CN109145451A - 一种高速滑翔飞行器的运动行为识别与航迹估计方法 - Google Patents

Abstract

高速滑翔飞行器的运动行为识别与航迹估计方法，属于基于知识和模式的信息推算领域。本发明解决了现有航迹估计方法无法应对高速滑翔飞行器复杂运动模态的问题。本发明的技术要点为：建立飞行器的动力学模型，进一步建立准平衡滑翔、跳跃滑翔两种飞行模式的运动行为模型，并构造飞行器运动行为模型集；构建飞行器运动行为识别算法，识别飞行器的运动行为；根据运动行为识别的结果，使用合理的策略在模型集中选择用于航迹估计的模型；构建融合滤波算法，估计飞行器的航迹。本方法适用于基于知识和模式的信息推算领域。

Description

一种高速滑翔飞行器的运动行为识别与航迹估计方法

技术领域

本发明涉及飞行器的航迹估计方法，尤其涉及基于机器学习的高速滑翔飞行器的运动行为识别与航迹估计方法，属于基于知识和模式的信息推算领域。

背景技术

高速滑翔飞行器，具有速度快、飞行空域广、机动能力强的特点，其飞行航迹较一般飞行器更为复杂。目前的飞行器航迹估计方法大多采用恒速(CV)、恒加速度(CA)、当前统计、Singer等模型描述目标机动，并基于交互式多模型(IMM)方法及其各种变体实现航迹估计。面对此类具有复杂运动模态的飞行器的航迹估计问题时，受限于模型精度、算法和计算能力，现有的航迹估计方法无法适应飞行器复杂的运动模态，使得估计精度较低，且无法在飞行器突然改变运动模态时保证航迹估计的动态性能。

发明内容

本发明的目的是提供高速滑翔飞行器的运动行为识别与航迹估计方法，以解决现有航迹估计方法无法应对高速滑翔飞行器复杂运动模态的问题。

本发明为解决上述技术问题采取的技术方案是：

一种高速滑翔飞行器的运动行为识别与航迹估计方法，所述方法是按照以下步骤实现的：

步骤一：建立高速滑翔飞行器的动力学模型，并依此分别推导飞行器准平衡滑翔、跳跃滑翔两种飞行模式的运动行为模型，定义飞行器的运动行为构造其运动行为模型集；

其中，建立高速滑翔飞行器动力学模型的过程如下：

假设地球是一个正球体，忽略自转，得到飞行器的三维动力学模型：

其中，r为飞行器质心到地心的距离，θ为经度,φ为纬度，v为速度，γ为弹道倾角，ψ为弹道偏角，σ为飞行器的倾侧角，m为飞行器质量，g₀为重力加速度，D和L为升力和阻力，表示为

D＝0.5ρv²S_refC_D (7)

L＝0.5ρv²S_refC_L (8)

其中，S_ref为飞行器的特征面积，ρ＝ρ₀e^-βh为大气密度，C_D和C_L为飞行器的升力和阻力系数；

将升力系数和阻力系数描述为一个马赫数无关模型，则有:

其中，C_D0和K是马赫数无关的飞行器气动参数；

定义归一化升力系数如下

则飞行器的升力系数、阻力系数和升阻比可表示为

其中，为飞行器升阻比最大时的升力系数和阻力系数；

联立式(1)-(8)，(11)和(12)，得到完整的飞行器动力学模型：

式(13)给出了完整的飞行器动力学模型，飞行器当前的运动行为由其飞行器控制参数c_l和σ决定；对于某一具体型号的飞行器，其控制参数c_l和σ有界，记作

c_l∈[c_lmin,c_lmax] (14)

σ∈[-σ_max,σ_max],σ_max>0 (15)

步骤二：识别飞行器的运动行为；

步骤三：根据运动行为识别的结果，在模型集中选择用于航迹估计的模型；

步骤四：构建融合滤波算法，使用选择的模型估计飞行器的航迹。

建立步骤一所述的飞行器准平衡滑翔的运动行为模型的具体过程为：

定义飞行器准平衡滑翔(Quasi-Equilibrium Gilding,QEG)的三个特征参数为：

λ_QEG1＝c_lcosσ (16)

