時(shí)，濾波分布的封閉形式解通常是不可用的。序列蒙特卡洛（Ｓｅｑｕｅｎｔｉａｌ Ｍｏｎｔｅ-Ｃａｒｌｏ，ＳＭＣ）方法［３］或粒子濾波（Ｐａｒｔｉｃｌｅ Ｆｉｌｔｅｒ，ＰＦ）［４］是一組常用技術(shù)，用于獲得濾波分布的離散近似。ＰＦ已成功地應(yīng)用于諸多領(lǐng)域。然而，ＰＦ 在某些條件下易受權(quán)重簡(jiǎn)并和樣本缺乏的影響，以及可能的巨大計(jì)算量。

由于模型的復(fù)雜性，單個(gè)傳感器觀測(cè)到的測(cè)量值可能不足以準(zhǔn)確估計(jì)周圍環(huán)境中目標(biāo)的狀態(tài)。因此，傳感器節(jié)點(diǎn)需要協(xié)作估計(jì)狀態(tài)。測(cè)量值可以在每個(gè)傳感器節(jié)點(diǎn)上局部處理，也可以通過首先將所有測(cè)量數(shù)據(jù)傳輸?shù)揭粋€(gè)中央處理節(jié)點(diǎn)進(jìn)行全局處理。在后一種情況下，可以采用單一的ＰＦ 來獲得估計(jì)值。在文獻(xiàn)［５］提出的方法中，測(cè)量值在傳輸?shù)街醒胩幚砉?jié)點(diǎn)之前被量化。然而，在大量測(cè)量的情況下，這仍然會(huì)導(dǎo)致無法接受的通信成本。

另一種方法稱為分布式ＰＦ。根據(jù)數(shù)據(jù)通信成本、網(wǎng)絡(luò)結(jié)構(gòu)、計(jì)算復(fù)雜度、估計(jì)精度、魯棒性、可擴(kuò)展性和延遲，分類為各種各樣的分布式ＰＦ。當(dāng)分布式ＰＦ 應(yīng)用于具有活躍節(jié)點(diǎn)的網(wǎng)絡(luò)時(shí)，一般有２ 種結(jié)構(gòu)：第一種是基于分布式ＰＦ 的融合中心，該結(jié)構(gòu)采用每個(gè)傳感器節(jié)點(diǎn)上的局部ＰＦ 獲取局部后驗(yàn)信息，然后將后驗(yàn)信息傳輸?shù)饺诤现行?。融合中心結(jié)合所有局部后驗(yàn)信息來得到全局后驗(yàn)的估計(jì)值，這是通過將局部后驗(yàn)表示為高斯混合［６］和直方圖［７］來實(shí)現(xiàn)的。這種技術(shù)的不足之處是全局后驗(yàn)只在集中處理節(jié)點(diǎn)可用。第二種結(jié)構(gòu)稱為完全分布式ＰＦ。在這種情況下，每個(gè)節(jié)點(diǎn)通過與網(wǎng)絡(luò)中的其他節(jié)點(diǎn)通信來計(jì)算全局后驗(yàn)。完全分布式ＰＦ 有許多變體?；诠沧R(shí)的分布式ＰＦ 已經(jīng)用于描述網(wǎng)絡(luò)運(yùn)行，每個(gè)傳感器節(jié)點(diǎn)只能與相鄰的傳感器節(jié)點(diǎn)通信。這些ＰＦ 根據(jù)以分布式方式計(jì)算的內(nèi)容而變化。在文獻(xiàn)［８－９］提出的算法中，全局粒子權(quán)重由局部權(quán)重計(jì)算得到；另一種方法是基于高斯或高斯混合近似的局部后驗(yàn)進(jìn)行全局后驗(yàn)的分布計(jì)算；另外的方法是全局似然函數(shù)［１０］的分布式計(jì)算；文獻(xiàn)［１１］提出采用參數(shù)逼近來表示分布式傳感器網(wǎng)絡(luò)ＰＦ 中的全局似然函數(shù)。

在靜態(tài)馬爾科夫鏈蒙特卡洛（Ｍａｒｋｏｖ ＣｈａｉｎＭｏｎｔｅ-Ｃａｒｌｏ，ＭＣＭＣ）仿真中，已經(jīng)提出了多種不同的方法來處理大量數(shù)據(jù)。基于分而治之的技術(shù)著重于對(duì)測(cè)量值進(jìn)行細(xì)分，并在每個(gè)細(xì)分的測(cè)量集上并行運(yùn)行單獨(dú)的ＭＣＭＣ 采樣器。從單獨(dú)的ＭＣＭＣ 采樣器中得到的樣本，稱為局部樣本，然后將其合并得到完全后驗(yàn)分布的樣本，稱為全局樣本。分而治之法的不同之處在于如何組合局部樣本來獲得全局樣本。在文獻(xiàn)［１２］提出的算法中，全局樣本是局部樣本的加權(quán)平均，該方法在高斯假設(shè)下僅在理論上是有效的。在文獻(xiàn)［１３］提出的算法中，來自單獨(dú)的ＭＣＭＣ 采樣器的局部后驗(yàn)被近似為高斯或高斯核密度估計(jì)，然后可以通過局部密度的乘積得到全局樣本。文獻(xiàn)［１４］提出了一種通過將離散核密度估計(jì)表示為連續(xù)的Ｗｅｉｅｒｓｔｒａｓｓ 變換的思想。在文獻(xiàn)［１５］提出的算法中，組合是基于局部后驗(yàn)的幾何中值，局部后驗(yàn)通過將局部后驗(yàn)嵌入到再生核Ｈｉｌｂｅｒｔ 空間中用Ｗｅｉｓｚｆｅｌｄ 算法近似。分而治之技術(shù)在應(yīng)用中通常面臨困難，其中局部后驗(yàn)相差很大，且不滿足高斯假設(shè)的。文獻(xiàn)［１６］提出了一種分而治之策略，嘗試克服不同局部后驗(yàn)的挑戰(zhàn)，并將高斯假設(shè)放寬為更一般的指數(shù)類后驗(yàn)分布假設(shè)。該方法基于期望傳播（Ｅｘｐｅｃｔａｔｉｏｎ Ｐｒｏｐａｇａｔｉｏｎ，ＥＰ）算法。

與大數(shù)據(jù)量的分布式目標(biāo)跟蹤相關(guān)的２ 個(gè)挑戰(zhàn)是：由于數(shù)據(jù)處理的計(jì)算復(fù)雜度和需要通過網(wǎng)絡(luò)傳輸大量數(shù)據(jù)時(shí)的巨大通信成本。

