ggiwphd

PHD-фильтр гамма-гауссова инверсия Wishart (GGIW)

Описание

ggiwphd объект - фильтр, реализующий плотность гипотезы вероятности (PHD) с использованием смеси гамма-гауссовых компонентов Инверсии-Вишарта. Реализация GGIW PHD-фильтра обычно используется для отслеживания расширенных объектов. Расширенный объект может производить несколько обнаружений на датчик, и фильтр GGIW использует модель случайной матрицы для учета пространственного распределения этих обнаружений. Фильтр состоит из трех распределений для представления состояния расширенного объекта.

Гауссово распределение - представляет кинематическое состояние расширенного объекта.
Гамма-распределение - представляет ожидаемое количество обнаружений на датчике от расширенного объекта.
Обратное распределение по Вишарту (IW) - представляет пространственную протяженность цели. В 2-м месте степень представлена случайной положительной определенной матрицей 2 на 2, которая соответствует 2-му описанию эллипса. В 3-D пространстве экстент представлен случайной матрицей 3 на 3, что соответствует 3-D эллипсоидному описанию. Плотность вероятности этих случайных матриц задается как распределение Инверсия-Вишарта.

Для получения подробной информации о ggiwphd, см. [1] и [2].

Примечание

ggiwphd объект несовместим с trackerGNN, trackerJPDA, и trackerTOMHT системные объекты.

Создание

Синтаксис

PHD = ggiwphd

PHD = ggiwphd (состояния, состояния ковариации)

phd = ggiwphd (состояния, ковариации состояния, имя, значение)

Описание

PHD = ggiwphd создает ggiwphd фильтр со значениями свойств по умолчанию.

PHD = ggiwphd(States,StateCovariances) позволяет указать States и StateCovariances гауссова распределения для каждого компонента в плотности. States и StateCovariances задайте свойства одинаковых имен.

пример

phd = ggiwphd(States,StateCovariances,Name,Value) также позволяет задать свойства фильтра, используя одну или несколько пар имя-значение. Заключите каждое имя свойства в кавычки.

Свойства

развернуть все

`States` - Состояние каждого компонента в фильтре
Матрица P-by-N

Состояние каждого компонента в фильтре, определяемое как матрица P-by-N, где P - размерность состояния, а N - количество компонентов. Каждый столбец матрицы соответствует состоянию каждого компонента. Значение по умолчанию для States является матрицей 6 на 2, в которой все элементы первого столбца равны 0, а все элементы второго столбца равны 1.

Типы данных: single | double

`StateCovariances` - Ковариация ошибок оценки состояния каждого компонента в фильтре
Массив P-by-P-by-N

Ковариация ошибок оценки состояния каждого компонента в фильтре, заданная как массив P-by-P-by-N, где P - размерность состояния, а N - количество компонентов. Каждая страница (матрица P-by-P) массива соответствует ковариационной матрице каждого компонента. Значение по умолчанию для StateCovariances множество 6 на 6 на 2, в котором каждая страница (матрица 6 на 6) является матрицей идентичности.

Типы данных: single | double

`PositionIndex` - Индексы координат положения в состоянии
`[1 3 5]` | вектор строки положительных целых чисел

Индексы координат положения в состоянии, задаваемые как вектор строки положительных целых чисел. Например, по умолчанию состояние упорядочено как [x; vx; y; vy; z; vz], и соответствующий индекс позиции равен[1 3 5] представление координат x, y и z-положения.

Пример: [1 2 3]

Типы данных: single | double

`StateTransitionFcn` - Функция перехода к состоянию
`@constvel` (по умолчанию) | дескриптор функции

Функция перехода состояния, заданная как дескриптор функции. Эта функция вычисляет вектор состояния на временном шаге k из вектора состояния на временном шаге k-1. Функция также может включать значения шума.