将式(14)，(15)代入式(16)，(17)，得到λ_QEG1和λ_QEG2的范围为

λ_QEG1∈[c_lmin,c_lmax cosσ_max] (19)

将式(16)，(17)，(18)代入式(13)，得到飞行器准平衡滑翔的运动行为模型：

其中，R_e＝6,378,135m为地球半径。

建立步骤一所述的飞行器跳跃滑翔的运动行为模型的具体过程为：

定义飞行器跳跃滑翔(Skip Gliding,SG)的三个特征参数为

λ_SG1＝c_lcosσ (22)

λ_SG2＝c_l (23)

将式(14)，(15)代入式(22)，(23)，得到λ_SG1和λ_SG2的范围为

λ_SG1∈[c_lmin,c_lmax cosσ_max] (25)

λ_SG2∈[c_lmin,c_lmax] (26)

将式(22)，(23)，(24)代入式(13)，得到飞行器跳跃滑翔的运动行为模型：

构造步骤一所述的运动行为模型集的具体过程为：

定义目标运动行为模型的标记为

其中，I表示运动行为模型集，i表示模型集中的模型i；是飞行器航迹类型的标记，定义为：

和在飞行器准平衡滑翔时是特征参数λ_QEG1和λ_QEG2的标记；在飞行器跳跃滑翔时是特征参数λ_SG1和λ_SG2的标记，在具体实施过程中需通过划分如式(19)(20)(25)(26)的特征参数取值范围定义；

为飞行器侧向运动方向的标记，定义为

其中，

完成对飞行器的运动行为模型集I的定义，飞行器任意时刻的运动行为均可由模型集I中的某个模型i表示。

步骤二所述的识别飞行器的运动行为的具体过程为：对量测数据进行预处理，识别飞行器运动行为标签，计算目标每种运动行为的概率；

其中，对量测数据进行预处理的具体算法如下：

当前的量测数据z_k＝[r_k,θ_k,φ_k]^T，初始化信息

预处理后的量测数据分别为预处理后k时刻飞行器的高度，高度变化量，经度变化量，纬度变化量，速度，航迹偏角和两个构造所得的特征参数；

步骤1、使用卡尔曼滤波对量测数据进行降噪，过程如下：

1)、其中T_r，T_θ，T_φ分别为r，θ，φ的时间常数；

2)、P_k|k-1＝FP_k-1|k-1F^T+Q，其中Q为过程噪声的协方差阵；

3)、S_k＝P_k|k-1+R，其中R为量测噪声的协方差阵；

4)、

5)、Z上边的符号表示降噪，

6)、P_k|k＝(I-K_k)P_k|k-1；

步骤2：差分获得量测数据的变化率

7)、△z_k＝[△r_k,△θ_k,△φ_k]^T，t_step为步长；

步骤3：构造其他识别所需的参数

其中Re为地球半径

△h＝△r，高度变化量就是飞行器与地心距离的变化量

β表示大气密度参数，

κ_2,k＝△h_kv_k

步骤4：构造识别所使用的输入，

在步骤二所述的识别运动行为过程中，识别飞行器运动行为标签、计算目标每种运动行为的概率的过程为：

使用一种分层识别的方案，设计6个循环神经网络(RNNs)，对式(28)所示的4个飞行器航迹的标记分别进行识别：首先识别飞行器航迹类型的标记L_t和侧向机动方向的标记L₃,然后根据L_t的识别结果(准平衡滑翔或跳跃滑翔)，使用相应的循环神经网络识别标签L₁和L₂；识别的过程的数学表示如下

其中，表示预处理后的量测序列N为序列长度，RNN表示循环神经网络，其下标表示所识别的标记，每一个循环神经网络由一个全连接层(FullConnection,FC)，两个长短期记忆网络层(Long Short-Term Memory,LSTM)和一个Softmax层构成，输入为表示预处理后的量测序列输出每一个标签对应的概率；