隨著微電子技術(shù)和無線通信的發(fā)展，新的低功率射頻傳感器可以發(fā)射微波信號(hào)來確定被探測(cè)目標(biāo)的距離、速度、達(dá)到方向（Ｄｉｒｅｃｔｉｏｎ ｏｆ Ａｒｒｉｖａｌ，ＤＯＡ）和大小［１７－１８］，能夠?qū)Φ孛嫔弦苿?dòng)的車輛以及行人目標(biāo)進(jìn)行距離估計(jì)。距離和聲測(cè)量值是目標(biāo)跟蹤的互補(bǔ)模式，它們一起可以確定目標(biāo)在笛卡爾坐標(biāo)系中的位置，因?yàn)榫嚯x和方位估計(jì)值映射到目標(biāo)位置估計(jì)值在二維空間是一對(duì)一的。

ＰＦ 作為一種數(shù)據(jù)處理技術(shù)，已應(yīng)用于諸多領(lǐng)域，特別是在無線傳感器網(wǎng)絡(luò)中得到了廣泛應(yīng)用，如用于移動(dòng)目標(biāo)的跟蹤［１９－２０］。ＰＦ 是一種基于ＳＭＣ 方法的貝葉斯推理過程，其基本思路是使用一系列帶權(quán)重的樣本來表示物體位置的分布空間，并基于“預(yù)測(cè)－更新”這一循環(huán)過程來實(shí)現(xiàn)定位和迭代式跟蹤移動(dòng)目標(biāo)。ＰＦ 能夠廣泛地應(yīng)用于解決統(tǒng)計(jì)推理和參數(shù)估計(jì)等問題，構(gòu)建采用狀態(tài)空間的方法［２１］。

濾波器狀態(tài)更新函數(shù)基于局部線性運(yùn)動(dòng)模型。濾波器觀測(cè)方程通過采用圖像模板匹配的思想得到。當(dāng)精確的模型可用時(shí)，模板匹配的觀點(diǎn)是非常有效的［２２－２３］。

本文提出了一種基于移動(dòng)目標(biāo)的狀態(tài)可觀測(cè)性和ＰＦ 相結(jié)合的移動(dòng)目標(biāo)跟蹤新方法，克服了傳感器節(jié)點(diǎn)互聯(lián)網(wǎng)絡(luò)中目標(biāo)跟蹤的難題。方法非常適合處理來自每個(gè)傳感器節(jié)點(diǎn)的大量測(cè)量值，包括大量不是由被跟蹤目標(biāo)生成的測(cè)量值，稱為雜波測(cè)量值。在本文的問題中，當(dāng)接收到一組距離測(cè)量值時(shí)，首先形成一個(gè)臨時(shí)距離圖像。然后通過利用狀態(tài)更新函數(shù)和目標(biāo)狀態(tài)向量形成候選圖像模板；假設(shè)ＤＯＡ 和距離測(cè)量值在真實(shí)距離測(cè)量值周圍呈正態(tài)分布，數(shù)據(jù)差錯(cuò)概率和雜波密度均為常數(shù)。為了得到ＰＦ 函數(shù)，采用魯棒的牛頓－拉夫森遞歸來計(jì)算后驗(yàn)?zāi)Ｊ?，使用回溯步長(zhǎng)選擇，對(duì)目標(biāo)運(yùn)動(dòng)施加平滑約束［２４］。此外，考慮聲傳播延遲，在ＰＦ 器中加入了額外的加權(quán)階段－預(yù)加權(quán)階段，利用當(dāng)前估計(jì)期間接收到的滯后聲數(shù)據(jù)，對(duì)代表前一次迭代的后驗(yàn)粒子集重新進(jìn)行加權(quán)。仿真實(shí)驗(yàn)結(jié)果表明，本文方法能夠有效地跟蹤移動(dòng)目標(biāo)。

１ 跟蹤方案

１． １ 跟蹤原理

雷達(dá)和聲學(xué)測(cè)量是目標(biāo)跟蹤的互補(bǔ)模式，因?yàn)樗鼈兊慕M合可以確定目標(biāo)在笛卡爾坐標(biāo)系中的位置。用于雷達(dá)聲學(xué)傳感器的ＰＦ 器，可自適應(yīng)地同步多模態(tài)數(shù)據(jù)流，以實(shí)現(xiàn)魯棒的目標(biāo)跟蹤。重點(diǎn)是配置傳感器，因?yàn)榫嚯x和方位估計(jì)值映射到目標(biāo)位置估計(jì)值在二維空間是一對(duì)一的。

聯(lián)合聲－雷達(dá)ＰＦ 是新的低功率射頻傳感器，傳感器發(fā)射微波信號(hào)來確定被探測(cè)目標(biāo)的距離、速度和大小，能夠?qū)Χ鄠€(gè)地面車輛以及行人目標(biāo)進(jìn)行距離估計(jì)；ＰＦ 構(gòu)建可采用狀態(tài)空間方法。狀態(tài)向量由笛卡爾坐標(biāo)系中的目標(biāo)位置（ｘｔ，ｙｔ ）和速度（ｖｘ，ｔ，ｖｙ，ｔ）構(gòu)成。在給定的ＰＦ 多模態(tài)觀測(cè)值下，研究該狀態(tài)向量的可觀測(cè)性。濾波觀測(cè)值基于一組到達(dá)方向和距離測(cè)量值。因此，對(duì)接收到的聲數(shù)據(jù)和雷達(dá)脈沖返回進(jìn)行預(yù)處理來計(jì)算ＰＦ 觀測(cè)值。這些觀測(cè)值由ＰＦ 自適應(yīng)同步，以補(bǔ)償聲傳播延遲；濾波器狀態(tài)更新函數(shù)基于局部線性運(yùn)動(dòng)模型。濾波器觀測(cè)方程通過采用圖像模板匹配的思想得到。當(dāng)精確的模型可用時(shí)，模板匹配的觀點(diǎn)是非常有效的。當(dāng)接收到一組距離測(cè)量值時(shí)，首先形成一個(gè)臨時(shí)距離圖像；然后通過利用狀態(tài)更新函數(shù)和目標(biāo)狀態(tài)向量形成候選圖像模板。通過確定最佳匹配圖像模板，來確定目標(biāo)狀態(tài)向量。假設(shè)ＤＯＡ 和距離測(cè)量值在真實(shí)距離測(cè)量值周圍呈正態(tài)分布，數(shù)據(jù)差錯(cuò)概率和雜波密度均為常數(shù)。