Если HasAdditiveProcessNoise является true, укажите функцию, используя один из следующих синтаксисов:
```
x(k) = transitionfcn(x(k-1))
```
```
x(k) = transitionfcn(x(k-1),dT)
```
где x(k) - оценка состояния в момент времени k, и dT является временным шагом.
Если HasAdditiveProcessNoise является false, укажите функцию, используя один из следующих синтаксисов:
```
x(k) = transitionfcn(x(k-1),w(k-1))
```
```
x(k) = transitionfcn(x(k-1),w(k-1),dT)
```
где x(k) - оценка состояния в момент времени k, w(k) является технологическим шумом в момент времени k, и dT является временным шагом.

Пример: @constacc

Типы данных: function_handle

`StateTransitionJacobianFcn` - Якобян государственной переходной функции
@ constveljac (по умолчанию) | дескриптор функции

Якобиан функции перехода состояния, указанный как дескриптор функции. Эта функция имеет те же входные аргументы, что и функция перехода состояния.

Если HasAdditiveProcessNoise является true, укажите якобинскую функцию, используя один из следующих синтаксисов:
```
Jx(k) = statejacobianfcn(x(k))
```
```
Jx(k) = statejacobianfcn(x(k),dT)
```
где x(k) - состояние в момент времени k, dT является временным шагом, и Jx(k) обозначает якобиан функции перехода состояния относительно состояния. Якобиан является матрицей M-by-M в момент времени k, где M - размерность состояния.
Если HasAdditiveProcessNoise является false, укажите якобинскую функцию, используя один из следующих синтаксисов:
```
[Jx(k),Jw(k)] = statejacobianfcn(x(k),w(k))
```
```
[Jx(k),Jw(k)] = statejacobianfcn(x(k),w(k),dT)
```
где w(k) - Q-элементный вектор шума процесса в момент времени k. Q - размер шума процесса. В отличие от случая аддитивного шума процесса, вектор шума процесса в случае неаддитивного шума не обязательно должен иметь те же размеры, что и вектор состояния.
Jw(k) обозначает M-на-Q якобиана прогнозируемого состояния относительно элементов шума процесса, где M - размерность состояния.

Если не указано, якобинцы вычисляются числовой разницей при каждом вызове predict функция. Это вычисление может увеличить время обработки и числовую неточность.

Пример: @constaccjac

Типы данных: function_handle

`ProcessNoise` - Ковариация технологического шума
`eye(3)` (по умолчанию) | положительный скаляр вещественных значений | положительная матрица вещественных значений

Ковариация шума технологического процесса:

Когда HasAdditiveProcessNoise является true, указать ковариацию шума процесса как скаляр или положительную определенную действительную матрицу M-by-M. M - размерность вектора состояния. При задании в качестве скаляра матрица кратна единичной матрице M-by-M.
Когда HasAdditiveProcessNoise является false, укажите ковариацию шума процесса как матрицу Q-by-Q. Q - размер вектора шума процесса. Необходимо указать ProcessNoise перед любым вызовом predict объектная функция.

Пример: [1.0 0.05; 0.05 2]

`HasAdditiveProcessNoise` - Модельный аддитивный технологический шум
`false` (по умолчанию)

Опция для моделирования обработки шума как присадки, указанная как true или false. Когда это свойство true, к вектору состояния добавляется шум процесса. В противном случае шум включается в функцию перехода состояния.

Пример: true

`Shapes` - Параметр формы гамма-распределения для каждого компонента
`[1 1]` (по умолчанию) | 1-by-N вектор строки положительных вещественных значений

Параметр формы Гамма распределения для каждого компонента, определенного как вектор ряда положительных реальных ценностей 1 на Н. N - количество компонентов в плотности.

Пример: [1.0 0.95 2]

Типы данных: single | double

`Rates` - Параметр скорости гамма-распределения для каждого компонента
`[1 1]` (по умолчанию) | 1-by-N вектор строки положительного вещественного значения

Параметр уровня Гамма распределения для каждого компонента, определенного как вектор ряда положительных реальных ценностей 1 на Н. N - количество компонентов в плотности.

