[发明专利]基于误差-模糊分解的变结构多模型机动目标跟踪方法

摘要

本发明公开了一种基于误差‑模糊分解的变结构多模型机动目标跟踪方法，本发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‑变结构多模型模型(EAD—VSMM)方法。本发明配置结构明了，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。

主权项

1.基于误差‑模糊分解的变结构多模型机动目标跟踪方法，其特征在于，该方法具体包括以下步骤：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，可以是线性的或非线性的；w_k观察误差通常被认为是高斯分布的白噪声；时间l到k的观测：Z_k＝{z₁，z₂，...，z_k}步骤2：信息准备；假设基于模型的状态估计模型概率l＝1，...，r，和概率转移矩阵A＝[a_ij]_r×r在k时刻是已知的；总模型集满足步骤3：基于模型的状态和概率预测；步骤3.1：模型概率预测式中，a_il为模型i的概率转移矩阵，表示目标在k‑1时刻模型i的概率预测，m(i)表示有效模型i而且下标k‑1意味着是所有可能的模型序列中的一个可行模型序列；步骤3.2：计算混合概率式中，a_il为模型i的概率转移矩阵，表示示目标在k‑1时刻模型i的概率预测；表示总的模型概率预测；步骤3.3：基于模型的状态混合式中，表示模型i在k‑1时刻的状态估计；μ_i，l表示模型i的混合概率；步骤3.4：基于模型的状态预测式中，f_k，k‑1是基于模式的目标转换函数，为线性或非线性函数，v_k是过程噪声；步骤4：基于模型的状态和概率更新；步骤4.1：状态更新：式中，Filter[·]表示适当的贝叶斯滤波器，如KF，EKF，UKF或PF；表示k时刻状态预测，z_k表示k时刻量测；步骤4.2：计算模型可能性：式中，z_k表示k时刻量测，表示k时刻状态更新，服从高斯分布的零均值协方差R_k；如果观察误差是高斯白噪声，则模型可能性表示为：式中，z_k表示k时刻量测，表示k时刻状态更新，模型可能性服从高斯分布的零均值协方差R_k；步骤4.3：模型概率更新：步骤5 EAD模型集适应：为了实现最佳EAD‑MSA，需要列举所有可能的子模型集以找到具有最小EAD值的最佳模型集；然而，随着型号的增加，计算负担将过负荷；因此，我们提出了一种启发式方法来搜索有效的模型集，模型集如下所示；步骤5.1：从总模型集中选择一个模型作为原始有效模型；选择模型概率最大的作为原始有效模型；原始模型及其状态估计分别表示为mk(1)和然后，原始子模型集由表示；步骤5.2：对于最后子模型集的估计值使用等式计算其EAD值；式中，为完整的状态预测，为模型序列的预测；为第一个周期，tr()表示求迹；步骤5.3：从总模型组中选择一个模型，已经选择的模型除外；然后，将其添加到当前子模型集中以形成候选子模型集；候选子模型集的数量是这里r是整个模型集的基数，是最后估计的子模型集的基数；步骤5.4：使用等式计算所有候选子模型集的EAD值，并找到最小的EAD值；将当前候选子模型集合最小EAD值表示为步骤5.5：比较和之间的EAD值；如果如果具有较小的EAD值，则用替换最后的子模型集并转到步骤5.2)；步骤5.6：比较和之间的EAD值；如果具有较小的EAD值，则有效模型有步骤6：状态估计和转移步骤6.1：状态估计步骤6.2：状态和概率转移步骤7：将步骤6输出的和作为下一时刻的输入，从步骤3开始直到结束。