ＰＦ 器考慮傳播延遲，假設(shè)一個(gè)單一目標(biāo)。ＰＦ狀態(tài)向量ｚｔ ＝ ［ｘｔ，ｙｔ，ｖｘ，ｔ，ｖｙ，ｔ］ Ｔ 由笛卡爾坐標(biāo)系中目標(biāo)的位置和速度構(gòu)成。利用一組距離和聲測(cè)量數(shù)據(jù)，估計(jì)在Ｔ ｓ 間隔（對(duì)于地面目標(biāo)，通常Ｔ ＝ １ ｓ）的狀態(tài)向量，如圖１ 所示，利用狀態(tài)向量實(shí)現(xiàn)形成候選圖像模板。然后ＰＦ 器通過確定每個(gè)模板與觀察圖像的匹配程度來生成這些狀態(tài)向量的分布。假設(shè)目標(biāo)在估計(jì)時(shí)間間隔內(nèi)勻速運(yùn)動(dòng)。

首先以更小的時(shí)間間隔τ ＝ Ｔ ／ Ｍ （如Ｍ ＝ １０）對(duì)接收到的目標(biāo)多模態(tài)數(shù)據(jù)進(jìn)行處理，得到一批目標(biāo)ＤＯＡ 和距離估計(jì)值：

ｙθ，ｔ ＝ ｛θｔ＋（ｍ －１）τ（ｐθ ）｝Ｍｍ＝ １ ， （１）

ｙＲ，ｔ ＝ ｛Ｒｔ＋（ｍ －１）τ（ｐＲ ）｝Ｍｍ＝ １ ， （２）

式中：ｍ 為批指標(biāo)，ｐθ 為每批指標(biāo)的ＤＯＡ 估計(jì)值數(shù)量，ｐＲ 為每批指標(biāo)的距離估計(jì)值數(shù)量。如圖２ 所示，當(dāng)目標(biāo)被ＰＦ 器跟蹤時(shí)，觀測(cè)數(shù)據(jù)不一定是有序的，但基于圖像的觀測(cè)方法提供了一個(gè)自然的排序。通常假設(shè)批測(cè)量值在真實(shí)目標(biāo)值周圍成正態(tài)分布，聲ＤＯＡ 測(cè)量值的方差為σθ２ ，距離測(cè)量值的方差為σＲ２ 。批估計(jì)值還可能包括雜波引起的偽峰值，通常假設(shè)為泊松分布，２ 種模式的速率分別為λθ 和λＲ 。此外，假設(shè)每個(gè)模式的數(shù)據(jù)丟失概率ｑ 恒定不變。

觀測(cè)數(shù)據(jù)批次采用模板匹配思想［２２］。候選圖像模板通過采用目標(biāo)狀態(tài)向量的離散實(shí)現(xiàn)來形成，稱為粒子。通過確定每個(gè)圖像模板與觀測(cè)圖像的匹配程度來確定粒子的分布。ＰＦ 器自適應(yīng)同步其多模態(tài)數(shù)據(jù)，以減少估計(jì)偏差。由于電磁波和聲波在空氣中以不同的速度傳播，在距離和ＤＯＡ 測(cè)量值之間存在時(shí)間延遲，這個(gè)延遲ｔｄ 依賴于目標(biāo)和傳感器之間的距離：

式中：ｃ 為光速，（ｓｘ，ｓｙ）為傳感器在笛卡爾坐標(biāo)系中的位置。

圖３ 展示了ＰＦ 器如何處理一個(gè)估計(jì)周期內(nèi)接收到的多模態(tài)數(shù)據(jù)。ＰＦ 跟蹤器在事件時(shí)間幀上執(zhí)行估計(jì)，用于實(shí)時(shí)跟蹤。因此，在估計(jì)期間接收到的聲數(shù)據(jù)將與ｔｄ 前發(fā)生的實(shí)際事件相對(duì)應(yīng)。濾波器采用在時(shí)刻ｔ 開始的估計(jì)周期中接收到的距離數(shù)據(jù)（Ｒ１ ，Ｒ２ ，…，ＲＭ ）和部分聲數(shù)據(jù)（θＭｄ＋１ ，θＭｄ＋２ ，…，θＭ ），提出并對(duì)其粒子進(jìn)行加權(quán)，將剩余的聲數(shù)據(jù)（θ１ ，θ２ ，…，θＭｄ）用于對(duì)ｔ－Ｔ 后的粒子預(yù)加權(quán)。

１． ２ 狀態(tài)向量的可觀測(cè)性

可觀測(cè)性是一個(gè)經(jīng)典的控制理論概念，文獻(xiàn)［２５］研究了狀態(tài)空間系統(tǒng)的狀態(tài)向量是否可以完全根據(jù)其觀測(cè)值確定。在本文的跟蹤問題中，當(dāng)距離批數(shù)據(jù)與對(duì)應(yīng)的聲數(shù)據(jù)重疊２ 個(gè)或多個(gè)批觀測(cè)量值時(shí)，狀態(tài)向量就是可觀測(cè)的，從而得到２ 個(gè)錨空間點(diǎn)，從錨點(diǎn)空間就可以確定目標(biāo)速度。本文表明，只要ｔｄ ≤Ｔ－２τ，即使沒有重疊，狀態(tài)向量也是可以觀測(cè)到的。

圖４ 展示了給定３ 個(gè)距離測(cè)量值，根據(jù)文獻(xiàn)［２６］并利用△ＯＡＢ 和△ＯＡＣ 上的余弦定理，就可以確定目標(biāo)速度ｖ 和目標(biāo)航向減去初始ＤＯＡ 即φ－θ。目標(biāo)的達(dá)到方向θ 和目標(biāo)航向θ 不能唯一地根據(jù)距離測(cè)量值來確定，而圖４ 中的達(dá)到方向θ 可以確定，如果３ 個(gè)角度的測(cè)量值可用從前面批獲得，根據(jù)是采用△ＯＡ′Ｂ′和△ＯＡ′Ｃ′上的余弦定理和恒速假設(shè)。因此，如果當(dāng)前觀測(cè)到的聲數(shù)據(jù)允許觀測(cè)在前一個(gè)估計(jì)周期時(shí)間幀內(nèi)的３ 個(gè)批次測(cè)量值，就可以充分觀測(cè)到當(dāng)前狀態(tài)。在開始時(shí)刻ｔ 的批次期間目標(biāo)的速度可計(jì)算為：

