技術(shù)特征：

1.一種基于并行模糊高斯和粒子濾波的目標(biāo)跟蹤方法，其特征在于，包括：

將傳感器系統(tǒng)劃分為多個子系統(tǒng)；

分別為每個所述子系統(tǒng)利用其邊界狀態(tài)對其在當(dāng)前目標(biāo)觀測時刻對目標(biāo)狀態(tài)的觀測結(jié)果使用模糊高斯和粒子濾波方法進行濾波，以獲取所述子系統(tǒng)當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)，其中不同的所述子系統(tǒng)在濾波過程中使用的狀態(tài)粒子不共享；

利用所有所述子系統(tǒng)當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)獲取所述傳感器系統(tǒng)當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)；

利用所述傳感器系統(tǒng)當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)獲取當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)估計值。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，

所述為所述子系統(tǒng)利用其邊界狀態(tài)對其當(dāng)前目標(biāo)觀測時刻觀測的目標(biāo)狀態(tài)使用模糊高斯和粒子濾波方法進行濾波包括：

對于所述子系統(tǒng)，利用高斯和構(gòu)建上一目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)、觀測噪聲概率密度函數(shù)以及過程噪聲概率密度函數(shù)；

根據(jù)高斯-厄米特積分和蒙特卡羅原理，利用所述上一目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)、所述過程噪聲概率密度函數(shù)和所述邊界狀態(tài)獲取當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)；

利用所述當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)、所述觀測結(jié)果和所述觀測噪聲概率密度函數(shù)獲取多個高斯項及其權(quán)值；

利用所述權(quán)值對所述高斯項進行重采樣，獲取其中權(quán)值最大的G個高斯項，其中G為正整數(shù)；

利用所述權(quán)值最大的G個高斯項獲取所述子系統(tǒng)當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，

對于第s個所述子系統(tǒng)，利用高斯和構(gòu)建的所述上一目標(biāo)觀測時刻n的目標(biāo)狀態(tài)后驗概率密度函數(shù)為G個第一高斯分布函數(shù)的加權(quán)和，具體定義為：

$p\left(x_n^s\right|z_{0:n}^s)=\underset{g=1}{\overset{G}{\Σ}}{\mathrm{\ω}}_{ng}^{s}N(x_n^s;{\hat{x}}_{\left(n\right|n)g}^s,P_{\left(n\right|n)g}^s)---\left(1\right)$

其中s＝1,2,…,S，S為所述傳感器系統(tǒng)中所述子系統(tǒng)的總數(shù)，為第g個所述第一高斯分布函數(shù)的均值，為第g個所述第一高斯分布函數(shù)的協(xié)方差，為第g個所述第一高斯分布函數(shù)的權(quán)值，g＝1,2,…,G，所述均值和所述協(xié)方差是利用當(dāng)前目標(biāo)觀測時刻n+1之前第s個所述子系統(tǒng)對目標(biāo)狀態(tài)的觀測結(jié)果而獲得的；

過程噪聲概率密度函數(shù)p(u_n)為K個第二高斯分布函數(shù)的加權(quán)和，具體定義為：

$p\left(u_n\right)=\underset{k=1}{\overset{K}{\Σ}}{\mathrm{\α}}_{k}N(u_n;{\widetilde{\mathrm{\μ}}}_{nk},{\widetilde{\Σ}}_{nk})---\left(2\right)$

其中α_k為第k個所述第二高斯分布函數(shù)的權(quán)值，且為非負常數(shù)同時滿足和分別表示第k個所述第二高斯分布函數(shù)的均值和協(xié)方差，k＝1,2,…,K；

觀測噪聲概率密度函數(shù)p(v_n)為L個第三高斯分布函數(shù)的加權(quán)和，具體定義為：

$p\left(v_n\right)=\underset{j=1}{\overset{L}{\Σ}}{\mathrm{\β}}_{j}N(v_n;{\widetilde{\mathrm{\μ}}}_{nj},{\widetilde{\Σ}}_{nj})---\left(3\right)$

其中β_j為第j個所述第三高斯分布函數(shù)的權(quán)值，且為非負常數(shù)同時滿足和分別表示第j個所述第三高斯分布函數(shù)的均值和協(xié)方差，j＝1,2,…,L。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，

