Algoritmos de redução de misturas para rastreamento de alvos em desordem

A solução bayesiana do problema de rastrear um alvo em desordem aleatória dá origem a distribuições de mistura gaussiana, que são compostas por um número cada vez maior de componentes. Para implementar tal filtro de rastreamento, o crescimento dos componentes deve ser controlado aproximando a distribuição da mistura. Um esquema popular e econômico é o Filtro de Associação de Dados Probabilísticos (PDAF), que reduz a mistura a um único componente gaussiano a cada passo de tempo. No entanto, essa aproximação pode destruir informações valiosas, especialmente se vários componentes significativos e bem espaçados estiverem presentes. Neste artigo, são apresentados dois novos algoritmos para reduzir distribuições de mistura gaussiana. Essas técnicas preservam a média e a covariância da mistura, e a aproximação final é ela mesma uma mistura gaussiana. A redução é alcançada fundindo sucessivamente pares de componentes ou grupos de componentes até que seu número seja reduzido a algum limite especificado. Uma redução adicional ocorrerá enquanto a aproximação das principais características da distribuição original ainda for boa. O desempenho do mais econômico desses algoritmos foi comparado ao do PDAF para o problema de rastrear um único alvo que se move em um plano de acordo com um modelo de segunda ordem. Um sensor linear que mede a posição do alvo é corrompido por desordem distribuída uniformemente. Dada uma probabilidade de detecção de unidade e conhecimento perfeito da posição inicial do alvo e velocidade, esse problema depende de apenas dois parâmetros adimensionais. A simulação de Monte Carlo foi empregada para identificar a região deste espaço de parâmetros onde uma melhoria significativa no desempenho é obtida em relação ao PDAF.© (1990) COPYRIGHT SPIE--The International Society for Optical Engineering. O download do resumo é permitido apenas para uso pessoal.