通過利用ｔ－Ｔ 和ｔ 之間的恒速假設(shè)，可以通過角度測(cè)量值（θ１ ，θ２ ，θ３ ）來確定達(dá)到方向θ。

１． ３ 數(shù)據(jù)模型

１． ３． １ 狀態(tài)更新密度

狀態(tài)更新函數(shù)可以從目標(biāo)運(yùn)動(dòng)的物理特性得到，并將其建模為局部線性。得到的狀態(tài)更新概率密度函數(shù)（Ｐｒｏｂａｂｉｌｉｔｙ Ｄｅｎｓｉｔｙ Ｆｕｎｃｔｉｏｎ，ＰＤＦ）為：

ｐ（ｚｔ ｜ｚｔ－Ｔ ） ＝ Ｎ（ＡＴ ｚｔ－Ｔ ，Σｚ ）， （５）

式中：（μ，Σ）為均值為μ、協(xié)方差為Σ 的高斯密度。

目標(biāo)運(yùn)動(dòng)的線性化矩陣為：

式（５）中的噪聲協(xié)方差矩陣Σｚ 為全秩對(duì)角形式，而不是模擬位置和速度之間的相關(guān)性的秩虧形式。在這種情況下，狀態(tài)更新ＰＤＦ 包含Ｄｉｒａｃ 的δ函數(shù)，因此不適合批處理。

１． ３． ２ 觀測(cè)密度

ＰＦ 觀測(cè)值ｙｔ ＝ ｛ｙθ，ｔ，ｙＲ，ｔ ｝是由聲和距離觀測(cè)值構(gòu)成，假設(shè)它們對(duì)于給定的當(dāng)前狀態(tài)向量是獨(dú)立的。因此，濾波器的多模態(tài)數(shù)據(jù)似然是每個(gè)模態(tài)各自似然的乘積：

ｐ （ｙｔ ｜ｚｔ） ＝ ｐ（ｙθ，ｔ｜ ｚｔ）ｐ（ｙＲ，ｔ｜ ｚｔ）。（７）

把在一個(gè)時(shí)間間隔τ 內(nèi)的距離值和接收到的聲數(shù)據(jù)用于估計(jì)目標(biāo)距離和ＤｏＡ。每Ｔ ＝ ＭτＦ 器使用一批Ｍ 個(gè)這樣的估計(jì)值來估計(jì)目標(biāo)的狀態(tài)。假設(shè)測(cè)量批次在真實(shí)目標(biāo)范圍內(nèi)呈正態(tài)分布，且數(shù)據(jù)丟失概率ｑ 恒定不變，測(cè)量批次可能包含由于雜波而產(chǎn)生的虛假估計(jì)。

每個(gè)模態(tài)的觀測(cè)密度可采用文獻(xiàn)［２７］中的參數(shù)得到，雜波密度為：

ｐ（θ ｜θ 為雜波） ＝ λθ 且ｐ（Ｒ｜ Ｒ 為雜波） ＝ λＲ 。（８）

假設(shè)給定批測(cè)量值，對(duì)于每個(gè)批指標(biāo)ｍ 的２ 種模態(tài)中的單個(gè)測(cè)量值屬于目標(biāo)，或者對(duì)于該模態(tài)目標(biāo)丟失。多個(gè)測(cè)量值意味著雜波的存在。因此，數(shù)據(jù)似然為：

１． ４ ＰＦ

１． ４． １ 提出的函數(shù)

給定問題的狀態(tài)空間描述，ＰＦ 的解就可以得到。本文將提出的函數(shù)記為ｇ（ｚｔ｜ ｙｔ，ｚｔ－１ ），來直接近似目標(biāo)后驗(yàn)密度：

ｇ（ｚｔ ｜ｙｔ，ｚｔ－Ｔ ）≈ ｐ（ｚｔ｜ ｙｔ，ｚｔ－Ｔ ）∝ ｐ（ｙｔ｜ ｚｔ）ｐ（ｚｔ ｜ｚｔ－Ｔ ），（１１）

式中：ｐ（ｚｔ ｜ｚｔ－Ｔ）由式（５）給定，ｐ（ｙｔ ｜ｚｔ ）由式（９）給定。近似式（１１）不依賴于當(dāng)前狀態(tài)ｚｔ。實(shí)際上，近似式朝后驗(yàn)較高概率區(qū)域移動(dòng)粒子粒流，更有效地捕獲由于反應(yīng)當(dāng)前觀測(cè)數(shù)據(jù)影響的目標(biāo)移動(dòng)。此外，更多的粒子在最后的重采樣階段存活下來，隨著系統(tǒng)演變，生成更好的狀態(tài)。

提出的函數(shù)用拉普拉斯方法來近似數(shù)據(jù)似然項(xiàng)ｐ（ｙｔ｜ ｚｔ）。拉普拉斯方法是概率密度函數(shù)的一種解析近似，它基于密度在其模態(tài)周圍的高斯近似，其中密度對(duì)數(shù)的逆Ｈｅｓｓｉａｎ 被用作為協(xié)方差近似，它可以提供與基于密度函數(shù)的三階展開的近似一樣的精度，有時(shí)甚至更精確。這種方法在計(jì)算上很有吸引力，因?yàn)樗恍枰浑A和二階求導(dǎo)。精確近似的條件是后驗(yàn)密度為單峰密度或由單模控制。

為了計(jì)算ｐ（ｙｔ｜ ｚｔ ）的模式ｚＭ 及其在模式處的Ｈｅｓｓｉａｎ Ｈ，對(duì)式（６）的負(fù)對(duì)數(shù)似然使用回溯步長(zhǎng)選擇的牛頓搜索算法［８］，算法在充分減小條件下實(shí)現(xiàn)。但在這種情況下，牛頓算法有數(shù)值靈敏度問題。因此，作為替代，本文將其成本函數(shù)改為以下成本函數(shù)來確定模式ｚＭ ：

成本函數(shù)式（１２）是直接對(duì)全后驗(yàn)的近似，由３ 項(xiàng)構(gòu)成：前２ 項(xiàng)與數(shù)據(jù)分布的負(fù)對(duì)數(shù)似然函數(shù)有相同的極小值，最后一項(xiàng)函數(shù)是一個(gè)正則項(xiàng)，迫使解ｚＭ 靠近某個(gè)向量＾ｚ。參數(shù)＾ｚ 表示利用運(yùn)動(dòng)更新將前一個(gè)時(shí)間步的初始粒子集向前傳播得到的最能說明當(dāng)前數(shù)據(jù)集的粒子。

