[发明专利]一种基于目标运动模式混合转移分布高阶交互式多模型滤波方法

说明书

一种基于混合转移分布的高阶交互式多模型滤波方法，本发明涉及基于混合转移分布的高阶交互式多模型滤波方法。本发明为了解决现有方法中高阶马尔科夫链的设置参数多、设置过程繁琐以及精度较低的问题。本发明包括：一：采用混合转移分布模型得到n阶模型序列转移概率；二：对k时刻进行实时处理；三：对k＝1时的状态进行初始化；四：对k＝2时的状态进行初始化；五：对k进行判断，当k＝n时，则对k时刻的n阶模型序列概率，n阶模型序列状态估计值和相对应的协方差进行初始化；六：对3≤k≤n时的状态进行交互式多模型滤波算法；七：对kn时的状态进行广义高阶交互式多模型滤波。本发明用于机动目标跟踪领域。

技术领域

本发明涉及基于混合转移分布的高阶交互式多模型滤波方法。

背景技术

在目标跟踪的模型不确定问题中，常采用多模型滤波算法解决。其中在H.A.P.Blom,Y.Bar-Shalom.“The interacting multiple model algorithm for systemswith Markovian switching coefficients,”IEEE Transactions onAutomatic Control,vol.33(8),pp.780-783,1988中提出了经典的算法交互式多模型滤波算法(IMM)。该算法虽然能自适应识别当前时刻的模型，但精度却不是很高。

在P.Suchomski,“High-order interacting multiple-model estimation forhybrid systems with Markovian switchingparameters,”International JournalofSystems Science,vol.32(5),pp.669-679,2001中提出了广义高阶交互式多模型滤波方法(IMMn)，利用高阶模型序列更精确地估计目标状态。但这个方法的弊端是其中高阶马尔科夫链的设置比较复杂。其参数的个数随着阶数的增长而呈指数型增长，一来所需设置的参数太多，比较繁琐；二来同时把所有的参数设置得合理而不影响整体的状态估计是一件比较困难的事，因此会影响该算法运用到更高阶上。所以，需要一种更简单的方法来代替高阶马尔科夫链，并应用于高阶交互式多模型滤波方法。

毕欣；杜劲松；王伟；高洁；田星；赵越南；赵乾；丛日刚；仝盼盼；李想；张清石；徐洪庆；高扬，“一种基于自适应转移概率矩阵的交互多模型跟踪方法”，中国，2015-09-02以及韩红；李阳阳；陈兆平；王爽；智建纬；焦李成，“基于模糊推理的交互式多模型方法”中国，2009-07-08这两个专利中都对交互式多模型滤波方法进行了改进，但这些方法的阶数仍处于一阶，并没有利用充分利用高阶模型序列的先验信息，估计精度有待进一步改善。

发明内容

本发明的目的是为了解决现有广义高阶交互式多模型滤波方法中高阶马尔科夫链的设置参数多、设置过程繁琐以及精度较低的问题，而提出一种基于混合转移分布的高阶交互式多模型滤波方法。

一种基于混合转移分布的高阶交互式多模型滤波方法按以下步骤实现：

步骤一：采用混合转移分布模型得到n阶模型序列转移概率ρ(m_k|m_k-n,...,m_k-1)；

步骤二：估计的状态向量为和相对应的协方差为对k时刻进行实时处理；当k＝1时，转至步骤三；当k＝2时，转至步骤四；当3≤k≤n时，转至步骤六；当k＞n时，转至步骤七；

步骤三：对k＝1时的状态进行初始化后，转步骤二等待处理下一k＝k+1时刻的雷达观测数据；

步骤四：对k＝2时的状态进行初始化后，转至步骤五；