抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
データ連想は複数のターゲット追跡の重要な構成要素であり,その中で,センサによって得られた各測定がターゲットに属するかどうかを決定することができる。しかし,文献で報告されている多くの方法は,特に高密度クラッタの存在下で,関連プロセス中の精度と低い計算複雑性を確実にすることができない。本論文では,強化学習(RL),すなわちいわゆるRL-JPDA法に基づく新しいデータ連想法を,前述の問題を解決するために提案した。提案手法では,測定の利用可能な情報を得るために,RLを利用した。さらに,ターゲットの運動特性を利用して,相関結果の精度を保証した。実験を行い,提案手法を大域的最近傍データ連想法,結合確率データ連想法,ファジィ最適メンバーシップデータ連想法,直観論理ファジィ結合確率データ連想法と比較した。結果は,提案方法が他の方法と比較してより短い実行時間をもたらすことを示した。さらに,それは高密度クラッタを有する環境において効果的で実行可能な推定を得ることができる。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】