Пример: [1.2 0.85 1.5]

Типы данных: single | double

`GammaForgettingFactors` - Коэффициент забывания гамма-распределения для каждого компонента
`[1 1]` (по умолчанию) | 1-by-N вектор строки положительного вещественного значения

Упущение фактора Гамма распределения для каждого компонента, определенного как вектор ряда положительных реальных ценностей 1 на Н. N - количество компонентов в плотности. Во время прогнозирования для каждого компонента параметры гамма-распределения, форма (α) и скорость (β), делятся на коэффициент забывания n:

$\begin{array}{l} _{ak + 1} | \frac{_{|}}{_{k}} \\ _{=} \frac{_{αknkβk}}{_{+}} \end{array}$ 1 | k = βknk

где k и k + 1 представляют два последовательных временных шага. Среднее значение (E) и дисперсия (Var) гамма-распределения :

$\begin{array}{l} E \frac{=}{} \\ \frac{αβVar}{^{=}} \end{array}$ αβ2

Следовательно, действие деления сохранит ожидаемую скорость измерения как постоянную, но увеличит дисперсию гамма-распределения экспоненциально со временем, если коэффициент забывания n больше 1.

Пример: [1.2 1.1 1.4]

Типы данных: single | double

`DegreesOfFreedom` - параметр степеней свободы распределения Инверсия-Вишарта для каждого компонента;
`[100 100]` (по умолчанию) | 1-by-N вектор строки положительного вещественного значения

Параметр степеней свободы Обратного-Wishart распределения для каждого компонента, определенного как вектор ряда положительных реальных ценностей 1 на Н. N - количество компонентов в плотности.

Пример: [55.2 31.1 20.4]

Типы данных: single | double

`ScaleMatrices` - Масштабная матрица распределения Инверсия-Вишарта для каждого компонента
Массив d-by-d-by-N положительного вещественного значения

Матрица масштабирования распределения Инверсия-Вишарта для каждого компонента, заданная как массив d-by-d-by-N положительных вещественных значений. d - размер пространства (например, d = 2 для 2-D пространства), а N - количество компонентов в плотности. Значение по умолчанию для ScaleMatrices множество 3 на 3 на 2, где каждая страница (матрица 3 на 3) множества 100*eye(3).

Пример: 20*eye(3,3,4)

Типы данных: single | double

`ExtentRotationFcn` - Передаточная функция поворота протяженности цели
`@(x,varargin)eye(3)` (по умолчанию) | дескриптор функции

Функция перехода поворота протяженности цели, заданная как дескриптор функции. Функция позволяет прогнозировать поворот протяженности цели при оценке угловой скорости объекта в векторе состояния. Чтобы определить собственную функцию поворота экстента, следуйте синтаксису, заданному

R = myRotationFcn(x,dT)

где x - состояние компонента, dT является временным шагом, и R - соответствующая матрица поворота. Обратите внимание, что R возвращается как матрица 2 на 2, если экстент 2-D, и как матрица 3 на 3, если экстент 3-D. Степень на следующем шаге задается

$Ex (t + dT) = R \times^{}$ Ex (t) × RT

где Ex (t) - степень в момент времени t.

Пример: @myRotationFcn

Типы данных: function_handle

`TemporalDecay` - Коэффициент временного спада распределения IW
`100` (по умолчанию) | положительный скаляр

Коэффициент временного затухания распределения IW, определяемый как положительный скаляр. Это свойство можно использовать для управления неопределенностью экстента (дисперсией распределения IW) во время прогнозирования. Чем меньше TemporalDecay значение равно, чем быстрее увеличивается дисперсия распределения IW.

Пример: 120

Типы данных: single | double

`Labels` - Этикетка каждого компонента в смеси
`[0 0]` (по умолчанию) | 1-by-N вектор строки неотрицательного целого числа

Этикетка каждого компонента в смеси, определенной как вектор ряда неотрицательных целых чисел 1 на Н. N - количество компонентов в плотности. Каждый компонент может иметь только одну метку, но несколько компонентов могут совместно использовать одну метку.

Пример: [1 2 3]

Типы данных: single | double

`Weights` - Масса каждого компонента в смеси
`[1 1]` (по умолчанию) | 1-by-N вектор строки положительного вещественного значения

Вес каждого компонента в плотности, определенной как вектор ряда положительных реальных ценностей 1 на Н. N - количество компонентов в плотности. Веса приведены в последовательности, как показано на labels собственность.