即使有可用的解析關(guān)系，Ｈｅｓｓｉａｎ 的計(jì)算仍然存在問題。如果直接從精確表達(dá)式計(jì)算式（１２ ）的Ｈｅｓｓｉａｎ，則可以表明所得到的Ｈｅｓｓｉａｎ 表達(dá)式不能保證是正定的，需要進(jìn)行修正以使每次迭代的牛頓校正有效。因此，在計(jì)算Ｈｅｓｓｉａｎ 的最終表達(dá)式時(shí)，從解析式中忽略了包含二階導(dǎo)數(shù)的項(xiàng)。在這種情況下，Ｈｅｓｓｉａｎ 就是梯度的外積函數(shù)，可以證明它是半正定的。

在對(duì)上述數(shù)據(jù)似然進(jìn)行近似后，得到了用于ＰＦ函數(shù)的最終表達(dá)式為：

任何協(xié)方差近似都可以使用，因?yàn)椋校?的加權(quán)階段可以處理任何產(chǎn)生的差異。對(duì)提出函數(shù)的特殊協(xié)方差選擇源于濾波器的效率問題。此外，即使聲測(cè)量和雷達(dá)距離測(cè)量值之間沒有重疊即ｔｄ ≥Ｔ，這種策略也有效。這是因?yàn)榧词箾]有關(guān)于當(dāng)前目標(biāo)狀態(tài)的聲信息，成本函數(shù)式（１２）中的最后一項(xiàng)也會(huì)保持成本函數(shù)的單峰。在這種情況下，逆Ｈｅｓｓｉａｎ 并不是數(shù)據(jù)似然協(xié)方差一個(gè)很好的近似，而且一個(gè)恒定的預(yù)設(shè)協(xié)方差矩陣可以用于粒子。

１． ４． ２ 粒子權(quán)值

ＰＦ 的加權(quán)階段考慮了粒子建議方式和后驗(yàn)實(shí)際分布之間的任何差異。與一般的ＰＦ 算法不同，本文的ＰＦ 算法有２ 個(gè)加權(quán)階段。第一個(gè)加權(quán)階段采用聲數(shù)據(jù)的子集（θ１ ，θ２ ，…，θｔｄ ），它攜帶了先前狀態(tài)的信息。這個(gè)階段稱為預(yù)加權(quán)階段。

預(yù)加權(quán)采用當(dāng)前接收到的聲數(shù)據(jù)中的信息來重新評(píng)估代表ｔ－Ｔ 時(shí)刻后驗(yàn)粒子集的重要性。當(dāng)沒有關(guān)于當(dāng)前階段的信息時(shí)，預(yù)加權(quán)仍可估計(jì)狀態(tài)向量。基于滯后數(shù)據(jù)模態(tài)，預(yù)權(quán)值的表達(dá)式如下：

算法１ 所示為本文提出的ＰＦ 跟蹤實(shí)現(xiàn)的偽代碼。

１． ４． ３ 本文ＥＰＰＦ 與現(xiàn)有ＰＦ 算法復(fù)雜度分析

根據(jù)式（１６）～ 式（２０）和算法１ 可知，ＥＰ-ＰＦ 主要有４ 個(gè)步驟。① ＥＰ-ＰＦ 算法獲取多模態(tài)粒子狀態(tài)向量的計(jì)算復(fù)雜度為Ｏ（Ｍ）。② 采樣粒子，用于更新粒子權(quán)值的高效計(jì)算，其時(shí)間復(fù)雜度為Ｏ（Ｎ）。③ 通過更新粒子權(quán)值和歸一化粒子權(quán)值，時(shí)間復(fù)雜度為Ｏ（Ｎ２ ＋ｔｄ）。為了獲得重采樣，需要的計(jì)算復(fù)雜度為Ｏ（Ｎ）。④ 為了實(shí)現(xiàn)對(duì)傳感器節(jié)點(diǎn)數(shù)Ｄ 的跟蹤，需要的計(jì)算復(fù)雜度為Ｏ（Ｎ２ ／ Ｄ）；通常情況下，Ｎ 遠(yuǎn)大于Ｍ 和Ｄ，故本文的ＥＰ-ＰＦ 算法與現(xiàn)有的ＰＦ 算法的計(jì)算復(fù)雜度是同階的。

２ 算法仿真結(jié)果

算法仿真采用以下參數(shù)，除非另有說明。ＰＦ［９］和ＥＰ-ＰＦ 的粒子數(shù)分別為Ｎ ＝ １０ ０００ 和Ｎ ＝ ５ ０００。獨(dú)立仿真運(yùn)行的次數(shù)為ＮＩ ＝ ５０。時(shí)間仿真步數(shù)Ｔ ＝７０。運(yùn)動(dòng)模型參數(shù)Ｔｓ ＝ １，σｘ ＝ ０． ５。２ 個(gè)實(shí)驗(yàn)中傳感器節(jié)點(diǎn)數(shù)分別為Ｄ ＝ ４ 和Ｄ ＝ ８。第二個(gè)實(shí)驗(yàn)的目標(biāo)觀測(cè)模型參數(shù)為λＸ ＝ ２００ 和λＸ ＝ １００，且Σ ＝ Ｉ（Ｉ為單位陣）。對(duì)于２ 個(gè)實(shí)驗(yàn)的雜波參數(shù)分別為λＣ ＝１００ 和λＣ ＝ ５０，Ａｃ ＝ ４×１０４ 。ＥＰ 迭代次數(shù)Ｌ ＝ ２。

實(shí)驗(yàn)的目標(biāo)軌跡和傳感器節(jié)點(diǎn)相對(duì)于目標(biāo)的位置如圖５ 所示。

選擇每種算法的粒子數(shù)，以匹配２ 種算法在每個(gè)時(shí)間步中需要處理的粒子數(shù)。ＥＰ 迭代次數(shù)Ｌ 決定了粒子集需要重新計(jì)算的次數(shù)。結(jié)果說明了最小次數(shù)的ＥＰ 迭代。對(duì)于４ 個(gè)傳感器節(jié)點(diǎn)的情況，只考慮圖５ 中位于角落的傳感器節(jié)點(diǎn)。對(duì)于４ 個(gè)和８ 個(gè)傳感器節(jié)點(diǎn)，總的平均測(cè)量數(shù)量是相同的。該位置的平均均方根誤差（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ，ＲＭＳＥ）如圖６ 所示。當(dāng)在ＥＰ-ＰＦ 中考慮更多的節(jié)點(diǎn)時(shí)，近似程度越大，導(dǎo)致初始誤差的峰值越大?？偟膩碚f，與ＰＦ 相比，采用ＥＰ-ＰＦ 僅進(jìn)行２ 次ＥＰ 迭代時(shí)，跟蹤精度的損失可以忽略不計(jì)；可以看到，對(duì)于４ 個(gè)和８ 個(gè)傳感器節(jié)點(diǎn)乃至更多傳感器節(jié)點(diǎn)，本文所提方法即ＥＰ-ＰＦ 算法的平均ＲＭＳＥ 都要比現(xiàn)有的ＰＦ 算法［９］的平均ＲＭＳＥ 小。

