[发明专利]广义相关熵准则下的机动目标鲁棒跟踪方法

权利要求书

1.一种广义相关熵准则下的机动目标鲁棒跟踪方法，其特征在于，包括以下步骤：

步骤一：初始化所需的模型参数；

步骤二：计算子模型之间的混合概率；

步骤三：利用迭代方法求解基于最大广义相关熵准则下的、关于上一时刻子模型中目标状态估计的代价函数，得到上一时刻目标状态的混合估计；

步骤四：对混合的目标状态进行预测得到预测值；

步骤五：对预测的目标状态进行观测更新得到滤波估计值；

步骤六：对子模型的模型概率进行更新；

步骤七：利用迭代方法求解基于最大广义相关熵准则下的、关于当前时刻子模型中目标状态滤波估计的代价函数，得到当前时刻目标状态的最终估计；

步骤八：将当前时刻各个子模型的滤波估计值作为下一时刻步骤三中的各个子模型目标状态滤波估计的初始值，再回到步骤二重新依次执行，直至目标跟踪过程结束。

2.根据权利要求1所述一种广义相关熵准则下的机动目标鲁棒跟踪方法，其特征在于，步骤三满足以下条件：

建立关于上一时刻子模型中目标状态估计的广义相关熵代价函数J₁(·)

其中，||y||_Y代表经矩阵Y加权处理后的关于向量y的2范数，G_σ(e)代表高斯核函数，其表达式为G_σ(e)＝τ_α，βexp(-γ|e|^α)，e代表误差变量，α为形态参数，β为尺度参数，γ＝1/β^α为核参数，代表子模型之间的混合概率，τ_α，β＝α/(2βΓ(1/α))为归一化因子，Γ(·)代表伽玛函数，和分别代表每个子模型在k-1时刻的状态估计值和误差方差阵，它们在此处都为已知量，x_k-1|k-1为待求未知量，其解记为最大化广义相关熵就是要最大化该代价函数，通过梯度算法对该代价函数求导可以得到一个状态估计的迭代形式的解：

其中，定义矩阵如下：

式中上标t代表该数据来源于第t次迭代循环；若最后一次迭代记为T₁，则最终状态估计表达式应为

用基于Kullback-Leibler散度的信息融合策略对各个子模型的误差方差阵进行混合

式中为融合后的误差方差阵。

3.根据权利要求2所述一种广义相关熵准则下的机动目标鲁棒跟踪方法，其特征在于，步骤七满足以下条件：

建立关于当前时刻子模型状态估计值的广义相关熵代价函数J₂(·)如下：

其中和分别为步骤五得到目标状态和误差方差阵在k时刻的更新值，为步骤六得到的子模型的后验概率，x_k|k为待求变量，其最终解记为通过求导得到迭代形式的状态估计解如下：

其中定义矩阵

最后一次迭代记为T₂，则最终解表达式为

使用基于Kullback-Leibler散度的信息融合策略以寻求融合的误差方差阵P_k|k：