Li T, Da K, 2020. Best fit of mixture for distributed Poissonmulti-Bernoulli mixture filtering, https://doi.org/10.36227/techrxiv.12351710

讨论了一种普适性的多源信息融合Best Fit of Mixture原则：将多源后验分布posterior信息混合为一个mixture（包含了全部的信息），然后寻找一种与该mixture信息差异最小，且跟融合源posterior分布同构的新分布。

特别讨论了近年来随机集框架下的一种存在闭合递归解的 泊松多伯努利混合（Poisson Multi-Bernoulli Mixture，PMBM） 分布式融合实现。PMBM是标准多目标跟踪模型下的Conjugate Prior，这一点对于递归贝叶斯滤波很重要。 

研究发现：对多个MBM组成的加权mixture进行KLD最小逼近得到的MBM恰就是这些MBM的算术均值（Arithmetic Average，AA）！因此采用分布式Flooding点对点通信算法，以及 AA 融合方法就可以实现 MBM的精确闭合融合，简而美的组合。

论文基于PMBM框架证明和验证了该MBM-AA闭合融合的“数学美”和在克服漏检方面的显著性能。（当然还有不足，需要在融合子元上进一步merging for fusion...这个留在正式发表版本报道）

详细请见：

https://www.techrxiv.org/articles/Best_Fit_of_Mixture_For_Distributed_Poisson_Multi-Bernoulli_Mixture_Filtering/12351710

预印版DOI：10.36227/techrxiv.12351710

+++++++++++++++++++++++++++更多阅读+++++++++++++++++++++++++++++++

线性AA融合在 大规模传感网 分布式Multi-Bernoulli 滤波方面的优越性能

T. Li, X. Wang, Y. Liang and Q. Pan, "On Arithmetic Average Fusion and Its Application for Distributed Multi-Bernoulli Multitarget Tracking," in IEEE Transactions on Signal Processing, vol. 68, pp. 2883-2896, 2020, doi: 10.1109/TSP.2020.2985643.

1. 证明了 PDF-AA/GA融合的Frechet Mean 数学特性，从而将AA与GA两种均值融合归一到统一框架

2. 提出了一种target-wise fusion rule （目标敏感融合规则）

3. 提出对mixture中的元素进行聚类与2D匹配两种归类方法，从而可以采用target-wise fusion rule进行MB-AA融合，显著改善子元素的定位精度 ，获得了非常显著的融合精度、效率和稳健性！

4. 提出了两种通讯量极小/最小的 势一致性分布式MB滤波方案

Link： https://ieeexplore.ieee.org/document/9057730

近年来很热的神经网络中神经元节点之间的运算是不是也更多是加法融合/线性加和运算？

++++++++++++++++++++++++++++++++++++++++++++++++++++++++

相关博文链接：

多目标信息融合问题

并行一致性：网络通讯与节点滤波计算同步进行！

分布式网络信息共享：Many Could Be Better Than All

轻松多传感器多目标探测与跟踪！

通讯量最小的分布式多目标跟踪器

基于多传感器观测聚类的鲁邦多传感器PHD滤波

基于受限测距传感网的分布式多目标跟踪

基于算术均值一致性的分布式伯努利滤波目标联合探测与跟踪

基于算术均值一致性的高效、分布式、联合传感定位与多目标跟踪