然后根据式(31)(32)(33)(34)所示网络的识别结果计算每种目标运动行为的概率：

如此，即可得到k时刻飞行器的运动行为是运动模型集I中每种运动行为的概率。

步骤三所述的选择用于航迹估计的模型的具体过程为：

根据实际实施时的精度与计算量需求，依照下面四种策略之一选取航迹估计中所使用的模型：

(1)全部：不进行模型选择，使用模型集中的全部模型估计航迹；

(2)最大概率：选择概率最大的目标运动行为所对应的模型用于航迹估计；

(3)Top-N：选择概率最大的N个目标运动行为所对应的模型用于航迹估计；

(4)累积概率密度：逐个选择概率最大的目标运动行为所对应的模型，直到其累计概率大于设计的阈值，并将这些模型用于航迹估计；

在时刻k，所选择的模型构成的集合为目标运动行为模型集I的子集，记作I_s,k。

步骤四所述的使用选择的模型估计飞行器的航迹的具体算法为基于模型选择的融合滤波航迹估计算法，所述算法的输入为：当前的量测数据z_k＝[r_k,θ_k,φ_k]^T，当前选择的模型集I_s,k，初始化信息所述算法的输出为：飞行器航迹信息估计值

其过程为：

步骤1：使用扩展卡尔曼滤波，对模型集I_s,k中每个模型进行估计

1)、模型i是模型集I_s,k中的模型，

2)、x为飞行器航迹信息向量，x＝[r,θ,φ,v,γ,ψ]^T

3)、 是运动行为i的运动行为模型f在k-1时刻的偏导数，

4)、 是运动行为i的运动行为模型；

5)、

6)、

7)、

8)、

9)、

10)、结束；

步骤2：对各模型的估计结果进行加权融合，得到飞行器航迹信息估计值

11)、 表示在k时刻，被选择的运动行为模型集I_s,k中运动行为i的归一化权值；

12)、

13)、

和P_k|k为加权融合算法，即根据每一个滤波器所估计的x和P计算出融合后的x和P；

14)、返回即为当前时刻k估计所得的飞行器航迹信息。

本发明的有益效果是：

本方法与现有的航迹估计方法相比优点在于：

(1)本发明中飞行器运动行为识别中所使用的模型是根据已有航迹数据训练获得的，更充分的利用了飞行器的运动特性先验信息，可更准确的描述飞行器运动行为切换的一般规律。

(2)本发明通过飞行器运动行为识别主动的发现目标运动行为的切换，这使得航迹估计有着更好的动态性能。

(3)本发明通过模型选择只需要对模型集中部分模型进行融合滤波，极大的减小了计算开销，使得在同等的计算能力限制的条件下可使用更庞大和精确的模型集，提升了航迹估计的精度。

本发明建立飞行器的动力学模型，进一步建立准平衡滑翔、跳跃滑翔两种飞行模式的运动行为模型，并构造飞行器运动行为模型集；构建飞行器运动行为识别算法，识别飞行器的运动行为；根据运动行为识别的结果，使用合理的策略在模型集中选择用于航迹估计的模型；构建融合滤波算法，估计飞行器的航迹。本发明解决了现有航迹估计方法无法应对高速滑翔飞行器复杂运动模态的问题。本方法适用于基于知识和模式的信息推算领域。从图5中可看出，本发明能准确的描述飞行器运动行为切换的一般规律。从图6可看出，本发明的方法比传统的IMM方法对飞行器位置估计有着更好的动态性能。图7可看出，本发明方法比传统的IMM方法对飞行器速度估计的结果更加准确。