所述根據(jù)高斯-厄米特積分和蒙特卡羅原理，利用所述上一目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)、所述過程噪聲概率密度函數(shù)和所述邊界狀態(tài)獲取當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)包括：

利用所述上一目標(biāo)觀測時刻n的目標(biāo)狀態(tài)后驗概率密度函數(shù)和所述過程噪聲概率密度函數(shù)獲取第一積分點粒子集，利用所述邊界狀態(tài)獲取邊界狀態(tài)粒子集，所述第一積分點粒子集和所述邊界狀態(tài)粒子集組成第一近似粒子集；

利用所述第一近似粒子集和所述子系統(tǒng)的狀態(tài)方程獲取預(yù)測粒子集；

利用所述預(yù)測粒子集獲取所述當(dāng)前目標(biāo)觀測時刻n+1的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，

所述利用所述上一目標(biāo)觀測時刻n的目標(biāo)狀態(tài)后驗概率密度函數(shù)和所述過程噪聲概率密度函數(shù)獲取第一積分點粒子集包括：

利用所述上一目標(biāo)觀測時刻n的目標(biāo)狀態(tài)后驗概率密度函數(shù)和所述過程噪聲概率密度函數(shù)p(u_n)獲取所述上一目標(biāo)觀測時刻n的目標(biāo)狀態(tài)后驗概率密度函數(shù)的每個所述第一高斯分布函數(shù)對應(yīng)的第一積分點

$x_{\left(n\right|n)g^{\′}}^{s,l}=\sqrt{P_{\left(n\right|n)g}^s}\·{\mathrm{\ξ}}^l+{\hat{x}}_{\left(n\right|n)g}^s+{\widetilde{\mathrm{\μ}}}_{nk}---\left(4\right)$

其中g(shù)’＝g+(k-1)K，g為所述第一高斯分布函數(shù)的序號，ξ^l為高斯-厄米特積分點，ξ^l對應(yīng)的權(quán)系數(shù)為l為所述高斯-厄米特積分點的序號，為所述過程噪聲概率密度函數(shù)p(u_n)的第k個所述第二高斯分布函數(shù)的均值，g＝1,2,…,G，k＝1,2,…,K，l＝1,2,…,m，m為所述高斯-厄米特積分點的總數(shù)；

根據(jù)高斯-厄米特積分原理，以所述第一積分點為均值，以第g個所述第一高斯分布函數(shù)的協(xié)方差為協(xié)方差，構(gòu)建所述上一目標(biāo)觀測時刻n的第一積分點概率密度函數(shù)

利用所述第一積分點概率密度函數(shù)獲取對應(yīng)的第一積分點粒子集其中i＝1,2,…,N，N為所述第一積分點粒子集中粒子的總數(shù)，所述第一積分點粒子集

所述利用所述邊界狀態(tài)獲取邊界狀態(tài)粒子集包括：

第s個所述子系統(tǒng)在所述上一目標(biāo)觀測時刻n收到m₁個子系統(tǒng)的邊界狀態(tài)i₁＝1,2,…,m₁，邊界狀態(tài)概率密度函數(shù)為其中所述邊界狀態(tài)概率密度函數(shù)的均值和協(xié)方差分別為：

其中π_i1表示第s個所述子系統(tǒng)在所述上一目標(biāo)觀測時刻n收到的第i₁個子系統(tǒng)的權(quán)值，其取值范圍為[0,1]且滿足

利用所述邊界狀態(tài)概率密度函數(shù)獲取邊界狀態(tài)粒子集其中

所述利用所述第一近似粒子集和所述子系統(tǒng)的狀態(tài)方程獲取預(yù)測粒子集包括：

所述預(yù)測粒子集為其中為所述子系統(tǒng)的狀態(tài)轉(zhuǎn)移概率密度函數(shù)，可由所述子系統(tǒng)的狀態(tài)方程得到，所述子系統(tǒng)的狀態(tài)方程為：

其中為第s個所述子系統(tǒng)在所述上一目標(biāo)觀測時刻n收到的所有鄰近子系統(tǒng)的狀態(tài)矢量；

所述利用所述預(yù)測粒子集獲取所述當(dāng)前目標(biāo)觀測時刻n+1的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)包括：