Пример: [1.1 0.82 1.1]

Типы данных: single | double

`Detections` - Обнаружения
Массив ячеек K-элемента `objectDetection` объекты

Обнаружения, указанные как массив ячеек K-элемента objectDetection , где K - количество обнаружений. Можно непосредственно создавать обнаружения или получать их из выходных данных объектов датчиков, например: radarSensor, monostaticRadarSensor, irSensor, и sonarSensor.

Типы данных: single | double

`MeasurementFcn` - Функция модели измерения
`@cvmeas` (по умолчанию) | дескриптор функции

Функция модели измерения, заданная как дескриптор функции. Эта функция определяет переход от состояния к измерению. На входе в функцию находится вектор состояния P-элемента. Выходной сигнал представляет собой M-элементный измерительный вектор. Функция может принимать дополнительные входные аргументы, такие как положение датчика и ориентация.

Если HasAdditiveMeasurementNoise является true, укажите функцию, используя один из следующих синтаксисов:
```
z(k) = measurementfcn(x(k))
```
```
z(k) = measurementfcn(x(k),parameters)
```
где x(k) - состояние в момент времени k и z(k) - соответствующее измерение. parameters аргумент обозначает все дополнительные аргументы, требуемые функцией измерения.
Если HasAdditiveMeasurementNoise является false, укажите функцию, используя один из следующих синтаксисов:
```
z(k) = measurementfcn(x(k),v(k))
```
```
z(k) = measurementfcn(x(k),v(k),parameters)
```
где x(k) - состояние в момент времени k и v(k) - шум измерения в момент времени k. parameters аргумент обозначает все дополнительные аргументы, требуемые функцией измерения.

Пример: @cameas

Типы данных: function_handle

`MeasurementJacobianFcn` - Якобиан функции измерения
`@cvmeasjac` (по умолчанию) | дескриптор функции

Якобиан функции измерения, указанной как дескриптор функции. Функция имеет те же входные аргументы, что и функция измерения. Функция может принимать дополнительные входные параметры, такие как положение датчика и ориентация.

Если HasAdditiveMeasurmentNoise является true, укажите якобинскую функцию, используя один из следующих синтаксисов:
```
Jmx(k) = measjacobianfcn(x(k))
```
```
Jmx(k) = measjacobianfcn(x(k),parameters)
```
где x(k) - состояние в момент времени k. Jmx(k) обозначает M-by-P якобиана функции измерения относительно состояния. M - размерность измерения, а P - размерность состояния. parameters аргумент обозначает все аргументы, требуемые функцией измерения.
Если HasAdditiveMeasurmentNoise является false, укажите якобинскую функцию, используя один из следующих синтаксисов:
```
[Jmx(k),Jmv(k)] = measjacobianfcn(x(k),v(k))
```
```
[Jmx(k),Jmv(k)] = measjacobianfcn(x(k),v(k),parameters)
```
где x(k) - состояние в момент времени k и v(k) - R-мерный вектор шума выборки. Jmx(k) обозначает матрицу якобиана M-by-P функции измерения относительно состояния. Jmv(k) обозначает якобиан функции измерения M-by-R относительно шума измерения. parameters аргумент обозначает все аргументы, требуемые функцией измерения.

Если не указано, якобинцы измерения вычисляются с использованием численных разностей при каждом вызове correct функция. Это вычисление может увеличить время обработки и числовую неточность.

Пример: @cameasjac

Типы данных: function_handle

`HasAdditiveMeasurementNoise` - Модельный аддитивный измерительный шум
`false` (по умолчанию)

Опция для моделирования шума измерений в качестве добавки, указанная как true или false. Когда это свойство trueк вектору состояния добавляют шум измерения. В противном случае шум включается в функцию измерения.

Пример: true

`MaxNumDetections` - Максимальное количество обнаружений
`100` (по умолчанию) | положительное целое число

Максимальное количество обнаружений ggiwphd фильтр может принимать в качестве входного значения, определяемого как положительное целое число.

