本發(fā)明涉及魚群追蹤
技術領域：
，具體是一種魚類運動狀態(tài)的模型算法。
背景技術：
：運動目標追蹤是當今科學研究的熱點也是非常重要的研究工具，水下目標跟蹤源于軍事領域的研究，最近一段時期才在民用方面開展起來，且最近幾年研究的熱度也在不斷地提高。在漁業(yè)領域的研究目前還比較少，在對魚群追蹤和個體追蹤計數(shù)等方面，有著廣闊的研究前景。目前在水下運動目標追蹤研究方面，國外的一些研究機構已經(jīng)做了較多的研究工作。但是魚類的運動變化大，很難用一種運動模型來描述實時的運動狀態(tài)?，F(xiàn)常用運動模型，要么適合勻速運動的物體，要么適合加速變化不大的物體，像魚類的運動速度變化大并且加速度變化也大，而且方向也不確定的物體，很難用一種運動模型來描述魚類的運動狀態(tài)，因此在這些基礎常用的運動模型的基礎上提出了綜合運用二階勻速模型(CV)、三階勻加速模型(CA)和布朗模型這三種運動模型結合的交互式多模型算法來描述魚類的運動狀態(tài)。技術實現(xiàn)要素：本發(fā)明的目的在于提供一種魚類運動狀態(tài)的模型算法，以解決上述
背景技術：
中提出的問題。為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：一種魚類運動狀態(tài)的模型算法，過程如下：(1)在聲學圖像中設有T個目標，其狀態(tài)方程和測量方程分別表示為Xt(k)=Ft(k-1)+Wt(k-1)Z(k-1)=H(k-1)Xt(k-1)+V(k-1)]]>式中：k＝1，2，…；t＝1，2，…，T；其中Xt(k)為k時刻目標t的狀態(tài)向量初值，Xt(0)是均值為協(xié)方差的隨機向量，且獨立于Wt(k)；Ft(k)為目標t的狀態(tài)轉移矩陣；Wt(k)為狀態(tài)噪聲，其均值為零的高斯白噪聲；Z(k)為k時刻目標的測量值；H(k)為測量矩陣；V(k)為測量噪聲，其均值為零的高斯白噪聲；(2)在整個過程中，運動模型是N個模型中的一個，即魚類處在N個模式中的某一個，Mi為系統(tǒng)處在模式i的先驗概率為P{Mi|Z0}＝μi(0)ι＝1，2，…，N式中：Z0為先驗信息，而(3)分別以CV模型(二階勻速模型)-M1、CA模型(三階勻加速模型)-M2和布朗模型-MN三種運動模型來構成模型算法，其狀態(tài)轉移矩陣分別如下：F1=100000000000000001000000000000,F2=1Ts0000100000000001Ts00001000000,FM=1TsTs20001Ts0000000001TsTs20001Ts00000.]]>與現(xiàn)有技術相比，本發(fā)明的有益效果是：本發(fā)明交互式多模型算法用于解決被追蹤的目標發(fā)生機動狀態(tài)時建立運動模型困難的問題，其一般由兩個以上的運動模型交互得到目標狀態(tài)的估計，用模型的后驗概率對濾波器的輸入、輸出進行加權計算，使得算法中的當前模型盡可能接近金槍魚的實際運動狀況，具有遞推性、模塊化、固定的運算量突出的優(yōu)點。附圖說明圖1為本發(fā)明交互式多模型算法的流程圖。具體實施方式下面將結合本發(fā)明實施例，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。魚類運動狀態(tài)的模型算法，過程如下：(1)在聲學圖像中設有T個目標，其狀態(tài)方程和測量方程分別表示為Xt(k)=Ft(k-1)+Wt(k-1)Z(k-1)=H(k-1)Xt(k-1)+V(k-1)]]>式中：k＝1，2，…；t＝1，2，…，T；其中Xt(k)為k時刻目標t的狀態(tài)向量初值，Xt(0)是均值為協(xié)方差的隨機向量，且獨立于Wt(k)；Ft(k)為目標t的狀態(tài)轉移矩陣；Wt(k)為狀態(tài)噪聲，其均值為零的高斯白噪聲；Z(k)為k時刻目標的測量值；H(k)為測量矩陣；V(k)為測量噪聲，其均值為零的高斯白噪聲；(2)在整個過程中，運動模型是N個模型中的一個，即魚類處在N個模式中的某一個，Mi為系統(tǒng)處在模式i的先驗概率為P{Mi|Z0}＝μi(0)ι＝1，2，…，N式中：Z0為先驗信息，而(3)分別以CV模型(二階勻速模型)-M1、CA模型(三階勻加速模型)-M2和布朗模型-MN三種運動模型來構成模型算法，其狀態(tài)轉移矩陣分別如下：F1=100000000000000001000000000000,F2=1Ts0000100000000001Ts00001000000,FM=1TsTs20001Ts0000000001TsTs20001Ts00000.]]>本發(fā)明交互式多模型算法(IMM算法)是由混合狀態(tài)系統(tǒng)發(fā)展而來的一種優(yōu)秀的跟蹤算法，基本的思想是假設分支的合并，模型之間基于一個馬爾可夫鏈進行切換，目標的狀態(tài)是多個濾波器相互交互作用的結果，1MM算法常被用于解決被追蹤的目標發(fā)生機動狀態(tài)時建立運動模型困難的問題，其一般由兩個以上的運動模型交互得到目標狀態(tài)的估計，用模型的后驗概率對濾波器的輸入、輸出進行加權計算，使得算法中的當前模型盡可能接近金槍魚的實際運動狀況，其具有遞推性、模塊化、固定的運算量三個突出的特點。如圖1所示，本發(fā)明交互式多模型算法的流程如下：首先輸入k＝1時的各模型的狀態(tài)方程X1(0/0)、X2(0/0)、XN(0/0)，得到各模型狀態(tài)方程X01(0/0)、X02(0/0)、XON(0/0)，根據(jù)Z(1)測量方程以及運動模型濾波器M1(1)、M2(1)、MN(1)，可得到各模型的概率Λ1(1)、Λ2(1)、ΛN(1)、μ(1)以及估算的各模型的狀態(tài)方程X1(1)、X2(1)、XN(1)，然后輸入k＝2，如此遞推出狀態(tài)方程X(k)。對于本領域技術人員而言，顯然本發(fā)明不限于上述示范性實施例的細節(jié)，而且在不背離本發(fā)明的精神或基本特征的情況下，能夠以其他的具體形式實現(xiàn)本發(fā)明。因此，無論從哪一點來看，均應將實施例看作是示范性的，而且是非限制性的，本發(fā)明的范圍由所附權利要求而不是上述說明限定，因此旨在將落在權利要求的等同要件的含義和范圍內(nèi)的所有變化囊括在本發(fā)明內(nèi)。當前第1頁1 2 3