利用所述預(yù)測粒子集獲取所述第一積分點對應(yīng)的所述當(dāng)前目標(biāo)觀測時刻n+1的均值和協(xié)方差

${\hat{x}}_{(n+1|n)g^{\′}}^{s,l}=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{x}_{(n+1|n)g^{\′}}^{s,l,i}---\left(8\right)$

$P_{(n+1|n)g^{\′}}^{s,l}=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}(x_{(n+1|n)g^{\′}}^{s,l,i}-{\hat{x}}_{(n+1|n)g^{\′}}^{s,l}){(x_{(n+1|n)g^{\′}}^{s,l,i}-{\hat{x}}_{(n+1|n)g^{\′}}^{s,l})}^T---\left(9\right)$

利用所述均值和協(xié)方差獲取所述當(dāng)前目標(biāo)觀測時刻n+1的目標(biāo)狀態(tài)的共G’個第四高斯分布函數(shù)，其中G’＝K*G，第g’個所述第四高斯分布函數(shù)的均值和協(xié)方差為：

${\hat{x}}_{(n+1|n)g^{\′}}^s=\underset{l=1}{\overset{m}{\Σ}}{\mathrm{\ω}}_l^s{\hat{x}}_{(n+1|n)g^{\′}}^{s,l}---\left(10\right)$

$P_{(n+1|n)g^{\′}}^s=\underset{l=1}{\overset{m}{\Σ}}{\mathrm{\ω}}_l^s{P}_{(n+1|n)g^{\′}}^{s,l}---\left(11\right)$

計算第g’個所述第四高斯分布函數(shù)的權(quán)值：

將G’個所述第四高斯分布函數(shù)的加權(quán)和作為當(dāng)前目標(biāo)觀測時刻n+1的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，

所述利用所述當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)、所述觀測結(jié)果和所述觀測噪聲概率密度函數(shù)獲取多個高斯項及其權(quán)值包括：

利用所述當(dāng)前目標(biāo)觀測時刻n+1的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)獲取所述當(dāng)前目標(biāo)觀測時刻n+1的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)的每個所述第四高斯分布函數(shù)對應(yīng)的第二積分點

$x_{(n+1|n)g^{\′},j}^{s,l}=\sqrt{P_{(n+1|n)g^{\′}}^s}\·{\mathrm{\ξ}}^l+{\hat{x}}_{(n+1|n)g^{\′}}^s---\left(14\right)$

其中g(shù)’＝1,2,…,G’，j＝1,2,…,L；

為所述第二積分點構(gòu)建其重要性函數(shù)

利用所述重要性函數(shù)獲取所述第二積分點的第二近似粒子集其中

利用最大熵模糊聚類原理計算所述第二近似粒子集中粒子的權(quán)值

${\mathrm{\μ}}_{g^{\′},j}^{s,l,i}=e^{-{\mathrm{\αd}}_{ij}^2}/\underset{k=1}{\overset{N}{\Σ}}{e}^{-{\mathrm{\αd}}_{kj}^2}---\left(15\right)$

其中α為拉格朗日乘子，為所述當(dāng)前目標(biāo)觀測時刻n+1的觀測結(jié)果z_n+1與所述第二近似粒子集中的粒子之間的模糊隸屬度，表示所述第二近似粒子集中的粒子與所述當(dāng)前目標(biāo)觀測時刻n+1的觀測結(jié)果z_n+1之間的歐氏距離；

利用所述第二近似粒子集中的粒子權(quán)值計算其對應(yīng)的所述第二積分點的權(quán)值

其中m₂為加權(quán)指數(shù)，l1＝1,2,…m；

利用所述第二近似粒子集及其中粒子的權(quán)值獲取所述第二積分點對應(yīng)的均值和協(xié)方差

利用所述第二積分點的權(quán)值均值和協(xié)方差獲取高斯項其中所述高斯項的均值和協(xié)方差分別為：

${\hat{x}}_{(n+1|n+1)g^{\′},j}^s=\underset{l=1}{\overset{m}{\Σ}}{\mathrm{\ω}}_{g^{\′},j}^{s,l}{\hat{x}}_{(n+1|n+1)g^{\′},j}^{s,l}---\left(20\right)$

$P_{(n+1|n+1)g^{\′},j}^s=\underset{l=1}{\overset{m}{\Σ}}{\mathrm{\ω}}_{g^{\′},j}^{s,l}{P}_{(n+1|n+1)g^{\′},j}^{s,l}---\left(21\right)$