Пример: 50

Типы данных: single | double

`MaxNumComponents` - Максимальное количество компонентов
`1000` (по умолчанию) | положительное целое число

Максимальное количество компонентов ggiwphd фильтр может поддерживать, указанное как положительное целое число.

Типы данных: single | double

Функции объекта

`append`	Добавить два `phd` фильтрация объектов
`correct`	Правильный `phd` фильтр с обнаружениями
`correctUndetected`	Правильный `phd` фильтр без гипотезы обнаружения
`extractState`	Извлечь оценки целевого состояния из `phd` фильтр
`labeledDensity`	Сохранение компонентов с заданным идентификатором метки
`likelihood`	Логарифмическая вероятность ассоциации между ячейками обнаружения и компонентами в плотности
`merge`	Объединение компонентов в плотности `phd` фильтр
`predict`	Предсказать плотность вероятностной гипотезы phd-фильтра
`prune`	Удаление фильтра путем удаления выбранных компонентов
`scale`	Масштабирование весов компонентов в плотности
`clone`	Создать дубликат `phd` объект фильтра

Примеры

свернуть все

Создание фильтра ggiwphd с двумя компонентами 3-D

Открыть сценарий в реальном времени

Создание ggiwphd фильтр с двумя 3D постоянными скоростными компонентами. Начальными состояниями двух компонентов являются [0; 0; 0; 0; 0; 0] и [1; 0; 1; 0; 1; 0] соответственно. Обе эти компоненты имеют ковариацию положения, равную 1, и ковариацию скорости, равную 100. По умолчаниюggiwphd создает 3-D матрицу экстента для каждого компонента.

states = [zeros(6,1),[1;0;1;0;1;0]];
cov1 = diag([1 100 1 100 1 100]);
covariances = cat(3,cov1,cov1);

phd = ggiwphd(states,covariances,'StateTransitionFcn',@constvel,...
             'StateTransitionJacobianFcn',@constveljac,...
             'MeasurementFcn',@cvmeas,'MeasurementJacobianFcn',@cvmeasjac,...
             'ProcessNoise',eye(3),'HasAdditiveProcessNoise',false,...
             'PositionIndex',[1;3;5]);

Укажите сведения об экстенте.

dofs = [21 30];
scaleMatrix1 = 13*diag([4.7 1.8 1.4].^2);
scaleMatrix2 = 22*diag([1.8 4.7 1.4].^2); 
scaleMatrices = cat(3,scaleMatrix1,scaleMatrix2);
phd.DegreesOfFreedom = dofs;
phd.ScaleMatrices = scaleMatrices;
phd.ExtentRotationFcn = @(x,dT)eye(3); % No rotation during prediction

Спрогнозировать фильтр на 0,1 секунды вперед.

predict(phd,0.1);

Укажите обнаружения через 0,1 секунды. Фильтр принимает 10 обнаружений при текущем сканировании.

detections = cell(10,1);
rng(2018); % Reproducible results
for i = 1:10
   detections{i} = objectDetection(0.1,randi([0 1]) + randn(3,1));
end
phd.Detections = detections;

Выберите две ячейки обнаружения и рассчитайте их вероятность.

detectionIDs = false(10,2);
detectionIDs([1 3 5 7 9],1) = true;
detectionIDs([2 4 6 8 10],2) = true;
lhood = likelihood(phd,detectionIDs)

lhood = 2×2

    1.5575   -0.3183
    0.1513   -0.7616

Исправьте фильтр с помощью двух ячеек обнаружения и связанных с ними вероятностей.

correct(phd,detectionIDs, exp(lhood)./sum(exp(lhood),1));
phd

phd = 
  ggiwphd with properties:

                         States: [6x4 double]
               StateCovariances: [6x6x4 double]
                  PositionIndex: [3x1 double]
             StateTransitionFcn: @constvel
     StateTransitionJacobianFcn: @constveljac
                   ProcessNoise: [3x3 double]
        HasAdditiveProcessNoise: 0

                         Shapes: [6 6 6 6]
                          Rates: [2 2 2 2]
         GammaForgettingFactors: [1 1 1 1]