圖７ 所示為采用本文ＰＦ 算法跟蹤器成功地跟蹤一個(gè)地面移動(dòng)目標(biāo)的結(jié)果，圖中黑點(diǎn)為對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤軌跡，實(shí)線為運(yùn)動(dòng)目標(biāo)的實(shí)際運(yùn)動(dòng)軌跡。在仿真中，距離－聲節(jié)點(diǎn)位于原點(diǎn)，并假設(shè)具有半球形覆蓋范圍，目標(biāo)跟蹤開始于（－１５０ ｍ，１５０ ｍ）處，目標(biāo)在ｘ 方向上的速度為１５ ｍ ／ ｓ，在ｙ 方向上的速度為２５ ｍ ／ ｓ。在ＤＯＡ 估計(jì)和距離估計(jì)中分別加入標(biāo)準(zhǔn)偏差為１°和２ ｍ 的獨(dú)立的零均值白高斯噪聲來模擬噪聲測(cè)量。

圖７ 中左上方的圖形顯示了不進(jìn)行延時(shí)補(bǔ)償?shù)钠罡櫧Y(jié)果（虛線）。產(chǎn)生偏差的原因是濾波器跟蹤了延遲的ＤＯＡ 觀測(cè)值（圖３ 中右上方虛線）。跟蹤偏差隨著目標(biāo)的速度和目標(biāo)距測(cè)量節(jié)點(diǎn)的距離增加而增加；還可以看到，聲ＤＯＡ 在ｔ ＝５ ｓ 到ｔ ＝ １５ ｓ之間的延遲超過１ ｓ。然而，由于采用了加權(quán)策略，ＰＦ 器也能夠?qū)崟r(shí)跟蹤目標(biāo)。

３ 結(jié)束語

本文針對(duì)單節(jié)點(diǎn)的多模態(tài)數(shù)據(jù)融合移動(dòng)目標(biāo)跟蹤問題提出了一種ＰＦ 解決方案。在實(shí)時(shí)跟蹤約束下討論了該問題的可觀測(cè)性，提出了一種加權(quán)策略來解決聲傳播延遲問題。構(gòu)建了濾波器似然，對(duì)于丟失數(shù)據(jù)或虛假觀測(cè)也是魯棒的。在一個(gè)聲數(shù)據(jù)由于目標(biāo)距離延遲了大約１ ｓ 的實(shí)時(shí)跟蹤場(chǎng)景中驗(yàn)證了ＰＦ 跟蹤器的性能。

參考文獻(xiàn)

［１］ ＭＩＨＡＹＬＯＶＡ Ｌ，ＨＥＧＹＩ Ａ，ＧＮＩＮＧ Ａ，ｅｔ ａｌ． ＰａｒａｌｌｅｌｉｚｅｄＰａｒｔｉｃｌｅ ａｎｄ Ｇａｕｓｓｉａｎ Ｓｕｍ Ｐａｒｔｉｃｌｅ Ｆｉｌｔｅｒｓ ｆｏｒ ＬａｒｇｅｓｃａｌｅＦｒｅｅｗａｙ Ｔｒａｆｆｉｃ Ｓｙｓｔｅｍｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｓｙｓｔｅｍｓ，２０１２，１３（１）：３６－４８．

［２］ 韓睿． 多源傳感器信息融合的高速公路視頻光傳輸平臺(tái)研究［Ｊ］． 信息與電腦（理論版），２０１８（１８）：９９－１００．

［３］ ＳＶＥＮＳＳＯＮ Ａ，ＳＣＨＯＥＮ Ｔ Ｂ，ＬＩＮＤＳＴＥＮ Ｆ． Ｌｅａｒｎｉｎｇ ｏｆＳｔａｔｅｓｐａｃｅ Ｍｏｄｅｌｓ ｗｉｔｈ Ｈｉｇｈｌｙ Ｉｎｆｏｒｍａｔｉｖｅ Ｏｂｓｅｒｖａｔｉｏｎｓ：ＡＴｅｍｐｅｒｅｄ Ｓｅｑｕｅｎｔｉａｌ Ｍｏｎｔｅ Ｃａｒｌｏ Ｓｏｌｕｔｉｏｎ［Ｊ］． ＭｅｃｈａｎｉｃａｌＳｙｓｔｅｍｓ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，２０１８，１０４：９１５－９２８．

［４］ 王向前，冉維，馬飛． 鄰域迭代重采樣粒子濾波的純方位目標(biāo)跟蹤［Ｊ］． 計(jì)算機(jī)工程與應(yīng)用，２０１７，５３（１３）：１６０－１６６．

［５］ ＷＡＮＧ Ｙ，ＷＡＮＧ Ｘ Ｇ，ＳＨＡＮ Ｙ Ｚ，ｅｔ ａｌ． Ｑｕａｎｔｉｚｅｄ Ｇｅｎｅｔｉｃ Ｒｅｓａｍｐｌｉｎｇ Ｐａｒｔｉｃｌｅ Ｆｉｌｔｅｒｉｎｇ ｆｏｒ ＶｉｓｉｏｎｂａｓｅｄＧｒｏｕｎｄ Ｍｏｖｉｎｇ Ｔａｒｇｅｔ Ｔｒａｃｋｉｎｇ ［Ｊ］． Ａｅｒｏｓｐａｃｅ Ｓｃｉｅｎｃｅａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，２０２０，１０３：９２５－９３４．

［６］ 何祥宇，李靜，楊數(shù)強(qiáng)，等． 基于ＥＴ-ＰＨＤ 濾波器和變分貝葉斯近似的擴(kuò)展目標(biāo)跟蹤算法［Ｊ］． 計(jì)算機(jī)應(yīng)用，２０２０，４０（１２）：３７０１－３７０６．

［７］ 高野． 基于改進(jìn)高斯混合模型的體育視頻運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤［Ｊ］． 現(xiàn)代電子技術(shù)，２０１７，４０（１９）：９１－９３．

