一种基于交互学习粒子群算法多传感器位置分布多目标跟踪方法技术

本发明专利技术公开了一种基于交互学习粒子群算法对多传感器位置分布进行规划，以对移动多目标进行更精确跟踪

【技术实现步骤摘要】
一种基于交互学习粒子群算法多传感器位置分布多目标跟踪方法


[0001]本专利技术涉及一种多传感器位置分布寻优对多目标跟踪的方法，尤其涉及一种基于交互学习粒子群算法多传感器位置寻优分布方法
。

技术介绍

[0002]目标跟踪技术在人们日常生产生活中早已无处不在，同时也存在于军事航天等领域，该研究方向早已被众多学者研究已久，在学术界一直深受关注
。
在计算机信息时代下，各种硬件系统的更新和软件技术的快速升级，目标跟踪技术也得到了相应的快速发展，为各行业的发展提供了很大的便利
。
在日常生活中所熟悉的手机地图导航
、
快递物流配送
、
共享汽车和自行车等服务中，需要对车辆的位置与所存的地图进行匹配，同时利用数据信息规划路线，这些功能的实现基于空间基站和卫星等设备接受从智能移动设备发射的信号进行对车辆的跟踪与定位
。
[0003]在这样的情况下，为了优化传感器对多目标跟踪的稳定跟踪，学术界往往将多目标跟踪算法中数据融合等作为研究重点，未能分析多传感器的观测位置对跟踪结果的影响，影响了目标跟踪精度
。