利用所述第二近似粒子集及其中粒子的權(quán)值和所述觀測噪聲概率密度函數(shù)p(v_n)獲取所述高斯項的權(quán)值

其中

所述利用所述權(quán)值對所述高斯項進行重采樣，獲取其中權(quán)值最大的G個高斯項包括：

將計算得到的G*K*L個所述高斯項按照權(quán)值的降序排列并獲取前G個所述高斯項及權(quán)值g＝1,2,…,G；

判斷所述權(quán)值是否小于預(yù)設(shè)閾值

若小于，則修改所述高斯項的均值為協(xié)方差為其中q為隨機提取，且q∈{1,...,G}，提取到q的概率正比于標(biāo)準(zhǔn)化權(quán)值若不小于，則保留所述高斯項

為每個所述高斯項執(zhí)行前一步驟以獲取所述權(quán)值最大的G個高斯項；

所述利用所述權(quán)值最大的G個高斯項獲取所述子系統(tǒng)當(dāng)前目標(biāo)觀測時刻n+1的目標(biāo)狀態(tài)后驗概率密度函數(shù)包括：

所述當(dāng)前目標(biāo)觀測時刻n+1的目標(biāo)狀態(tài)后驗概率密度函數(shù)為均值為協(xié)方差為的高斯分布，其中所述均值和協(xié)方差分別為：

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，

所述利用所有所述子系統(tǒng)當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)獲取所述傳感器系統(tǒng)當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)包括：

所述傳感器系統(tǒng)當(dāng)前目標(biāo)觀測時刻n+1的目標(biāo)狀態(tài)后驗概率密度函數(shù)p(x_n+1|z_0:n+1)為均值為協(xié)方差為P_n+1|n+1的高斯分布，其中所述均值和協(xié)方差P_n+1|n+1分別為：

${\hat{x}}_{n+1|n+1}=\underset{s=1}{\overset{S}{\Σ}}{\mathrm{\β}}_s\·{\hat{x}}_{n+1|n+1}^s---\left(25\right)$

$P_{n+1|n+1}=\underset{s=1}{\overset{S}{\Σ}}{\mathrm{\β}}_s\·P_{n+1|n+1}^s---\left(26\right)$

其中

8.根據(jù)權(quán)利要求1-7中任一項所述的方法，其特征在于，

所述利用所述傳感器系統(tǒng)當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)獲取當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)估計值包括：

根據(jù)最大后驗準(zhǔn)則或最小均方誤差準(zhǔn)則，利用所述傳感器系統(tǒng)當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)獲取當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)估計值。

9.一種基于并行模糊高斯和粒子濾波的目標(biāo)跟蹤裝置，其特征在于，包括：

劃分模塊，用于將傳感器系統(tǒng)劃分為多個子系統(tǒng)；

濾波模塊，用于分別為每個所述子系統(tǒng)利用其邊界狀態(tài)對其在當(dāng)前目標(biāo)觀測時刻對目標(biāo)狀態(tài)的觀測結(jié)果使用模糊高斯和粒子濾波方法進行濾波，以獲取所述子系統(tǒng)當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)，其中不同的所述子系統(tǒng)在濾波過程中使用的狀態(tài)粒子不共享；

綜合模塊，用于利用所有所述子系統(tǒng)當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)獲取所述傳感器系統(tǒng)當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)；

估計模塊，用于利用所述傳感器系統(tǒng)當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)獲取當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)估計值。

10.一種基于并行模糊高斯和粒子濾波的目標(biāo)跟蹤裝置，其特征在于，包括：處理器和傳感器系統(tǒng)，所述處理器耦接所述傳感器系統(tǒng)；

所述處理器用于將所述傳感器系統(tǒng)劃分為多個子系統(tǒng)；分別為每個所述子系統(tǒng)利用其邊界狀態(tài)對其在當(dāng)前目標(biāo)觀測時刻對目標(biāo)狀態(tài)的觀測結(jié)果使用模糊高斯和粒子濾波方法進行濾波，以獲取所述子系統(tǒng)當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)，其中不同的所述子系統(tǒng)在濾波過程中使用的狀態(tài)粒子不共享；利用所有所述子系統(tǒng)當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)獲取所述傳感器系統(tǒng)當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)；利用所述傳感器系統(tǒng)當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)獲取當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)估計值。