［８］ ＺＨＡＯ Ｙ Ｂ，ＬＩ Ｘ Ｆ，ＳＨＡ Ｚ． Ｄｉｓｔｒｉｂｕｔｅｄ Ｐａｒｔｉｃｌｅ ＦｉｌｔｅｒＵｓｉｎｇ Ｐａｉｒｗｉｓｅ Ｋｓｅｌｅｃｔｉｖｅ Ｇｏｓｓｉｐ ｆｏｒ Ｃｏｇｎｉｔｉｖｅ Ｒａｄｉｏ Ｐｏｓｉｔｉｏｎｉｎｇ ［Ｃ］∥ ２０１６ １９ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｙｍｐｏｓｉｕｍ ｏｎＷｉｒｅｌｅｓｓ Ｐｅｒｓｏｎａｌ Ｍｕｌｔｉｍｅｄｉａ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ（ＷＰＭＣ）．Ｓｈｅｎｚｈｅｎ：ＩＥＥＥ，２０１７：５２４－５２９．

［９］ ＺＨＡＮＧ Ｙ，ＺＨＡＮＧ Ｌ Ｙ，ＨＡＮ Ｊ Ｆ，ｅｔ ａｌ． ＤｉｓｔｒｉｂｕｔｅｄＧａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌｂａｓｅｄ Ｐａｒｔｉｃｌｅ Ｆｉｌｔｅｒ Ｍｅｔｈｏｄ ｆｏｒＣｈｅｍｉｃａｌ Ｐｏｌｌｕｔｉｏｎ Ｓｏｕｒｃｅ Ｌｏｃａｌｉｚａｔｉｏｎ ｗｉｔｈ Ｓｅｎｓｏｒ Ｎｅｔｗｏｒｋ［Ｊ］． Ｃｌｕｓｔｅｒ Ｃｏｍｐｕｔｉｎｇ，２０１７，２０（４）：２９０５－２９１７．

［１０］ 易偉，王經(jīng)鶴，黎明，等． 一種基于似然函數(shù)近似的分布式多傳感器檢測(cè)前跟蹤方法：ＣＮ１０７２４７２５７Ｂ ［Ｐ］．２０２０－０３－２７．

［１１］ ＫＡＮＧ Ｋ，ＭＡＲＯＵＬＡＳ Ｖ，ＳＣＨＩＺＡＳ Ｉ，ｅｔ ａｌ． ＩｍｐｒｏｖｅｄＤｉｓｔｒｉｂｕｔｅｄ Ｐａｒｔｉｃｌｅ Ｆｉｌｔｅｒｓ ｆｏｒ Ｔｒａｃｋｉｎｇ ｉｎ ａ Ｗｉｒｅｌｅｓｓ Ｓｅｎｓｏｒ Ｎｅｔｗｏｒｋ ［Ｊ ］． Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｓｔａｔｉｓｔｉｃｓ ＆ ＤａｔａＡｎａｌｙｓｉｓ，２０１８，１１７：９０－１０８．

［１２］ ＮＩ Ｙ，ＪＯＮＥＳ Ｄ，ＷＡＮＧ Ｚ Ｙ． Ｃｏｎｓｅｎｓｕｓ Ｖａｒｉａｔｉｏｎａｌ ａｎｄＭｏｎｔｅ Ｃａｒｌｏ Ａｌｇｏｒｉｔｈｍｓ ｆｏｒ Ｂａｙｅｓｉａｎ Ｎｏｎｐａｒａｍｅｔｒｉｃ Ｃｌｕｓｔｅｒｉｎｇ［Ｃ］∥２０２０ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＢｉｇＤａｔａ． Ａｔｌａｎｔａ：ＩＥＥＥ，２０２０：２０４－２０９．

［１３］ ＷＡＮＧ Ｘ Ｙ，ＧＵＯ Ｆ Ｊ，ＨＥＬＬＥＲ Ｋ Ａ，ｅｔ ａｌ． ＰａｒａｌｌｅｌｉｚｉｎｇＭＣＭＣ ｗｉｔｈ Ｒａｎｄｏｍ Ｐａｒｔｉｔｉｏｎ Ｔｒｅｅｓ［ＥＢ／ ＯＬ］． （２０１５－０６－１０）［２０２３－０７－０１］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ／ ａｂｓ／ １５０６． ０３１６４．

［１４］ Ｃ ＫＡ-ＡＴ， ＭＩＡＳＯＪＥＤＯＷ Ｂ，ＮＩＥＭＩＲＯ Ｗ． ＰａｒａｌｅｌＰａｒｔｉｃｌｅ ＭＣＭＣ ｗｉｔｈ Ｐｏｉｓｓｏｎ Ｒｅｓａｍｐｌｉｎｇ：Ｐａｒａｌｌｅｌｉｚａｔｉｏｎａｎｄ Ｃｏｎｔｉｎｕｏｕｓ Ｔｉｍｅ Ｍｏｄｅｌｓ ［ＥＢ ／ ＯＬ］． （２０１７－０７－０６）［２０２３－０７－１０］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／ １７０７． ０１６６０．

［１５］ ＭＩＮＳＫＥＲ Ｓ，ＳＲＩＶＡＳＴＡＶＡ Ｓ，ＬＩＮ Ｌ Ｚ，ｅｔ ａｌ． Ｒｏｂｕｓｔ ａｎｄＳｃａｌａｂｌｅ Ｂａｙｅｓ ｖｉａ ａ Ｍｅｄｉａｎ ｏｆ Ｓｕｂｓｅｔ Ｐｏｓｔｅｒｉｏｒ Ｍｅａｓｕｒｅｓ［Ｊ］． Ｔｈｅ Ｊｏｕｒｎａｌ ｏｆ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｒｅｓｅａｒｃｈ，２０１７，１８（１）：４４８８－４５２７．

［１６］ ＤＥ ＰＡＯＬＡ Ａ，ＦＥＲＲＡＲＯ Ｐ，ＧＡＧＬＩＯ Ｓ，ｅｔ ａｌ． ＡｎＡｄａｐｔｉｖｅ Ｂａｙｅｓｉａｎ Ｓｙｓｔｅｍ ｆｏｒ Ｃｏｎｔｅｘｔａｗａｒｅ Ｄａｔａ Ｆｕｓｉｏｎｉｎ Ｓｍａｒｔ Ｅｎｖｉｒｏｎｍｅｎｔｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＭｏｂｉｌｅＣｏｍｐｕｔｉｎｇ，２０１７，１６（６）：１５０２－１５１５．

