CN109684771B - 基于交互式多模型的机动目标状态预测优化方法 - Google Patents

基于交互式多模型的机动目标状态预测优化方法 Download PDF

Info

Publication number
CN109684771B
CN109684771B CN201910026173.3A CN201910026173A CN109684771B CN 109684771 B CN109684771 B CN 109684771B CN 201910026173 A CN201910026173 A CN 201910026173A CN 109684771 B CN109684771 B CN 109684771B
Authority
CN
China
Prior art keywords
model
time
representing
error
state
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910026173.3A
Other languages
English (en)
Other versions
CN109684771A (zh
Inventor
刘向丽
李海娇
王策
李赞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Xian Cetc Xidian University Radar Technology Collaborative Innovation Research Institute Co Ltd
Original Assignee
Xidian University
Xian Cetc Xidian University Radar Technology Collaborative Innovation Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University, Xian Cetc Xidian University Radar Technology Collaborative Innovation Research Institute Co Ltd filed Critical Xidian University
Priority to CN201910026173.3A priority Critical patent/CN109684771B/zh
Publication of CN109684771A publication Critical patent/CN109684771A/zh
Application granted granted Critical
Publication of CN109684771B publication Critical patent/CN109684771B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于交互式多模型的机动目标状态预测优化方法，主要解决现有交互式多模型对机动目标状态的预测结果误差大的问题。其实现方案是：假设目标有三种运动状态，设定运动模型参数；根据交互式多模型跟踪结果，从交互式多模型中确定用于机动目标状态预测的运动模型；对预测过程中的运动模型建立误差系统，设定的误差系统参数，计算机动目标运动状态的误差预测值，从而对系统状态预测值进行修正。本发明提高了现有交互式多模型在预测过程中的准确率，使得预测的结果能够更加接近目标运动状态的真实值，可用于对飞机、舰船、汽车这些机动目标状态的预测。

Description

基于交互式多模型的机动目标状态预测优化方法
技术领域
本发明属于通信技术领域，特别是一种多模型优化方法，可应用于机动目标状态预测。
背景技术
随着科学技术的迅猛发展，机动目标运动状态的跟踪与预测是估计当前和未来时刻目标运动参数的必要手段。该技术在很多的实际领域中都受到了显著的关注，例如：飞机航迹信息的更新；工业系统故障诊断与预测等。机动目标是指运动中的目标，其运动方式在不断变化，由于机动目标的运动特征多样，使用单一固定的模型难以准确描述目标的运动状态，所以需要用多个模型来描述机动目标的运动状态。
目前对机动目标运动状态进行预测的多模型方法有：广义伪贝叶斯、交互式多模型、变结构多模型算法等。交互式多模型是在广义伪贝叶斯算法的基础上，通过马尔科夫概率转移矩阵，使多个不同运动模型分别匹配目标不同运动状态的一种关于混合系统状态估计的算法。相比于其他算法，交互式多模型算法有较好的跟踪性能与较低计算代价。
在实际目标跟踪过程中，目标可能由于被遮挡或者量测系统被干扰导致跟踪数据部分连续丢失，丢失的数据只能根据已有的数据对丢失的数据进行预测再次获得。交互式多模型只能对数据进行一步提前预测，若要利用交互式多模型进行多步预测时，由于在预测过程中无法得到系统的量测值，所以只能忽略量测误差才能进行多步预测，因而造成交互式多模型在多步预测方面存在准确度低的缺点。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于交互式多模型的机动目标状态预测优化方法，以减小对机动目标进行多步预测时产生的误差，提高交互式多模型的多步预测准确度。
