[发明专利]广义相关熵准则下的机动目标鲁棒跟踪方法

说明书

本发明公开了一种广义相关熵准则下的机动目标鲁棒跟踪方法，为带有传感器观测干扰的机动目标跟踪问题，提供了一种具有鲁棒性的框架化解决方案。该方法以交互式多模型方法为基本框架，在混合步骤中，以最大化广义相关熵为准则，建立以上一时刻子模型的目标状态滤波估计值为自变量的代价函数，通过优化该代价函数寻找到混合的目标状态估计值；在融合步骤中，再次以最大化广义相关熵为准则，建立以当前时刻子模型的目标状态滤波估计值为自变量的代价函数，通过优化该代价函数实现模型的估计融合，最终得到当前时刻目标状态的鲁棒估计值。

技术领域

本发明涉及一种广义相关熵准则下的机动目标鲁棒跟踪方法，属于涉及信息理论学习、递推贝叶斯状态估计和多源信息融合等相关理论进行目标跟踪的技术领域。

背景技术

状态估计是目标跟踪领域过程中一项关键的技术环节，它的核心是对传感器采集的目标观测数据进行处理，从而实时估计并输出包括目标的位置和速度等在内的目标状态参数，使用户能够实时掌握目标的物理信息状态。在很多实际问题中，目标并非局限于人、动物、生产线的物品等缓慢移动或遵循特定规律的实体，很有可能是机车或飞行器甚至是导弹等具有较强机动性的实体，基于传统状态空间模型建模的滤波估计理论在此场景下其跟踪效果会受到影响，极端情形下会出现滤波算法发散，其估计结果的可靠性将大大降低。为了解决机动目标跟踪的问题，目前常用的解决方案是利用跳变马尔可夫模型代替状态空间模型，即将多个目标可能服从的动力学模型构造成一条可以依照概率大小相互切换的马尔可夫链。针对跳变马尔可夫模型，伪贝叶斯、交互式多模型、粒子滤波是当下最主流的几种次优化求解方法(最优化方法无法得到解析解)，其中交互式多模型尤其受到工程界和学术界的青睐，这源于其在估计精度和计算开销之间具有良好的折中，属于一种极为高效的次优化状态估计方法。

作为一种已经成型的经典方法框架，交互式多模型也存在着先天内在不足。主要体现在其模型交互过程中忽略高阶信息，仅传递一阶和二阶信息。一阶和二阶信息作为高斯分布仅有的两个统计矩信息，虽然已经足够描述服从高斯分布的数据，但是通常情况下，高斯分布的混合模型并不服从高斯分布，更一般的，有时来源于子模型的数据也并非服从高斯分布。另一方面，对于实际应用中的机动目标跟踪过程而言，真正无干扰的理想传感器测量是几乎不存在的，尤其是在非空旷地带，静止的建筑物或者是过往的其他非受关注目标，均有可能对测距或测角类型传感器发出的电磁波产生干扰，从而带来更大的观测误差。因此，传感器观测过程通常也呈现为带有些许异常观测值(又称野值)的非高斯分布。综合以上两类因素考虑可以看出，将交互式多模型方法用于机动目标跟踪具有较大的局限性，对于观测过程中呈现的野值，交互式多模型的状态估计效果将会受到极大影响。

本发明所使用的相关熵概念源于信息理论，本质是衡量两个随机变量之间差异的一种广义测度，由于它能捕捉二阶以上的更高阶信息的优点，在基于信息理论的机器学习领域得到了极大发展。近两年，有学者基于相关熵的概念从滤波理论体系的最优化准则出发，设计了最大相关熵准则下卡尔曼滤波的状态估计算法，使得相关熵的概念第一次在状态估计领域得到应用，并推动了后续非线性状态估计领域的发展。本发明着眼于多模型状态估计中的多源信息融合过程而非滤波估计方法本身，采用基于广义相关熵的测度作为多模型信息融合的准则，旨在改善交互式多模型方法忽略模型间的高阶信息的固有缺陷，从而提高在具有异常观测值干扰下的机动目标跟踪的鲁棒性。

发明内容

本发明公开了一种广义相关熵准则下的机动目标鲁棒跟踪方法，旨在为带有传感器观测干扰的机动目标跟踪问题提供一种具有自身鲁棒性的框架化解决方案。该方法以交互式多模型方法为基本框架，在混合步骤和融合步骤中，以最大化广义相关熵为准则，分别建立相应的代价函数，通过优化该代价函数寻找到相应的迭代形式的解，最终实现机动目标状态的鲁棒估计。

本发明的目的是通过以下技术方案实现的：一种广义相关熵准则下的机动目标鲁棒跟踪方法，具体包括以下步骤：

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；