附图说明

图1是本发明的结构图。

图2是运动行为识别算法的流程图。

图3是数据预处理算法的流程示意图。

图4是运动行为识别算法中所使用的循环神经网络的结构示意图。

图5是运动行为识别结果，其中黑色实线表示真实的飞行器运动行为标签，蓝色条纹代表每一时刻识别所得的运动行为标签概率。

图6是飞行器位置估计的结果，对比了本发明的方法和传统的IMM方法。

图7是飞行器速度估计的结果，对比了本发明的方法和传统的IMM方法。

具体实施方式

具体实施方式一：结合图1理解本实施方式，本实施方式所述的高速滑翔飞行器的运动行为识别与航迹估计方法，是按照以下步骤实现的：

步骤一：建立高速滑翔飞行器的动力学模型，并分别建立飞行器准平衡滑翔、跳跃滑翔两种飞行模式的运动行为模型，定义飞行器的运动行为构造其运动行为模型集

其中，建立高速滑翔飞行器动力学模型的过程如下：

假设地球是一个正球体，忽略自转，得到飞行器的三维动力学模型：

其中，r为飞行器质心到地心的距离，θ为经度,φ为纬度，v为速度，γ为弹道倾角，ψ为弹道偏角，σ为飞行器的倾侧角，m为飞行器质量，g₀为重力加速度，D和L为升力和阻力，表示为

D＝0.5ρv²S_refC_D (7)

L＝0.5ρv²S_refC_L (8)

其中，S_ref为飞行器的特征面积，ρ＝ρ₀e^-βh为大气密度，C_D和C_L为飞行器的升力和阻力系数。

将升力系数和阻力系数描述为一个马赫数无关模型，则有:

其中，C_D0和K是马赫数无关的飞行器气动参数。

定义归一化升力系数如下

则飞行器的升力系数、阻力系数和升阻比可表示为

其中，为飞行器升阻比最大时的升力系数和阻力系数。

联立式(1)-(8)，(11)和(12)，得到完整的飞行器动力学模型：

式(13)给出了完整的飞行器动力学模型，飞行器当前的运动行为由其飞行器控制参数c_l和σ决定。对于某高速滑翔飞行器的控制参数c_l和σ的区间为

c_l∈[0.5,2] (14)

σ∈[-60,60]deg (15)

步骤二：识别飞行器的运动行为。

步骤三：根据运动行为识别的结果，在模型集中选择用于航迹估计的模型。

步骤四：构建融合滤波算法，使用选择的模型估计飞行器的航迹。

具体实施方式二：本实施方式与具体实施方式一不同的是：建立步骤一所述的飞行器准平衡滑翔的运动行为模型的具体过程为：

定义飞行器准平衡滑翔(Quasi-Equilibrium Gilding,QEG)的三个特征参数为

λ_QEG1＝c_l cosσ (16)

将式(14)，(15)代入式(16)，(17)，得到λ_QEG1和λ_QEG2的范围为

λ_QEG1∈[0.25,2] (19)

λ_QEG2∈[2,5] (20)

将式(16)，(17)，(18)代入式(13)，得到飞行器准平衡滑翔的运动行为模型：

其中，R_e＝6,378,135m为地球半径。

具体实施方式三：本实施方式与具体实施方式一至二不同的是：建立步骤一所述的飞行器跳跃滑翔的运动行为模型的具体过程为：

定义飞行器跳跃滑翔(Skip Gliding,SG)的三个特征参数为

λ_SG1＝c_l cosσ (22)

λ_SG2＝c_l (23)

将式(14)，(15)代入式(22)，(23)，得到λ_SG1和λ_SG2的范围为

λ_SG1∈[0.25,2] (25)

λ_SG2∈[0.5,2] (26)

将式(22)，(23)，(24)代入式(13)，得到飞行器跳跃滑翔的运动行为模型：

具体实施方式四：本实施方式与具体实施方式一至三不同的是：构造步骤一所述的运动行为模型集的具体过程为：

定义目标运动行为模型的标记为

其中，I表示运动行为模型集，i表示模型集中的模型i。是飞行器航迹类型的标记，定义为：

和在飞行器准平衡滑翔时是特征参数λ_QEG1和λ_QEG2的标记。将式(19)(20)(25)(26)进行如下表所示的划分，划分时需保证模型集的完整性，并权衡模型集的精确性与简洁性合理决定段数与划分点。