实现本发明的技术方案是：在机动目标未来运动状态未知的情况下，根据机动目标之前的运动轨迹来进行未来运动状态的多步预测，对交互式多模型预测过程进行改善，进而对交互式多模型的预测结果进行修正，从而使交互式多模型的预测值更加准确，具体实现步骤包括如下：
(1)假设交互式多模型中有三个用于交互的模型，第一个是匀速直线运动模型m(1)，第二个是匀加速直线运动模型m(2)，第三个是匀速圆周运动模型m(3)，依次对三种运动模型设定模型参数，计算k+1时刻的系统状态向量
Figure BDA0001942574580000021
和k时刻的状态量测向量
Figure BDA0001942574580000022
其中k是时间指标，取值为任意整数；
(2)计算在目标状态预测中各个运动模型出现的概率μk (i)，确定在目标状态预测中匹配的运动模型序数a：
Figure BDA0001942574580000023
(3)根据(2)中结果，计算模型的一步提前预测值
Figure BDA0001942574580000024
及其误差协方差阵
Figure BDA0001942574580000025
(4)根据(2)中结果，建立第a个模型m(a)的误差系统：
Figure BDA0001942574580000026
其中，
Figure BDA0001942574580000027
表示k时刻系统的量测误差，
Figure BDA0001942574580000028
表示k时刻模型m(a)的量测矩阵，
Figure BDA0001942574580000029
表示k时刻系统的量测噪声，
Figure BDA00019425745800000210
表示k-1时刻模型m(a)的一步状态预测误差，
Figure BDA00019425745800000211
表示k时刻模型m(a)的一步状态预测误差，
Figure BDA00019425745800000212
表示k时刻模型m(a)的误差增益矩阵，
Figure BDA00019425745800000213
表示k时刻模型m(a)的状态转移矩阵，
Figure BDA00019425745800000214
表示k时刻模型m(a)的滤波增益矩阵，
Figure BDA00019425745800000215
表示k-1时刻模型m(a)的噪声矩阵，
Figure BDA00019425745800000216
表示k-1时刻模型m(a)的过程演化噪声；
(5)根据(4)中结果，计算误差的预测值
Figure BDA00019425745800000217
及其误差协方差矩阵
Figure BDA00019425745800000218
Figure BDA00019425745800000219
其中，
Figure BDA00019425745800000220
表示k-1时刻模型m(a)的误差状态转移矩阵，
Figure BDA00019425745800000221
表示k-2时刻模型m(a)的一步预测误差，
Figure BDA00019425745800000222
表示k-2时刻模型m(a)的误差预测值的误差协方差，
Figure BDA0001942574580000031
表示k-1时刻模型m(a)的误差状态转移矩阵的转置，
Figure BDA0001942574580000032
表示k-1时刻模型m(a)的滤波增益矩阵，
Figure BDA0001942574580000033
表示k-1时刻模型m(a)的滤波增益矩阵的转置，
Figure BDA0001942574580000034
表示k-1时刻模型m(a)量测噪声的协方差矩阵；
(6)根据(5)中结果，对(3)中的一步预测结果进行修正，得到修正后k-1时刻模型m(a)的状态预测值
Figure BDA0001942574580000035
Figure BDA0001942574580000036
(7)用(6)中的结果代替(3)中k-1时刻模型m(a)的状态估计值，进行下一次预测；
(8)令k＝k+1，重复(2)到(7)直到达到设定的迭代次数，结束预测。
本发明与现有技术相比具有如下优点：
本发明在交互式多模型的基础上，建立预测过程中的误差系统，计算出交互式多模型在预测过程中的误差预测值，通过这种方式对交互式多模型的预测结果进行修正，使预测结果能够更加贴近目标运动状态的真实值。
附图说明
图1是本发明的实现总流程图；
图2是本发明中通过交互式多模型对机动目标状态进行估计的子流程图；
图3是本发明中通过修正后的交互式多模型对机动目标状态进行预测的子流程图；
图4是本发明中通过交互式多模型对匀速直线运动目标进行估计和预测，修正前后的误差仿真图；
图5是本发明中通过交互式多模型对匀加速直线运动目标进行估计和预测，修正前后的误差仿真图；
图6是本发明中通过交互式多模型对匀速圆周运动目标进行估计和预测，修正前后的误差仿真图。
以下结合附图对本发明的技术方案和效果作进一步详细描述。
具体实施方式
