[发明专利]一种基于高斯混合模型的数据关联方法

权利要求书

1.一种基于高斯混合模型的数据关联方法，其特征在于，包括：

步骤1、输入若干个目标的初始状态，根据所述若干个目标的初始状态和第一预设矩阵进行目标的状态预测，得到多目标跟踪的状态模型，所述目标的初始状态包括目标初始的位置、目标初始的速度；

步骤2、根据所述状态模型和第二预设矩阵进行目标的观测，得到目标的观测模型，根据所述观测模型计算目标的预测位置和新息协方差；

步骤3、根据所述观测模型和预设波门，得到若干目标有效量测，将每个所述目标有效量测等效为一高斯模型，得到若干所述高斯模型，将所述若干高斯模型加权求和得到一所述高斯混合模型，所述高斯混合模型为：

其中，I为所述高斯模型的数目，α为混合系数，μ为均值，Σ为方差；

步骤4、根据所述高斯混合模型构建后验概率模型，利用最大期望方法，不断迭代更新所述后验概率模型中的参数，并根据所述参数得到目标后验概率，其中，根据所述高斯混合模型构建的所述后验概率模型为：

其中，β_j∈{1,2,…I}为目标，y_j为目标有效量测，所述后验概率p_M(β_j＝i|y_j)记为γ_ji；

步骤5、根据所述目标后验概率构建关联矩阵，对所述关联矩阵进行搜索，找到每一列所述关联矩阵的最大目标后验概率，所述最大目标后验概率所在列对应所述目标，所述最大目标后验概率所在行对应所述目标有效量测。

2.根据权利要求1所述的方法，其特征在于，所述步骤1中得到的所述状态模型为：

x^t(k+1)＝F^t(k)x^t(k)+G^t(k)w^t(k)；

其中，x^t(k)和x^t(k+1)均为目标的状态，F^t(k)为所述第一预设矩阵，G^t(k)为噪声矩阵，w^t(k)为第一高斯白噪声。

3.根据权利要求2所述的方法，其特征在于，所述步骤2中得到的所述观测模型为：

z^t(k)＝H(k)x^t(k)+v(k)；

其中，z^t(k)为所述目标的观测，H(k)为所述第二预设矩阵，v(k)为第二高斯白噪声。

4.根据权利要求3所述的方法，其特征在于，所述步骤2根据所述观测模型计算目标的预测位置和新息协方差，其中，

所述目标的预测位置为：

所述目标的新息协方差为：

S(k+1)＝H(k+1)P^t(k+1|k)H(k+1)^T+R(k)；

其中，为所述目标的状态预测，P^t(k+1|k)为所述目标的方差预测，(·)^T为转置，R(k)为所述第二高斯白噪声的方差。

5.根据权利要求4所述的方法，其特征在于，所述步骤4中根据所述高斯混合模型构建后验概率模型，利用最大期望方法，不断迭代更新所述后验概率模型中的参数，并根据所述参数得到目标后验概率，包括：

根据所述后验概率模型、所述目标的数目、所述目标的预测位置和所述目标新息协方差，计算得到目标的初始后验概率；

根据所述后验概率模型、所述目标的初始后验概率，利用最大期望方法，不断迭代更新所述后验概率模型中的参数，并根据所述参数得到所述目标后验概率。