1.一种基于蜣螂优化算法的多扩展目标跟踪优化方法,其特征在于,包括以下步骤:S1、获取监视区域的多扩展目标和传感器;对所述多扩展目标进行初始化得到初始目标模型,并设定传感器控制规则;
S2、对所述初始目标模型进行预测得到多扩展目标的概率密度;
S3、基于所述传感器控制规则,采用蜣螂优化算法获得传感器最优观测位置;
S4、基于所述传感器最优观测位置,并基于所述传感器最优观测位置更新所述多扩展目标的概率密度;
S5、基于所述多扩展目标的概率密度更新所述初始目标模型得到多扩展目标状态;
S6、循环执行S2-S5,直至目标跟踪结束,得到多扩展目标的运动状态和外围轮廓;
所述传感器控制规则为:
式中,f
采用基于伽马高斯逆威沙特泊松多伯努利的预测方法对所述初始目标模型进行预测得到多扩展目标的概率密度;
其中,所述多扩展目标的概率密度为:式中,
采用蜣螂优化算法获得传感器最优观测位置的过程包括:初始化蜣螂种群分布,其中,所述蜣螂种群包括:滚球蜣螂、产卵蜣螂、小蜣螂和偷窃蜣螂;
基于光照强度和蜣螂舞蹈确定所述滚球蜣螂的位置;
基于局部最佳位置进行进行寻优区域划分,所述产卵蜣螂基于寻优区域确定卵球位置;
基于全局最佳位置定义最佳搜索区域,所述小蜣螂通过所述最佳搜索区域搜索最优解更新小蜣螂位置;
基于所述局部最佳位置和全局最佳位置更新偷窃蜣螂位置;
基于所述蜣螂种群中个体间的位置更新和信息交互得到全局最优解;
基于所述全局最优解得到传感器最优观测位置;
基于所述传感器最优观测位置更新所述多扩展目标的概率密度的过程包括:基于所述传感器最优观测位置得到最优观测集;
对所述最优观测集中的量测值进行量测单元的划分得到每一个量测单元的似然函数值;
基于所述每一个量测单元的似然函数值更新所述多扩展目标的概率密度;
所述最优观测集的计算公式为:
式中,
基于似然函数计算每一个量测单元的似然函数值,其中,计算公式为:式中,
2.根据权利要求1所述的基于蜣螂优化算法的多扩展目标跟踪优化方法,其特征在于,更新所述多扩展目标的概率密度的过程包括对未检测到的目标更新和对已检测到的目标更新;
其中,所述未检测到的目标更新为:其中,
3.根据权利要求2所述的基于蜣螂优化算法的多扩展目标跟踪优化方法,其特征在于,对已检测到的目标更新包括误检目标参数更新、存活目标参数更新、新生目标参数更新。