एक बहु-모델 प्रॉबेबिलिटी हाइपोथेसिस घनत्व फ़िल्टर जो कि गतिशील लक्ष्यों की ट्रैकिंग के लिए है

अनिश्चित लक्ष्य गतिशीलताओं के साथ कई लक्ष्यों का ट्रैकिंग एक कठिन समस्या है, विशेष रूप से गैर-रेखीय राज्य और/या मापन समीकरणों के साथ। कई लक्ष्यों के साथ, लक्ष्य राज्यों पर पूर्ण पश्चात्य वितरण का प्रतिनिधित्व करना व्यावहारिक नहीं है। समस्या और भी जटिल हो जाती है जब लक्ष्य संख्या भिन्न होती है, जिस स्थिति में राज्य स्थान की आयामिकता स्वयं एक विवर्तनात्मक यादृच्छिक चर बन जाती है। प्रॉबेबिलिटी हाइपोथेसिस घनत्व (PHD) फ़िल्टर, जो केवल पूर्ण लक्ष्य पश्चात्य के पहले क्रम के सांख्यिकीय क्षण (या PHD) को प्रगति करता है, विभिन्न लक्ष्यों की संख्या के साथ मल्टीटार्गेट ट्रैकिंग समस्याओं के लिए एक कम्प्यूटेशनल रूप से कुशल समाधान के रूप में दिखाया गया है। राज्य स्थान के किसी भी क्षेत्र में PHD का समाकलन उस क्षेत्र में लक्ष्यों की अपेक्षित संख्या देता है। गतिशील लक्ष्यों के साथ, लक्ष्य गति मॉडल में परिवर्तनों का पता लगाना और ट्रैक करना भी महत्वपूर्ण हो जाता है, लेकिन वर्तमान PHD कार्यान्वयन इसके लिए एक तंत्र प्रदान नहीं करते हैं। लक्ष्य गतिशील मॉडल की अनिश्चितता को संभव गति मोड के लिए कई मॉडलों को मानकर हल किया जा सकता है और फिर मोड-शर्तित अनुमान को इंटरैक्टिंग मल्टीपल मॉडल (IMM) अनुमान के समान तरीके से संयोजित किया जा सकता है। इस पत्र में PHD फ़िल्टर का एक बहु मॉडल कार्यान्वयन प्रस्तुत किया गया है, जो समय के साथ प्रगति करने वाले भारित यादृच्छिक नमूनों के सेट द्वारा PHD के अनुमानित रूप में है, जिसका उपयोग अनुक्रमिक मोंटे कार्लो विधियों द्वारा किया जाता है। परिणामस्वरूप फ़िल्टर गैर-रेखीय, गैर-गौसीय गतिशीलता को बहु-संवेदी-मल्टीटारगेट ट्रैकिंग परिदृश्यों में अनिश्चित मॉडल मानकों के साथ संभाल सकता है। प्रस्तावित फ़िल्टर की प्रभावशीलता को दिखाने के लिए अनुकरण परिणाम प्रस्तुत किए गए हैं।