基于COW集群的6FLC-MDPFGA在多传感器多目标跟踪中的应用研究

论文摘要

遗传算法能有效地求解属于NP难类型的组合优化问题,现已成为寻求满意解的最佳工具之一。利用模糊逻辑控制器（FLC）在线调整遗传算法控制参数可以有效改善遗传算法性能。并行化结构可以提高遗传算法的运行速度,从而使其适应一些实时性要求较高的场合。针对多传感器多目标跟踪中的数据关联问题,为提高基于模糊遗传算法（FGA）的数据关联算法的效率和实时性,本文发展了一种新的具有六模糊控制器的多种群并行FGA（MDPFGA）,基本形成了基于6FLC-MDPFGA的并行数据关联算法的框架结构。所有算法均在利用MPI技术构建的COW集群上进行设计实现,并在多目标多站条件下无源定位（静态和动态）的仿真环境中进行了试验应用。首先,本文对MDPFGA以及COW集群的研究现状和应用可行性进行了概括,从信息融合理论的角度介绍了多传感器多目标跟踪算法研究的问题范围,对文中仿真实验目标问题的工程应用背景进行了说明,给出了本文研究课题的总体研究思路和主要工作内容。本文为基于六模糊控制器的模糊遗传算法（6FLC-FGA）设计了相应的自学习算法,为该算法中的模糊逻辑系统提供了一种自动化设计方案。在此基础上,提出了基于COW集群的6FLC-MDPFGA。对种群规模、迁移间隔、迁移率等重要参数进行了深入的研究,得出了在特定条件下参数选择的经验值和规律,定性分析了不同参数选择对于求解结果的不同影响。从而构建了一个可扩展的通用算法平台。多传感器多目标跟踪系统进行目标状态估计中的数据关联问题可以阐述为广义S维分配问题,当将该问题表达为约束组合优化问题时就可以用相应的6FLC-MDPFGA进行求解。本文基于极大似然法设计了相应的6FLC-MDPFGA进行量测静态关联,解决静态S维分配问题,并完成多目标跟踪航迹起始;基于多假设法提出了采用复合结构6FLC-MDPFGA进行量测/航迹动态关联,完成多目标跟踪航迹管理;在上述算法的基础上合成了基于6FLC-MDPFGA的广义S维分配算法;采用聚类技术提出了基于6FLC-MDPFGA的多维聚类分配算法。仿真实验的结果演示了6FLC-MDPFGA在多传感器多目标跟踪中应用的可行性。最后,本文提出一种新的基于“双DSP+FPGA集群”的硬件通用平台模型用于实现6FLC-MDPFGA的硬件算法,对6FLC-MDPFGA及其在多传感器多目标跟踪中应用的一些尚待解决的问题进行了讨论,并给出了对本课题未来研究的展望。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 并行多种群模糊遗传算法的理论研究现状和应用可行性分析
• 1.2.1 并行多种群模糊遗传算法的理论研究现状
• 1.2.2 并行多种群模糊遗传算法的应用可行性分析
• 1.3 计算机集群的理论研究现状和应用可行性分析
• 1.3.1 计算机集群的研究现状
• 1.3.2 计算机集群的应用可行性分析
• 1.4 多目标跟踪算法的理论研究
• 1.5 本文研究的主要内容、思路和仿真试验方法
• 1.5.1 本文研究的主要内容
• 1.5.2 本文总体研究思路
• 1.5.3 本文研究的仿真试验方法
• 1.6 本文的内容安排
• 第二章 具有自学习规则库的模糊自适应遗传算法
• 2.1 引言
• 2.2 自适应遗传算法
• 2.2.1 自适应遗传算法的分类
• 2.2.2 参数设置自适应遗传算法
• 2.2.3 基于模糊逻辑控制器的自适应遗传算法
• 2.3 基于六模糊控制器的自适应遗传算法
• 2.3.1 自适应参数设置控制策略
• 2.3.2 模糊控制器设计
• 2.3.3 算法主体结构
• 2.4 自学习混合模糊自适应遗传算法
• 2.4.1 动态参数AGA 模糊知识系统的自动化设计
• 2.4.2 自学习混合模糊自适应遗传算法的设计
• 2.4.3 算法测试
• 2.5 本章小结
• 第三章 基于COW 集群的6FLC-MDPFGA 算法的实现及其参数研究
• 3.1 引言
• 3.2 并行计算研究
• 3.2.1 并行算法的理论研究
• 3.2.2 并行计算机系统互连
• 3.2.3 并行计算机的基本性能测度指标
• 3.2.4 COW 集群技术发展现状
• 3.3 基于COW 集群的6FLC-MDPFGA 算法的实现
• 3.3.1 COW 集群及其关键构建技术MPI
• 3.3.2 6FLC-MDPFGA算法方案
• 3.3.3 6FLC-MDPFGA 算法实现
• 3.3.4 6FLC-MDPFGA 算法演示验证
• 3.4 基于 COW 集群的6FLC-MDPFGA 算法参数研究
• 3.4.1 算法参数设置试验及结果分析
• 3.4.2 研究结论及问题讨论
• 3.5 本章小结
• 第四章 广义S 维分配问题
• 4.1 引言
• 4.2 静态SD 分配问题
• 4.3 m-best SD 分配问题
• 4.4 动态2D 分配问题
• 4.5 广义SD分配算法概述
• 4.5.1 静态SD 分配算法
• 4.5.2 m-best SD分配算法
• 4.5.3 动态2D 分配算法
• 4.6 本章小结
• 第五章 基于6FLC-MDPFGA 的静态SD 分配算法
• 5.1 引言
• 5.2 问题描述
• 5.3 基于6FLC-MDPFGA 的静态SD 分配算法设计
• 5.4 算法仿真实验及分析
• 5.5 本章小结
• 第六章 基于6FLC-MDPFGA 的m-best SD 分配算法
• 6.1 引言
• 6.2 问题描述
• 6.3 基于6FLC-MDPFGA 的m-best SD 分配算法设计
• 6.3.1 基于FGA 的算法介绍
• 6.3.2 基于6FLC-MDPFGA 的m-best 2D 分配算法设计
• 6.3.3 基于6FLC-MDPFGA 的m-best SD 分配算法合成
• 6.4 算法仿真试验演示
• 6.5 本章小结
• 第七章 基于6FLC-MDPFGA 的多维聚类分配数据关联算法
• 7.1 引言
• 7.2 问题描述
• 7.2.1 采用分配问题公式的数据关联
• 7.2.2 聚类算法
• 7.3 基于6FLC-MDPFGA 的多维聚类分配数据关联算法设计
• 7.3.1 两维情况下采用被动或LOS 传感器的聚类算法
• 7.3.2 基于6FLC-MDPFGA 的多维聚类分配数据关联算法流程
• 7.4 算法仿真试验演示
• 7.4.1 SD 静态（准静态）分配问题
• 7.4.2 动态问题
• 7.5 本章小结
• 第八章 基于6FLC-MDPFGA 算法的硬件实现讨论
• 8.1 引言
• 8.2 基于FPGA 硬件算法现状
• 8.3 FPGA 设计简介
• 8.4 硬件动态可重构技术简介
• 8.5 6FLC-MDPFGA 算法的硬件实现讨论
• 8.5.1 并行模型的选择
• 8.5.2 算法设计
• 8.5.3 基于双 DSP+FPGA 集群的硬件实现平台模型
• 8.6 本章小结
• 第九章 全文总结
• 9.1 全文的研究工作和成果
• 9.2 研究展望
• 参考文献
• 致谢
• 攻读博士学位期间发表的论文及科研情况