[发明专利]基于误差-模糊分解的一阶伪贝叶斯机动目标跟踪方法

说明书

本发明公开了一种基于误差‑模糊分解的一阶伪贝叶斯机动目标跟踪方法，本发明先采用误差模糊度分解(EAD)原理来推导EAD‑MSA(误差模糊度分解‑模型序列集适应)标准，该标准在最小化估计值与真实值之间的平方差是最优的。从而构造了EAD一阶伪贝叶斯模型(EAD—VSGPB1)方法。本发明计算量小，可广泛应用于机动目标跟踪领域。该方法可以提高对目标跟踪的精度性和鲁棒性。

技术领域

本发明涉及机动目标跟踪领域，涉及一种误差-模糊分解的一阶伪贝叶斯机动目标跟踪方法。

背景技术

虽然单模型贝叶斯目标跟踪方法可以很好地应用于非机动目标跟踪问题。但是机动目标在不同时间下不同运动模型的跟踪问题也是非常重要的，并且这些随机机动模型通常对于跟踪方法是未知的。虽然我们可以使用单个模型贝叶斯跟踪方法来跟踪机动目标，但是当先前运动模型与真实机动模式不匹配时，可能会导致跟踪失败。

为了解决上述问题，出现了多模型方法，并且通过具有离散和连续状态的混合系统来描述机动运动。多模型方法的关键思想是，如果目标模型难以通过一个模型来描述，那么可以使用一组涵盖所有可能的运动模型来描述。结果，目标真实模型通过具有合适权重的多个模型的组合来近似。因此，对于多模型跟踪方法，跟踪质量取决于模型集的质量以及估计的模型权重。

通常，最优的多模型方法难以实现。一方面，最优多模型方法应该基于最优模型序列集来构建。但是，获得最佳模型序列集并非易事。另一方面，即使最优模型序列集可用，我们仍然需要考虑最优多模型方法的完整假设集。因此，在过去几十年中提出了许多次优方法，包括静态多模型(SMM)方法，一般伪贝叶斯(GPB)方法，交互作用的多模型(IMM)方法，以及变结构多模型(VSMM)方法。静态多模型作为最简单的多模型方法，使用固定的模型集来覆盖实际模型，适用于一些弱机动场景。然而，当目标经历频繁的模型改变时，SMM的效果可能会变差。对于模型频繁改变的机动目标来说，GPB和IMM方法比SMM方法更适合表达马尔可夫链的模型变化。然后，该模型可以通过模型概率转移矩阵在模型间之间相互转换。交互式多模型(IMM)方法采用最后两个Markov步骤的模型信息是非常高效的，而且只消耗接近一阶马尔可夫链方法的计算量。在某些场景中，目标会有复杂的强机动运动。然后，我们需要一个更大规模的模型集来涵盖所有可能的机动模型。但问题是，虽然可以使用更多的模型来覆盖实际模型，但是过多的模型竞争(许多不相关的模型竞争成为有效模型)不仅会降低结果，还会增加计算负担。

发明内容

本发明针对强机动目标跟踪常规的基准MM方法(IMM和LMS)具有的局限性，提出了一种基于误差-模糊分解的一阶伪贝叶斯机动目标跟踪方法。

本发明方法的具体步骤是：

步骤1：构建单传感器单目标跟踪场景，并对目标的运动模型进行初始化；

建立目标的运动模型：x_k＝f_k，k-1(x_k-1，s(k))+v_k

式中，x_k和s(k)分别是目标状态向量和系统模式；f_k，k-1是基于模式的目标状态转换函数，v_k是过程噪声。

目标在时间1到k真实模型序列S_k＝{s(1)，s(2)，...，s(k)}.类似地，目标在时间1到k的模型序列这里m(k)是时间k上有效模型，而且上标l意味着是所有可能的模型序列中的一个可行模型序列。

k时刻，观测方程的表达式是，

z_k＝g_k(x_k)+w_k

式中，z_k表示k时刻的观测向量；g_k是相应的观测函数，为线性的或非线性的；w_k观察误差为高斯分布的白噪声。