表1 L₁和L₂的定义

为飞行器侧向运动方向的标记，定义为

其中，

这样，就定义了飞行器的运动行为模型集I，飞行器任意时刻的运动行为均可由模型集I中的某个模型i表示。

具体实施方式五：本实施方式与具体实施方式一至四不同的是：步骤二所述的识别飞行器的运动行为的具体过程为：结合图2理解飞行器运动识别算法的流程，首先对量测数据进行预处理，然后识别飞行器运动行为标签，最后计算目标每种运动行为的概率。

其中，结合图3所示的流程，对量测数据进行预处理的具体算法如下：

注1：

注2：

具体实施方式六：本实施方式与具体实施方式一至五不同的是：步骤二所述的识别运动行为的具体过程为：

使用一种分层识别的方案，设计6个循环神经网络(RNNs)，对式(28)所示的4个飞行器航迹的标记分别进行识别：首先识别飞行器航迹类型的标记L_t和侧向机动方向的标记L₃,然后根据L_t的识别结果(准平衡滑翔或跳跃滑翔)，使用相应的循环神经网络识别标签L₁和L₂。识别的过程的数学表示如下

其中，表示预处理后的量测序列N为序列长度，RNN表示循环神经网络，其下标表示所识别的标记。由图4所示的RNN网络结构可见，每一个循环神经网络由一个全连接层(Full Connection,FC)，两个长短期记忆网络层(Long Short-TermMemory,LSTM)和一个Softmax层构成，输入为表示预处理后的量测序列输出每一个标签对应的概率。

在实施过程中，选取FC层的神经元数为128，LSTM1层和LSTM2层的神经元数为256，序列长度N＝200。搜集并分析飞行器的航迹数据，建立飞行器航迹数据集来训练这6个RNN，训练使用交叉熵损失函数和Adam优化器，在Python3.5+Tensorflow+CUDA+CUDnn平台上完成。

然后根据式(31)(32)(33)(34)所示网络的识别结果计算每种目标运动行为的概率：

如此，即可得到k时刻飞行器的运动行为是运动模型集I中每种运动行为的概率。

具体实施方式七：本实施方式与具体实施方式一至六不同的是：步骤三所述的选择用于航迹估计的模型的具体过程为：

根据实际实施时的精度与计算量需求，依照下面四种策略之一选取航迹估计中所使用的模型：

(1)全部：不进行模型选择，使用模型集中的全部模型估计航迹；

(2)最大概率：选择概率最大的目标运动行为所对应的模型用于航迹估计；

(3)Top-N：选择概率最大的N个目标运动行为所对应的模型用于航迹估计；

(4)累积概率密度：逐个选择概率最大的目标运动行为所对应的模型，直到其累计概率大于设计的阈值，并将这些模型用于航迹估计。

在时刻k，所选择的模型构成的集合为目标运动行为模型集I的子集，记作I_s,k。实施过程中精度与计算量的折中，适用累计概率密度策略，令累计概率密度的阈值为0.95。

具体实施方式八：本实施方式与具体实施方式一至七不同的是：步骤四所述的使用选择的模型估计飞行器的航迹的具体算法为：

注1：

即为当前时刻k估计所得的飞行器航迹信息。

Claims (8)

1.高速滑翔飞行器的运动行为识别与航迹估计方法，其特征在于所述方法是按照以下步骤实现的：

步骤一：建立高速滑翔飞行器的动力学模型，并依此分别推导飞行器准平衡滑翔、跳跃滑翔两种飞行模式的运动行为模型，定义飞行器的运动行为构造其运动行为模型集；

其中，建立高速滑翔飞行器动力学模型的过程如下：

假设地球是一个正球体，忽略自转，得到飞行器的三维动力学模型：

其中，r为飞行器质心到地心的距离，θ为经度,φ为纬度，v为速度，γ为弹道倾角，ψ为弹道偏角，σ为飞行器的倾侧角，m为飞行器质量，g₀为重力加速度，D和L为升力和阻力，表示为

