[发明专利]一种基于隐马尔科夫和变结构的交互式多模型跟踪方法

说明书

本发明提出了一种基于隐马尔科夫模型(HMM，Hidden Markov Model)和变结构(VS，variablestructure)的交互式多模型(IMM，interacting multiple model)雷达机动目标跟踪方法，主要解决传统交互式多模型算法中对机动目标的模型量与计算量的矛盾，以及概率转移矩阵固定造成的模型切换误差所引起的精度下降。本发明在传统IMM算法基础上引入变结构多模型，克服了交互式多模型受模型数量限制的缺陷，自适应调整切换模型集，并引入了HMM来自适应更新概率转移矩阵，提高了模型切换的效率，从而提高了对机动目标的跟踪性能和精度。

技术领域

本发明属于雷达数据数据处理领域。

背景技术

随着战斗机、导弹、无人机、穿梭机等技术的高速发展，各种目标的机动性越来越强，高机动目标的跟踪问题俨然成为目标跟踪领域的一个重要研究方向。雷达航迹滤波是根据雷达获得的目标量测数据对目标状态进行估计的滤波问题，而实现对目标航迹滤波的首要问题就是目标实际运动模式与运动模型的匹配，想要实现高精度的跟踪就必须要有一个准确的模型来描述目标的运动。现有的目标运动模型包括CV模型、CA模型、Singer模型、Jerk模型、当前统计模型、CT模型等。

航迹滤波算法可以分为两类：单一模型和多模型。但是单一模型很难准确描述机动目标的不同运动模式，会由于目标运动模式的变化而造成滤波器发散，从而引起精度降低。多模型则是同时使用多个运动模型并行计算，最后将各个模型的滤波估计进行加权得到最后的结果。多模型算法的基本思想是，给定一个模型集，每个模型集对应一个滤波器进行滤波，然后基于这些滤波结果，通过一定的规则来产生最后的估计值，但是存在各模型独立无交互，后验信息无法得到利用的问题。

在后续改进的多种多模型算法中，目前应用比较广泛的是交互式多模型(IMM)算法，IMM算法在多模型的基础上加入了模型与模型、输入与输入之间的交互作用，各个模型的转换使用马尔科夫链，这样就具有更好的适应性。

HMM是马尔可夫链的一种，它是一种用参数表示的用于描述随机过程统计特性的概率模型，是一个双重随机过程，其由两个部分组成：马尔可夫链和一般随机过程，其中马尔可夫链描述状态的转移，用转移概率描述，而随机过程描述状态和观察值之间的统计对应关系。HMM已广泛英语于语音识别、模式识别、机器学习等领域。

变结构多模型算法拥有一个具有时变的模型集合，它利用实时量测数据序列里的系统模型信息，同时利用了固定结构多模型算法很难利用的先验信息，使其突破了固定结构多模型的限制，具有更强的适应性。

传统IMM算法中存在两个问题，一是其模型转移概率是人为设置，固定不变的，这会引入人为误差，影响了跟踪性能；二是IMM算法是固定结构多模型，对于目标的各种机动，较小的模型集很难覆盖目标所有的机动情况，但是如果模型集过大又会增加运算量，同时也会因为模型之间的竞争造成跟踪性能的下降。为了解决上述两个问题，本发明引入了隐马尔科夫模型和变结构多模型的概念。引入变结构多模型，可以克服交互式多模型受模型数量限制的缺陷，自适应调整切换模型集，引入HMM来自适应更新概率转移矩阵，可以提高模型切换的效率，以达到提高对机动目标的跟踪性能和精度的目的。

发明内容

为解决传统IMM算法中存在的模型转移概率固定以及模型集结构固定且种类少的两个问题，本发明提出了一种基于隐马尔科夫模型(HMM，Hidden Markov Model)和变结构(VS，variable structure)的交互式多模型(IMM，interacting multiple model)跟踪方法。

本发明包括以下步骤：

步骤1，获得量测序列Y(k)；

步骤2，建立IMM跟踪模型和HMM模型；

步骤3，利用交互式多模型算法对目标状态进行估计；