本实例基于交互式多模型算法对机动目标状态进行预测优化，该算法是一种包含多个模型，各模型根据马尔可夫概率相互转换，并通过交互作用跟踪预测一个机动目标运动状态的算法，其中用于交互的模型具有线性随机性，线性是指目标的运动状态同时满足叠加性和均匀性，随机控制性是指目标的运动状态受随机因素的影响。
参照图1，本发明的实现步骤如下：
步骤1，计算交互式多模型中各模型的状态向量和状态量测向量。
假设交互式多模型中有三种用于交互的模型，第1种是匀速直线运动模型m(1)，第2种是匀加速直线运动模型m(2)，第3种是匀速圆周运动模型m(3)。
(1a)依次对三种运动模型设定模型参数，每种模型的参数包括如下：
k时刻模型的状态转移矩阵
Figure BDA0001942574580000041
k时刻模型的噪声矩阵
Figure BDA0001942574580000042
k时刻模型的过程演化噪声
Figure BDA0001942574580000043
k时刻模型的量测矩阵
Figure BDA0001942574580000044
和k时刻模型的量测噪声
Figure BDA0001942574580000045
(1b)根据(1a)设定的参数，通过下式分别计算第i种运动模型m(i)的k+1时刻状态向量
Figure BDA0001942574580000046
和k时刻状态量测向量
Figure BDA0001942574580000047
Figure BDA0001942574580000048
其中，i表示模型序数，其取值为1,2,3，
Figure BDA0001942574580000049
是k时刻运动模型m(i)的状态向量，
Figure BDA00019425745800000410
是k+1时刻运动模型m(i)的状态向量，
Figure BDA00019425745800000411
是k时刻运动模型m(i)的状态量测向量，k是时间指标，取值为任意整数。
步骤2，通过交互式多模型计算运动目标状态估计值。
参照图2，本步骤的具体实施如下：
(2a)计算交互式多模型的混合概率
Figure BDA00019425745800000412
假设k-1时刻的匹配模型是第i个运动模型
Figure BDA00019425745800000413
k时刻的匹配模型是第j个运动模型
Figure BDA00019425745800000414
通过下式计算交互式多模型的混合概率
Figure BDA00019425745800000415
Figure BDA00019425745800000416
其中，
Figure BDA00019425745800000417
表示k-1时刻第i个模型m(i)的归一化常数；Ωij表示第i个模型m(i)转移到第j个模型m(j)的转移概率；
Figure BDA00019425745800000418
表示k-1时刻在目标状态预测中各个运动模型出现的概率，其在0时刻设定为μ0；Zk-1表示从0时刻到k-1时刻目标运动状态信息的序列；j表示k时刻交互式多模型算法匹配的运动模型序数，j取值为1、2、3；
(2b)根据(2a)的结果，通过下式分别计算交互后混合估计值
Figure BDA0001942574580000051
和其协方差矩阵
Figure BDA0001942574580000052
Figure BDA0001942574580000053
其中，
Figure BDA0001942574580000054
表示k-1时刻基于模型i的滤波器估计值；
Figure BDA0001942574580000055
表示k-1时刻模型i滤波器估计值的协方差矩阵；
(2c)获取新的量测值zk后，通过下式分别计算交互式多模型系统中所有模型的状态预测值
Figure BDA0001942574580000056
及其协方差阵
Figure BDA0001942574580000057
Figure BDA0001942574580000058
其中，
Figure BDA0001942574580000059
表示k-1时刻模型i的过程演化噪声期望；
Figure BDA00019425745800000510
表示k时刻的滤波误差；
(2d)根据(2c)结果，分别计算量测预测误差
Figure BDA00019425745800000511
及其协方差矩阵
Figure BDA00019425745800000512
Figure BDA00019425745800000513
其中，
Figure BDA00019425745800000514
表示k时刻模型m(i)的量测向量；
Figure BDA00019425745800000515
表示k时刻模型m(i)的量测矩阵；
Figure BDA00019425745800000516
表示k时刻模型m(i)的量测矩阵转置；
Figure BDA00019425745800000517
表示k时刻模型m(i)的量测噪声期望；
Figure BDA00019425745800000518
表示k时刻模型m(i)量测噪声的协方差矩阵；