D＝0.5ρv²S_refC_D (7)

L＝0.5ρv²S_refC_L (8)

其中，S_ref为飞行器的特征面积，ρ＝ρ₀e^-βh为大气密度，C_D和C_L为飞行器的升力和阻力系数；

将升力系数和阻力系数描述为一个马赫数无关模型，则有:

其中，C_D0和K是马赫数无关的飞行器气动参数；

定义归一化升力系数如下

则飞行器的升力系数、阻力系数和升阻比可表示为

其中，为飞行器升阻比最大时的升力系数和阻力系数；

联立式(1)-(8)，(11)和(12)，得到完整的飞行器动力学模型：

式(13)给出了完整的飞行器动力学模型，飞行器当前的运动行为由其飞行器控制参数c_A和σ决定；对于某一具体型号的飞行器，其控制参数c_l和σ有界，记作

c_l∈[c_lmin,c_lmax] (14)

σ∈[-σ_max,σ_max],σ_max>0 (15)

步骤二：识别飞行器的运动行为；

步骤三：根据运动行为识别的结果，在模型集中选择用于航迹估计的模型；

步骤四：构建融合滤波算法，使用选择的模型估计飞行器的航迹。

2.根据权利要求1所述的高速滑翔飞行器的运动行为识别与航迹估计方法，其特征在于：建立步骤一所述的飞行器准平衡滑翔的运动行为模型的具体过程为：

定义飞行器准平衡滑翔(Quasi-Equilibrium Gilding,QEG)的三个特征参数为：

λ_QEG1＝c_lcosσ (16)

将式(14)，(15)代入式(16)，(17)，得到λ_QEG1和λ_QEG2的范围为

λ_QEG1∈[c_lmin,c_lmax cosσ_max] (19)

将式(16)，(17)，(18)代入式(13)，得到飞行器准平衡滑翔的运动行为模型：

其中，R_e＝6,378,135m为地球半径。

3.根据权利要求2所述的高速滑翔飞行器的运动行为识别与航迹估计方法，其特征在于：建立步骤一所述的飞行器跳跃滑翔的运动行为模型的具体过程为：

定义飞行器跳跃滑翔(Skip Gliding,SG)的三个特征参数为

λ_SG1＝c_lcosσ (22)

λ_SG2＝c_l (23)

将式(14)，(15)代入式(22)，(23)，得到λ_SG1和λ_SG2的范围为

λ_SG1∈[c_lmin,c_lmax cosσ_max] (25)

λ_SG2∈[c_lmin,c_lmax] (26)

将式(22)，(23)，(24)代入式(13)，得到飞行器跳跃滑翔的运动行为模型：

4.根据权利要求3所述的高速滑翔飞行器的运动行为识别与航迹估计方法，其特征在于：构造步骤一所述的运动行为模型集的具体过程为：

定义目标运动行为模型的标记为

其中，I表示运动行为模型集，i表示模型集中的模型i；是飞行器航迹类型的标记，定义为：

和在飞行器准平衡滑翔时是特征参数λ_QEG1和λ_QEG2的标记；在飞行器跳跃滑翔时是特征参数λ_SG1和λ_SG2的标记；

为飞行器侧向运动方向的标记，定义为

其中，

完成对飞行器的运动行为模型集I的定义，飞行器任意时刻的运动行为均可由模型集I中的某个模型i表示。

5.根据权利要求4所述的高速滑翔飞行器的运动行为识别与航迹估计方法，其特征在于：步骤二所述的识别飞行器的运动行为的具体过程为：对量测数据进行预处理，识别飞行器运动行为标签，计算目标每种运动行为的概率；

