随机集理论概述

《随机集理论概述》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、随机集概述1引言随机集理论(RandomSetsTheory,RST)主要是指有限集统计(FISST)理论，需要较为复杂的数学基础，如集合论、逻辑代数、测度论、拓扑学和泛函分析等。该理论能够解决复杂环境下信息融合、多目标跟踪的各种问题，是目前信息融合和多目标跟踪研究领域最受关注的方向之一。利用随机集理论，可以将多目标问题中的探测、跟踪、属性识别等问题统一起来，并能解决多目标状态的后验估计、多目标信息融合算法的性能评估等棘手问题。20世纪70年代，随机集理论最早由D．G．Kendall和G．Mathe

2、ron分别基于统计几何的思想各自独立提出的。G.Matheron在研究的过程中丰富了随机集理论。随后，Mahler于1994年系统地提出了随机集理论的一种特例即有限集合统计学理论，该理论在信息融合和多目标跟踪领域中的应用经历了三个发展阶段：(1)研究起步阶段(1994—1996年)该阶段的研究主要集中在多传感器多目标跟踪问题利用随机集理论的数学描述。Mahler将一些单传感器和单目标的概念“直接”推广到多传感器多目标系统。利用Bayes方法、随机集统计学理论对多传感器多目标状态估计问题进行了重新描述

3、，并证明Dempster-Shafer理论、模糊逻辑、基于准则的推理都是规范Bayes建模方法的推论。(2)研究发展阶段(1997—1999年)这段时期，Mahler等人在前期研究基础上完善了多目标系统规范Bayes方法的有关内容，更着力设计一种更为系统和实际的不确定信息处理和融合方法。(3)理论研究成果的实现阶段(2000—至今)在此期间，Mahler等人利用随机集理论将单传感器单目标系统推广到多传感器多目标系统的研究中。从统计的角度提出了多目标集合概率分布的“一阶矩滤波器”概念以及相应的PHD滤

4、波算法。近年来，基于随机集理论的方法应用在信息融合和多目标跟踪中，越来越受到学者的重视，国外学者以I.R.Goodman，RonaldMahler，Ba-NguVo等为代表，已取得大量的理论成果以及一些应用成果。国内对随机集理论在多目标跟踪方面的研究只处于起步阶段，对于随机集的研究仍很大程度停留在枯燥的理论研究阶段的初期。但对于有限集合统计(FISST)的研究已有了初步的成果，近五、六年内才逐渐有关于这方面的文章发表。随着国外研究的发展推动，国内有很多科研单位已经开始进行该领域的探索研究，以上海交通

5、大学的施文康教授、杭州电子科技大学的文成林教授、海军航空工程学院的何友教授为代表的研究者及其研究团队在随机集领域做了大量的理论工作，已取得一些研究成果，但并没有形成明显的应用研究成果。因此，在随机集统计理论、PHDF算法研究和应用实践方面，特别是随机集在多目标跟踪方面的研究，我国仍然需要加大投入，赶超国外的先进技术，促使以后的研究工作将更多的集中在如何将它应用到现实环境中。2随机集理论及其性质2.1随机集理论随机集是指取值为集合的随机元，是概率论中随机变量(或随机向量)概念的推广，实际上就是元素及其

6、个数都是随机变量的集合。随机变量处理的是随机点函数，而随机集处理的是随机集值函数。随机集理论是点变量(向量)统计学向“集合变量”统计学的一种推广。这里可用两个例子来形象的说明随机变量和随机集的概念。图2.1(a)以“转盘赌博”游戏为例解释随机变量的概念。转盘的每一次旋转相当于一个随机试验w，它属于样本空间Ω。每次随机试验得到的结果是指针指向的随机整数值x，它是一个随机变量，它取集合A中的某一个数值。这里A={$0，$5，$10，$15，$25，$30，$80，$100}，可对每个x(w)的取值赋予一

7、定的概率P。类似地，一个随机集也是一个随机变量，但是它的取值是一个集合，即由某个集合的若干子集构成的集类上的一个元素。图2.1(b)是以多目标身份识别为例解释随机集的概念。设A’={a,b,c}代表三种不同类型的目标，则A’的8个子集构成一个集类，其中包括空集。若随机试验与上例中相同，则每次随机试验得到的结果是指针指向的随机有限集合X，这就是一个随机集，并可对随机集的每次实现赋予一定的概率P，如图2.1(b)所示，例如X(w)={a,b}表示观测到a、b两个目标，X(w)={Ø}表示没有观测到目标。

8、可见，当X(w)只取单元素集合时，它就相当于一个随机变量。P(w∈Ω:x(w)=$0)=0.284P(w∈Ω:x(w)={a})=0.284$0{a}P(w∈Ω:x(w)=$5)=0.200P(w∈Ω:x(w)={b})=0.126$100$80P(w∈Ω:x(w)=$10)=0.126{Ø}{a,b,c}P(w∈Ω:x(w)={c})=0.082$25P(w∈Ω:x(w)=$15)=0.131{c}P(w∈Ω:x(w)={a,b})=0.200P(w∈Ω:x(w)=