               DegreesOfFreedom: [25.9870 34.9780 25.9870 34.9780]
                  ScaleMatrices: [3x3x4 double]
              ExtentRotationFcn: @(x,dT)eye(3)
                  TemporalDecay: 100

                        Weights: [0.8032 0.1968 0.6090 0.3910]
                         Labels: [0 0 0 0]

                     Detections: {1x10 cell}
                 MeasurementFcn: @cvmeas
         MeasurementJacobianFcn: @cvmeasjac
    HasAdditiveMeasurementNoise: 1

Объединение компонентов в фильтре.

merge(phd,5);
phd

phd = 
  ggiwphd with properties:

                         States: [6x2 double]
               StateCovariances: [6x6x2 double]
                  PositionIndex: [3x1 double]
             StateTransitionFcn: @constvel
     StateTransitionJacobianFcn: @constveljac
                   ProcessNoise: [3x3 double]
        HasAdditiveProcessNoise: 0

                         Shapes: [6 6.0000]
                          Rates: [2 2]
         GammaForgettingFactors: [1 1]

               DegreesOfFreedom: [25.9870 34.9780]
                  ScaleMatrices: [3x3x2 double]
              ExtentRotationFcn: @(x,dT)eye(3)
                  TemporalDecay: 100

                        Weights: [1.4122 0.5878]
                         Labels: [0 0]

                     Detections: {1x10 cell}
                 MeasurementFcn: @cvmeas
         MeasurementJacobianFcn: @cvmeasjac
    HasAdditiveMeasurementNoise: 1

Извлечение оценок состояния и обнаружений.

targetStates = extractState(phd,0.5);
tStates = targetStates.State

tStates = 6×1

    0.1947
    0.9733
    0.8319
    4.1599
   -0.0124
   -0.0621

    
d = [detections{:}];
measurements = [d.Measurement];

Визуализация результатов.

figure()
plot3(measurements(1,:),measurements(2,:),measurements(3,:),'x','MarkerSize',10,'MarkerEdgeColor','b');
hold on;
plot3( tStates(1,:),tStates(3,:),tStates(5,:),'ro');
xlabel('x')
ylabel('y')
zlabel('z')
legend('Detections','Components')

Figure contains an axes. The axes contains 2 objects of type line. These objects represent Detections, Components.

Ссылки

[1] Грансторм, К. и О. Оргунер ". PHD-фильтр для отслеживания нескольких расширенных целей с помощью случайных матриц ". Транзакции IEEE при обработке сигналов. Том 60, номер 11, 2012, стр. 5657-5671.

[2] Грансторм, К. и А. Натале, П. Брака, Г. Людено и Ф. Серафино. «Гамма-гауссова гипотеза обратной вероятности Вишарта для расширенного сопровождения цели с использованием данных морской РЛС X-диапазона». Сделки IEEE по геологии и дистанционному зондированию. Том 53, номер 12, 2015, стр. 6617-6631.

Расширенные возможности

Создание кода C/C + +
Создайте код C и C++ с помощью MATLAB ® Coder™

Примечания и ограничения по использованию:

Конфигурация генерации кода должна разрешать использование рекурсии merge способ.

См. также

gmphd | partitionDetections | trackerPHD | trackingSensorConfiguration

Представлен в R2019a

Документация

ggiwphd

Описание

Создание

Синтаксис

Описание

Свойства

`States` - Состояние каждого компонента в фильтре
Матрица P-by-N

`StateCovariances` - Ковариация ошибок оценки состояния каждого компонента в фильтре
Массив P-by-P-by-N

`PositionIndex` - Индексы координат положения в состоянии
`[1 3 5]` | вектор строки положительных целых чисел

`StateTransitionFcn` - Функция перехода к состоянию
`@constvel` (по умолчанию) | дескриптор функции

`StateTransitionJacobianFcn` - Якобян государственной переходной функции
@ constveljac (по умолчанию) | дескриптор функции

`ProcessNoise` - Ковариация технологического шума
`eye(3)` (по умолчанию) | положительный скаляр вещественных значений | положительная матрица вещественных значений