(2e)在高斯假设下，根据(2d)结果，计算与每个运动模型相匹配的似然函数
Figure BDA00019425745800000519
Figure BDA00019425745800000520
其中，
Figure BDA0001942574580000061
表示k时刻模型m(i)的量测预测误差转置；
Figure BDA0001942574580000062
表示k时刻模型m(i)量测误差协方差矩阵的逆；
(2f)根据(2c)和(2d)的结果，计算滤波增益矩阵
Figure BDA0001942574580000063
Figure BDA0001942574580000064
(2g)根据(2c)、(2d)和(2f)的结果，计算系统状态估计值
Figure BDA0001942574580000065
及其估计误差协方差阵
Figure BDA0001942574580000066
Figure BDA0001942574580000067
其中，
Figure BDA0001942574580000068
表示k时刻模型m(i)的滤波增益矩阵转置；
(2h)计算在目标状态预测中各个运动模型出现的概率
Figure BDA0001942574580000069
Figure BDA00019425745800000610
其中，
Figure BDA00019425745800000611
表示在机动目标状态预测过程中交互式多模型的归一化常数，
Figure BDA00019425745800000612
表示k-1时刻模型m(j)的归一化常数。
(2i)根据(2g)和(2h)的结果，分别计算多模型交互后的估计值
Figure BDA00019425745800000613
及其协方差矩阵Pk/k：
Figure BDA00019425745800000614
本步骤的计算结果为步骤5和步骤7提供初始值。
步骤3，对交互式多模型中各模型建立误差系统。
Figure BDA00019425745800000615
其中，
Figure BDA0001942574580000071
表示k时刻模型m(i)的一步预测误差，
Figure BDA0001942574580000072
表示k-1时刻模型m(i)的一步预测误差，
Figure BDA0001942574580000073
表示k时刻模型m(i)的误差状态转移矩阵，vk是k时刻模型m(i)的系统量测噪声，
Figure BDA0001942574580000074
表示k时刻模型m(i)的状态转移矩阵，
Figure BDA0001942574580000075
表示k时刻模型m(i)的噪声矩阵，
Figure BDA0001942574580000076
表示k时刻模型m(i)的过程演化噪声；
步骤4，计算交互式多模型中各模型状态的误差估计值。
本步骤具体实施如下：
(4a)通过下式计算误差系统状态的一步预测值
Figure BDA0001942574580000077
Figure BDA0001942574580000078
其中，
Figure BDA0001942574580000079
表示k-2时刻模型m(i)的系统状态误差，其在0时刻设定为
Figure BDA00019425745800000710
(4b)通过下式计算误差系统状态预测值的误差协方差矩阵
Figure BDA00019425745800000711
Figure BDA00019425745800000712
其中，
Figure BDA00019425745800000713
表示k-2时刻模型m(i)一步预测误差的误差协方差，其在0时刻设定为
Figure BDA00019425745800000714
表示k时刻模型m(i)的误差状态转移矩阵转置，
Figure BDA00019425745800000715
表示k-1时刻模型m(i)量测噪声的协方差，
Figure BDA00019425745800000716
表示k-1时刻模型m(i)状态转移矩阵的转置，
Figure BDA00019425745800000717
表示k-1时刻模型m(i)过程演化噪声的协方差矩阵，
Figure BDA00019425745800000718
表示k-1时刻模型m(i)噪声矩阵的转置；
(4c)通过下式计算误差系统的增益矩阵
Figure BDA00019425745800000719
Figure BDA00019425745800000720
(4d)通过下式计算目标状态的误差估计值
Figure BDA00019425745800000721
及其误差协方差矩阵
Figure BDA00019425745800000722
Figure BDA00019425745800000723
本步骤计算结果为步骤7提供初值。
步骤5，计算交互式多模型中的预测值。
本步骤具体事实如下：
(5a)计算在预测过程中交互式多模型的混合概率
Figure BDA0001942574580000081
假设k-1时刻的匹配模型是第i个运动模型
Figure BDA0001942574580000082
