多目标数据关联基本方法

 针对多目标数据关联的基本方法而言，主要有三类:一类是面向目 标的方法，其中假设量测来自己知的目标或杂波，典型的方法有概率数据关联 ( P D A )和联合概率数据关联( J P D A ) ;二是面向量测的方法，其中假设量测来自己知的目 标、新目标或杂波、典型方法如多假设法 ( M H T ) :三是面向轨迹的方法，假设轨迹未被检测，己经终结与量测相关或者与机动起始相关。

     针对数学手段来说，基本方法主要有两种，一种是利用空间积累信息的贝叶斯方法另一种是依赖于时间积累的极大似然法。

     2 .概率数据关联算法( P D A F ，全称为p r o b a b i l i s t i c  d a t a ' a s s o c i a t i o n f i l t e r )

     概率数据关联算法在杂波环境下有很好的跟踪性能，此算法是由 B a r - S h a l o m 等在1 9 7 2年首先提出， 它是一种基千B a y e s 公式的数据关联方法， 此方法仅适用于单目 标或稀疏多目标跟踪，因为它的推导基于这样一个假设:在关联区域内仅有一个目 标的有效回波存在。P D A F 的荃本思想是:假设杂波环境下仅有一个目 标存在，并且这个目 标的航迹己经形成，如果回波有多个，则认为所有有效回波都可能源于目标，只是每个回波源于目标的概率有所不同。称此概率为关联概率。既然认为每个有效回波都有源于目标的可能性.因此在基
于所有有效回波对目 标的状态更新时先分别计算出每个有效回波对应滤波值得加权和，并将此加权和作为最终的目标状态估计值。若有多个目标时，看成是多个孤立目标，分别处理之

摘自《数据挖掘及融合技术研究与应用》

 

贝叶斯统计的思想

贝叶斯统计中的两个基本概念是先验分布和后验分布 。①先验分布。总体分布参数θ的一个概率分布。贝叶斯学派的根本观点，是认为在关于总体分布参数θ的任何统计推断问题中，除了使用样本所提供的信息外，还必须规定一个先验分布，它是在进行统计推断时不可缺少的一个要素。他们认为先验分布不必有客观的依据，可以部分地或完全地基于主观信念。②后验分布。根据样本分布和未知参数的先验分布，用概率论中求条件概率分布的方法，求出的在样本已知下，未知参数的条件分布。因为这个分布是在抽样以后才得到的，故称为后验分布。贝叶斯推断方法的关键是任何推断都必须且只须根据后验分布，而不能再涉及样本分布。
参见百度百科http://baike.baidu.com/view/189707.htm

极大似然法的思想
the method of maximum likelihood

 

　　求未知参数点估计的一种重要方法。思路是设一随机试验已知有若干个结果Ａ，Ｂ，Ｃ，…，如果在一次试验中Ａ发生了，则可认为当时的条件最有利于Ａ发生，故应如此选择分布的参数，使发生Ａ的概率最大。

 

　　对总体参数的估计分两种——点估计和区间估计。在点估计里，我们介绍两种求估计量的方法：矩估计法和极大似然估计法。从矩估计法公式我们得到,对正态总体 N(μ, σ2)，未知参数μ的矩估计,σ2的矩估计为sn2； μ, σ2的极大似然估计也分别为x和sn2.一般地，在相当多的情况下，矩估计与极大X，似然估计是一致的，但也确有许多情形，矩估计法和极大似然估计法给出的估计是不同的.谁优谁劣?我们可以用估计量的优劣标准进行评价．除此之外，亦可以根据问题的实际意义进行判定.