`HasAdditiveProcessNoise` - Модельный аддитивный технологический шум
`false` (по умолчанию)

`Shapes` - Параметр формы гамма-распределения для каждого компонента
`[1 1]` (по умолчанию) | 1-by-N вектор строки положительных вещественных значений

`Rates` - Параметр скорости гамма-распределения для каждого компонента
`[1 1]` (по умолчанию) | 1-by-N вектор строки положительного вещественного значения

`GammaForgettingFactors` - Коэффициент забывания гамма-распределения для каждого компонента
`[1 1]` (по умолчанию) | 1-by-N вектор строки положительного вещественного значения

`ScaleMatrices` - Масштабная матрица распределения Инверсия-Вишарта для каждого компонента
Массив d-by-d-by-N положительного вещественного значения

`ExtentRotationFcn` - Передаточная функция поворота протяженности цели
`@(x,varargin)eye(3)` (по умолчанию) | дескриптор функции

`TemporalDecay` - Коэффициент временного спада распределения IW
`100` (по умолчанию) | положительный скаляр

`Labels` - Этикетка каждого компонента в смеси
`[0 0]` (по умолчанию) | 1-by-N вектор строки неотрицательного целого числа

`Weights` - Масса каждого компонента в смеси
`[1 1]` (по умолчанию) | 1-by-N вектор строки положительного вещественного значения

`Detections` - Обнаружения
Массив ячеек K-элемента `objectDetection` объекты

`MeasurementFcn` - Функция модели измерения
`@cvmeas` (по умолчанию) | дескриптор функции

`MeasurementJacobianFcn` - Якобиан функции измерения
`@cvmeasjac` (по умолчанию) | дескриптор функции

`HasAdditiveMeasurementNoise` - Модельный аддитивный измерительный шум
`false` (по умолчанию)

`MaxNumDetections` - Максимальное количество обнаружений
`100` (по умолчанию) | положительное целое число

`MaxNumComponents` - Максимальное количество компонентов
`1000` (по умолчанию) | положительное целое число

Функции объекта

Примеры

Создание фильтра ggiwphd с двумя компонентами 3-D

Ссылки

Расширенные возможности

Создание кода C/C + +
Создайте код C и C++ с помощью MATLAB ® Coder™

См. также

Документация по комплекту инструментов для слияния и отслеживания датчиков

Поддержка

Документация

ggiwphd

Описание

Создание

Синтаксис

Описание

Свойства

States - Состояние каждого компонента в фильтре Матрица P-by-N

StateCovariances - Ковариация ошибок оценки состояния каждого компонента в фильтре Массив P-by-P-by-N

PositionIndex - Индексы координат положения в состоянии [1 3 5] | вектор строки положительных целых чисел

StateTransitionFcn - Функция перехода к состоянию @constvel (по умолчанию) | дескриптор функции

StateTransitionJacobianFcn - Якобян государственной переходной функции @ constveljac (по умолчанию) | дескриптор функции

ProcessNoise - Ковариация технологического шума eye(3) (по умолчанию) | положительный скаляр вещественных значений | положительная матрица вещественных значений

HasAdditiveProcessNoise - Модельный аддитивный технологический шум false (по умолчанию)

Shapes - Параметр формы гамма-распределения для каждого компонента [1 1] (по умолчанию) | 1-by-N вектор строки положительных вещественных значений

Rates - Параметр скорости гамма-распределения для каждого компонента [1 1] (по умолчанию) | 1-by-N вектор строки положительного вещественного значения

GammaForgettingFactors - Коэффициент забывания гамма-распределения для каждого компонента [1 1] (по умолчанию) | 1-by-N вектор строки положительного вещественного значения

ScaleMatrices - Масштабная матрица распределения Инверсия-Вишарта для каждого компонента Массив d-by-d-by-N положительного вещественного значения

ExtentRotationFcn - Передаточная функция поворота протяженности цели @(x,varargin)eye(3) (по умолчанию) | дескриптор функции

TemporalDecay - Коэффициент временного спада распределения IW 100 (по умолчанию) | положительный скаляр