其中，对量测数据进行预处理的具体算法如下：

当前的量测数据z_k＝[r_k,θ_k,φ_k]^T，初始化信息

预处理后的量测数据分别为预处理后k时刻飞行器的高度，高度变化量，经度变化量，纬度变化量，速度，航迹偏角和两个构造所得的特征参数；

步骤1、使用卡尔曼滤波对量测数据进行降噪，过程如下：

1)、其中T_r，T_θ，T_φ分别为r，θ，φ的时间常数；

2)、P_k|k-1＝FP_k-1|k-1F^T+Q，其中Q为过程噪声的协方差阵；

3)、S_k＝P_k|k-1+R，其中R为量测噪声的协方差阵；

4)、

5)、Z上边的符号表示降噪，

6)、P_k|k＝(I-K_k)P_k|k-1；

步骤2：差分获得量测数据的变化率

7)、△z_k＝[△r_k,△θ_k,△φ_k]^T，t_step为步长；

步骤3：构造其他识别所需的参数

其中Re为地球半径

△h＝△r，高度变化量就是飞行器与地心距离的变化量

β表示大气密度参数，

κ_2,k＝△h_kv_k

步骤4：构造识别所使用的输入，

6.根据权利要求5所述的高速滑翔飞行器的运动行为识别与航迹估计方法，其特征在于：在步骤二所述的识别运动行为过程中，识别飞行器运动行为标签、计算目标每种运动行为的概率的过程为：

使用一种分层识别的方案，设计6个循环神经网络，对式(28)所示的4个飞行器航迹的标记分别进行识别：首先识别飞行器航迹类型的标记L_t和侧向机动方向的标记L₃,然后根据L_t的识别结果，使用相应的循环神经网络识别标签L₁和L₂；识别的过程的数学表示如下

其中，表示预处理后的量测序列N为序列长度，RNN表示循环神经网络，其下标表示所识别的标记，每一个循环神经网络由一个全连接层，两个长短期记忆网络层和一个Softmax层构成，输入为表示预处理后的量测序列输出每一个标签对应的概率；

然后根据式(31)(32)(33)(34)所示网络的识别结果计算每种目标运动行为的概率：

如此，即可得到k时刻飞行器的运动行为是运动模型集I中每种运动行为的概率。

7.根据权利要求6所述的高速滑翔飞行器的运动行为识别与航迹估计方法，其特征在于：步骤三所述的选择用于航迹估计的模型的具体过程为：

根据实际实施时的精度与计算量需求，依照下面四种策略之一选取航迹估计中所使用的模型：

(1)全部：不进行模型选择，使用模型集中的全部模型估计航迹；

(2)最大概率：选择概率最大的目标运动行为所对应的模型用于航迹估计；

(3)Top-N：选择概率最大的N个目标运动行为所对应的模型用于航迹估计；

(4)累积概率密度：逐个选择概率最大的目标运动行为所对应的模型，直到其累计概率大于设计的阈值，并将这些模型用于航迹估计；

在时刻k，所选择的模型构成的集合为目标运动行为模型集I的子集，记作I_s,k。

8.根据权利要求7所述的高速滑翔飞行器的运动行为识别与航迹估计方法，其特征在于：步骤四所述的使用选择的模型估计飞行器的航迹的具体算法为基于模型选择的融合滤波航迹估计算法，所述算法的输入为：当前的量测数据z_k＝[r_k,θ_k,φ_k]^T，当前选择的模型集I_s,k，初始化信息所述算法的输出为：飞行器航迹信息估计值

其过程为：

步骤1：使用扩展卡尔曼滤波，对模型集I_s,k中每个模型进行估计

1)、模型i是模型集I_s,k中的模型，

2)、x为飞行器航迹信息向量，x＝[r,θ,φ,v,γ,ψ]^T

3)、是运动行为i的运动行为模型f在k-1时刻的偏导数，

4)、是运动行为i的运动行为模型；

5)、

6)、

7)、

8)、

9)、

10)、结束；

步骤2：对各模型的估计结果进行加权融合，得到飞行器航迹信息估计值

11)、 表示在k时刻，被选择的运动行为模型集I_s,k中运动行为i的归一化权值；

12)、

13)、

和P_k|k为加权融合算法，即根据每一个滤波器所估计的x和P计算出融合后的x和P；

14)、返回即为当前时刻k估计所得的飞行器航迹信息。