技术实现思路

[0004]专利技术目的：本专利技术提出一种快速
、
高效的优化多传感器跟踪能力
、
减小由传感器的观测位置所带来跟踪误差的方法
。
[0005]技术方案：本专利技术所述的基于交互学习粒子群算法对多传感器位置分布进行规划，以对移动多目标进行更精确跟踪方法r/>。
包括：对于一个给定多传感器多目标跟踪系统，在移动传感器位置对观测信息的影响方面进行优化，利用交互学习粒子群算法对多传感器每个时刻的观测位置寻优分配，实现对移动多目标跟踪更加准确地定位跟踪
。
[0006]所述交互学习粒子群算法是基于标准粒子群算法进行改进，在迭代寻优过程中，标准粒子群算法只需要根据当前粒子的个体极值和全局极值更新的位置和速度，而交互学习的过程会通过向满足交互条件的“同伴”粒子的个体极值进行学习，以加快对最优解的寻找
。
[0007]进一步地，所述交互学习粒子群算法，包括步骤：
[0008]S1
：对多传感器位置的最优判断给定目标函数，即适应度函数；
[0009]S2
：确定粒子间的交互条件；
[0010]S3
：根据多传感器的初始设定位置，初始化粒子群；
[0011]S4
：根据适应度函数计算当前每个粒子的适应度函数值，设置各初始粒子个体最优解和全局最优解；
[0012]S5
：更新粒子的个体极值和全局极值：对于每个粒子，将其当前迭代的适应度函数值与之前迭代过程中的最优值进行比较，更新每个粒子的最优值和个体最优解；将当前迭
代中所有粒子中的最优的适应度函数值与之前迭代得到的全局最优值进行比较，更新群体的全局最优值和全局最优解；
[0013]S6
：更新粒子的位置和速度：判断每个粒子的“同伴”粒子，迭代过程中进行交互学习
。
[0014]S7
：判断是否满足终止迭代条件，若满足，则可以终止算法，输出全局最优解；若不满足终止条件，则返回步骤
S5。
[0015]S8
：在寻求多传感器最优观测位置分布后，对多目标进行观测并利用观测信息利用跟踪算法预测目标状态
。
[0016]进一步地，步骤
S1
中，所述判断位置最优的目标函数为：
[0017][0018]其中，表示粒子
j
在第
t
次迭代的适应度值大小，且即指粒子
j
在
D
维空间的坐标信息；
[0019]进一步地，步骤
S2
中，所述约束条件如下公式所示：
[0020]j∈J
i
[0021]其中，
J
i
为跟踪目标
i
的所有传感器的粒子集合；
[0022]进一步地，所述的粒子间交互学习为：
[0023][0024][0025][0026]其中，自然数
d
表示空间维度；
ew
ε
d
则表示“同伴”粒子
ε
的“记忆”对粒子
j
速度影响力大小；分别为为粒子
j
在第
t
次迭代时更新后的个体极值和全局极值；
Ts
为迭代步长；分别表示粒子
j
迭代更新后的位置和速度；
a
为设定常数；
ω
为惯性因子；
c1和
c2为学习因子，也称加速常数；
r1和
r2为均匀分布在
[0
，
1]范围内的随机实数，增加了粒子运动的随机性；其中
N
p
表示粒子
j
的所有“同伴”个数，即与其跟踪目标相同的其他粒子
。
[0027]有益效果：本专利技术利用交互学习粒子群优化算法良好的搜索性能，能够快速计算出多传感器的位置优化结果，将对目标跟踪误差的影响降到最低
。
附图说明
[0028]图1是本专利技术实施例的利用交互学习粒子群算法的多传感器位置分忧寻优后对多目标进行跟踪的整体流程框图；
[0029]图2是本专利技术实施例的交互学习粒子群算法的流程框图；
[0030]图3是本专利技术实施例的多传感器跟踪多目标的示意图；
[0031]图4是本专利技术实施例利用交互学习粒子群算法对多传感器位置寻优分布后对多目标跟踪的误差有优化示意图；
图5是本专利技术实施例的优化结果
。
具体实施方式
[0032]下面结合附图和实施例对本专利技术的技术方案作进一步的说明
。
[0033]本专利技术所述的一种快速
、
高效的优化多传感器跟踪能力
、
减小由传感器的观测位置所带来跟踪误差的方法，包括步骤：
[0034](1)
对多传感器位置的最优判断给定目标函数，即适应度函数；
[0035](2)
确定粒子间的交互条件；
[0036](3)
根据多传感器的初始设定位置，初始化粒子群的位置
s
d
和速度
v
d
；
[0037](4)
根据适应度函数计算当前每个粒子的适应度函数值，设置各初始粒子个体最优解
pb
和全局最优解
gb
；
[0038](5)
更新粒子的个体极值和全局极值：将每个粒子的适应度函数值与其经历过的最好位置
pb
比较，较好则作为当前的最好位置；将每个粒子的适应度函数值与全局经历的最好位置
gb
比较，较好则取代原值；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于交互学习粒子群算法对多传感器位置分布进行规划，以对移动多目标进行更精确跟踪
。
其特征在于：对于一个给定多传感器多目标跟踪系统，在移动传感器位置对观测信息的影响方面进行优化，利用交互学习粒子群算法对多传感器每个时刻的观测位置寻优分配，实现对移动多目标跟踪更加准确地定位跟踪
。
所述交互学习粒子群算法，包括步骤：
S1
：对多传感器位置的最优判断给定目标函数：所述判断位置最优的目标函数为：其中，表示粒子
j
在迭代第
t
次的适应度值大小，且即指粒子
j
在自然数
D
维空间的坐标信息；
S2
：确定粒子间的交互条件；所述交互条件如下公式所示：
j∈J
i
其中，
J
i
为跟踪目标
i
的所有粒子集合；
S3
：根据多传感器的初始设定位置，初始化粒子群；
S4
：根据适应度函数计算当前每个粒子的适应度函数值，设置各初始粒子个体最优解和全局最优解；
S5
：更新粒子的位置和速度：对于每个粒子，将其当前迭代的适应度函数值与之前迭代过程中的最优值进行比较，更新每个粒子的最优值和个体最优解；将当前迭代中所有粒子中的最优的适应度函数值与之前迭代得到的全局最优值进行比较，更新群体的全局最优值和全局最优解；
...

【专利技术属性】
技术研发人员：卢新彪，李芳，刘泽诚，肖之浩，邢昊，叶春林，谢旭鹏，
申请(专利权)人：河海大学，
类型：发明
国别省市：