Labels - Этикетка каждого компонента в смеси [0 0] (по умолчанию) | 1-by-N вектор строки неотрицательного целого числа

Weights - Масса каждого компонента в смеси [1 1] (по умолчанию) | 1-by-N вектор строки положительного вещественного значения

Detections - Обнаружения Массив ячеек K-элемента objectDetection объекты

MeasurementFcn - Функция модели измерения @cvmeas (по умолчанию) | дескриптор функции

MeasurementJacobianFcn - Якобиан функции измерения @cvmeasjac (по умолчанию) | дескриптор функции

HasAdditiveMeasurementNoise - Модельный аддитивный измерительный шум false (по умолчанию)

MaxNumDetections - Максимальное количество обнаружений 100 (по умолчанию) | положительное целое число

MaxNumComponents - Максимальное количество компонентов 1000 (по умолчанию) | положительное целое число

Функции объекта

Примеры

Создание фильтра ggiwphd с двумя компонентами 3-D

Ссылки

Расширенные возможности

Создание кода C/C + + Создайте код C и C++ с помощью MATLAB ® Coder™

См. также

Документация по комплекту инструментов для слияния и отслеживания датчиков

Поддержка

`States` - Состояние каждого компонента в фильтре
Матрица P-by-N

`StateCovariances` - Ковариация ошибок оценки состояния каждого компонента в фильтре
Массив P-by-P-by-N

`PositionIndex` - Индексы координат положения в состоянии
`[1 3 5]` | вектор строки положительных целых чисел

`StateTransitionFcn` - Функция перехода к состоянию
`@constvel` (по умолчанию) | дескриптор функции

`StateTransitionJacobianFcn` - Якобян государственной переходной функции
@ constveljac (по умолчанию) | дескриптор функции

`ProcessNoise` - Ковариация технологического шума
`eye(3)` (по умолчанию) | положительный скаляр вещественных значений | положительная матрица вещественных значений

`HasAdditiveProcessNoise` - Модельный аддитивный технологический шум
`false` (по умолчанию)

`Shapes` - Параметр формы гамма-распределения для каждого компонента
`[1 1]` (по умолчанию) | 1-by-N вектор строки положительных вещественных значений

`Rates` - Параметр скорости гамма-распределения для каждого компонента
`[1 1]` (по умолчанию) | 1-by-N вектор строки положительного вещественного значения

`GammaForgettingFactors` - Коэффициент забывания гамма-распределения для каждого компонента
`[1 1]` (по умолчанию) | 1-by-N вектор строки положительного вещественного значения

`ScaleMatrices` - Масштабная матрица распределения Инверсия-Вишарта для каждого компонента
Массив d-by-d-by-N положительного вещественного значения

`ExtentRotationFcn` - Передаточная функция поворота протяженности цели
`@(x,varargin)eye(3)` (по умолчанию) | дескриптор функции

`TemporalDecay` - Коэффициент временного спада распределения IW
`100` (по умолчанию) | положительный скаляр

`Labels` - Этикетка каждого компонента в смеси
`[0 0]` (по умолчанию) | 1-by-N вектор строки неотрицательного целого числа

`Weights` - Масса каждого компонента в смеси
`[1 1]` (по умолчанию) | 1-by-N вектор строки положительного вещественного значения

`Detections` - Обнаружения
Массив ячеек K-элемента `objectDetection` объекты

`MeasurementFcn` - Функция модели измерения
`@cvmeas` (по умолчанию) | дескриптор функции

`MeasurementJacobianFcn` - Якобиан функции измерения
`@cvmeasjac` (по умолчанию) | дескриптор функции

`HasAdditiveMeasurementNoise` - Модельный аддитивный измерительный шум
`false` (по умолчанию)

`MaxNumDetections` - Максимальное количество обнаружений
`100` (по умолчанию) | положительное целое число

`MaxNumComponents` - Максимальное количество компонентов
`1000` (по умолчанию) | положительное целое число

Создание кода C/C + +
Создайте код C и C++ с помощью MATLAB ® Coder™