［１７］ ＧＲＡＥＢＥＮＩＴＺ Ｓ，ＭＥＲＴＥＮＳ Ｍ． ＢＥＬＦＩＯＲＩ Ｆ． ＳｅｑｕｅｎｔｉａｌＤａｔａ Ｆｕｓｉｏｎ Ａｐｐｌｉｅｄ ｔｏ ａ Ｄｉｓｔｒｉｂｕｔｅｄ Ｒａｄａｒ，Ａｃｏｕｓｔｉｃ ａｎｄＶｉｓｕａｌ Ｓｅｎｓｏｒ Ｎｅｔｗｏｒｋ［Ｃ］∥２０１７ Ｓｅｎｓｏｒ Ｄａｔａ Ｆｕｓｉｏｎ：Ｔｒｅｎｄｓ，Ｓｏｌｕｔｉｏｎｓ，Ａｐｐｌｉｃａｔｉｏｎｓ （ＳＤＦ ）． Ｂｏｎｎ：ＩＥＥＥ，２０１７：１－６．

［１８］ 徐鵬，郭良浩，閆超，等． 方位和徑向速度聯(lián)合的淺海目標(biāo)運(yùn)動(dòng)分析方法［Ｊ］． 聲學(xué)學(xué)報(bào)，２０１８，４３（３）：３２３－３３３．

［１９］ 周帆，江維，李樹全，等． 基于粒子濾波的移動(dòng)物體定位和追蹤算法［Ｊ］． 軟件學(xué)報(bào)，２０１３，２４（９）：２１９６－２２１３．

［２０］ 孟凡琨，巨永鋒，溫立民，等． 基于ＡＰＲＢＡ 粒子濾波算法的移動(dòng)目標(biāo)跟蹤算法［Ｊ］． 控制工程，２０１７，２４（６）：１２１２－１２１７．

［２１］ 林靜． 基于分段粒子濾波的狀態(tài)空間模型參數(shù)估計(jì)［Ｄ］． 廈門：廈門大學(xué)，２０１８．

［２２］ ＸＩＯＮＧ Ｌ，ＺＨＡＮＧ Ｘ Ｆ，ＬＩＡＯ Ｊ Ｌ，ｅｔ ａｌ． ＭｕｌｔｉｏｂｊｅｃｔＴｒａｃｋｉｎｇ Ｂａｓｅｄ ｏｎ ＨＯＧ Ｔｅｍｐｌａｔｅ Ｍａｔｃｈｉｎｇ ａｎｄ Ｎｏｎｍａｘｉｍｕｍ Ｃｏｎｖｅｒｇｅｎｃｅ Ａｌｇｏｒｉｔｈｍ ［Ｊ ］． ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌ ｏｆ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ ａｎｄＰａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ，２０１７，１０（１）：２３３－２４２．

［２３］ 房廣江，孔一薈． 基于模板匹配和Ｋａｌｍａｎ 濾波器的目標(biāo)跟蹤［Ｊ］． 機(jī)械制造與自動(dòng)化，２０１８，４７（４）：２０５－２０７．

［２４］ ＧＲＡＰＩＧＬＩＡ Ｇ Ｎ，ＹＵＡＮ Ｊ，ＹＵＡＮ Ｙ Ｘ． Ｏｎ ｔｈｅ Ｃｏｎｖｅｒｇｅｎｃｅａｎｄ Ｗｏｒｓｔｃａｓｅ Ｃｏｍｐｌｅｘｉｔｙ ｏｆ Ｔｒｕｓｔｒｅｇｉｏｎ ａｎｄ Ｒｅｇｕｌａｒｉｚａｔｉｏｎ Ｍｅｔｈｏｄｓ ｆｏｒ Ｕｎｃｏｎｓｔｒａｉｎｅｄ Ｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］．Ｍａｔｈｅｍａｔｉｃａｌ Ｐｒｏｇｒａｍｍｉｎｇ，２０１５，１５２（１－２）：４９１－５２０．

［２５］ 劉鵬，任一峰，張亞，等． 慣性導(dǎo)航系統(tǒng)可觀測(cè)性分析與可觀測(cè)狀態(tài)確定的圖方法［Ｊ］． 控制理論與應(yīng)用，２０２０，３７（１）：９８－１０６．

［２６］ ＭＥＳＳＡＯＵＤＩ Ｚ，ＯＵＳＳＡＬＡＨ Ｍ． Ｍｕｌｔｉｐｌｅ Ｔａｒｇｅｔ ＴｒａｃｋｉｎｇＵｓｉｎｇ Ｐａｒｔｉｃｌｅ Ｆｉｌｔｅｒｉｎｇ ａｎｄ Ｍｕｌｔｉｐｌｅ Ｍｏｄｅｌ ｆｏｒ Ｍａｎｏｅｕｖｒｉｎｇ Ｔａｒｇｅｔｓ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ａｕｔｏｍａｔｉｏｎ ａｎｄＣｏｎｔｒｏｌ，２０１５，９（４）：３０３－３３２．

［２７］ ＫＡＭＡＬ Ａ Ｔ，ＢＡＰＰＹ Ｊ Ｈ，ＦＡＲＲＥＬＬ Ｊ Ａ，ｅｔ ａｌ． Ｄｉｓｔｒｉｂｕｔｅｄ Ｍｕｌｔｉｔａｒｇｅｔ Ｔｒａｃｋｉｎｇ ａｎｄ Ｄａｔａ Ａｓｓｏｃｉａｔｉｏｎ ｉｎ ＶｉｓｉｏｎＮｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄＭａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０１６，３８（７）：１３９７－１４１０．

作者簡(jiǎn)介

胡國(guó)華 男，（１９７５—），碩士，副教授。主要研究方向：語音情感識(shí)別、智能算法優(yōu)化。

趙涓涓 女，（１９７５—），博士，教授。主要研究方向：智能信息處理、人工智能、圖像分析與識(shí)別。

郝耀軍 男，（１９７９—），博士，教授。主要研究方向：智能信息處理。

基金項(xiàng)目：山西省自然科學(xué)基金（２０２１０３０２１２４３３０）；山西省高?？萍紕?chuàng)新項(xiàng)目（２０１９Ｌ０８４７ ）；教育部人文社科青年基金項(xiàng)目（２０ＹＪＣ６３００３４）；忻州師范學(xué)院五臺(tái)山文化生態(tài)研究院專題項(xiàng)目（２０２０１３３１０１）