在k时刻的匹配模型是第j个运动模型
Figure BDA0001942574580000083
将步骤2中得到的k时刻各个运动模型出现的概率
Figure BDA0001942574580000084
作为目标状态预测中各个运动模型出现的概率μ(i)，通过下式计算在预测过程中交互式多模型的混合概率：
Figure BDA0001942574580000085
其中，
Figure BDA0001942574580000086
表示预测过程中k-1时刻第i个模型m(i)的归一化常数；Ωij表示在预测过程中k-1时刻第i个模型m(i)转移到第j个模型m(j)的转移概率；
(5b)将步骤2中得到的多模型交互后的估计值
Figure BDA0001942574580000087
作为k-1时刻运动模型m(i)状态估计值
Figure BDA0001942574580000088
的初始值，协方差矩阵Pk/k作为k-1时刻运动模型m(i)状态估计值的协方差矩阵
Figure BDA0001942574580000089
的初始值，通过下式计算交互式多模型中各模型的状态混合估计值
Figure BDA00019425745800000810
及其协方差矩阵
Figure BDA00019425745800000811
Figure BDA00019425745800000812
其中，
Figure BDA00019425745800000813
表示k-1时刻运动模型m(i)的状态估计值；
Figure BDA00019425745800000814
表示k-1时刻运动模型m(i)的状态估计协方差矩阵；
(5c)根据(5b)的结果，通过下式计算k-1时刻交互式多模型中各模型状态的预测值
Figure BDA00019425745800000815
及其协方差
Figure BDA00019425745800000816
Figure BDA00019425745800000817
(5d)根据(5c)的结果，通过下式计算k时刻交互式多模型中的总体预测值及其误差协方差矩阵：
Figure BDA0001942574580000091
步骤6，根据(2h)结果，通过下式确定预测过程中的运动模型序数a：
Figure BDA0001942574580000092
所以，用于目标状态预测的运动模型为模型m(a)。
步骤7，计算目标运动状态的修正预测值。
参照图3，本步骤具体实施如下：
(7a)用步骤2中多模型交互后的估计值
Figure BDA0001942574580000093
代替k-1时刻模型m(a)的状态估计值
Figure BDA0001942574580000094
根据步骤6结果，通过下式计算k-1时刻模型m(a)的状态预测值
Figure BDA0001942574580000095
Figure BDA0001942574580000096
(7b)通过下式计算k-1时刻模型m(a)状态预测值的误差协方差矩阵
Figure BDA0001942574580000097
Figure BDA0001942574580000098
其中，
Figure BDA0001942574580000099
表示k-1时刻模型m(a)的滤波误差增益矩阵；
(7c)根据(7b)的结果，通过下式计算模型m(a)的增益矩阵
Figure BDA00019425745800000910
Figure BDA00019425745800000911
(7d)根据(7c)的结果，对运动模型m(a)建立误差系统：
Figure BDA00019425745800000912
其中，
Figure BDA00019425745800000913
表示k时刻模型m(a)的量测误差；
Figure BDA00019425745800000914
表示k时刻模型m(a)的一步预测误差；
Figure BDA00019425745800000915
表示k-1时刻模型m(a)的一步预测误差；vk是k时刻模型m(a)的系统量测噪声；
Figure BDA0001942574580000101
表示k时刻模型m(a)的误差状态转移矩阵；
Figure BDA0001942574580000102
表示k时刻模型m(a)的状态转移矩阵；
Figure BDA0001942574580000103
表示k时刻模型m(a)的噪声矩阵；
Figure BDA0001942574580000104
表示k时刻模型m(a)的过程演化噪声；
(7e)取步骤4中i＝a时的模型状态误差估计值
Figure BDA0001942574580000105
代替k-2时刻模型m(a)状态误差值
Figure BDA0001942574580000106
通过下式计算目标运动状态的误差预测值
Figure BDA0001942574580000107
及其误差协方差
Figure BDA0001942574580000108
Figure BDA0001942574580000109
其中，
Figure BDA00019425745800001010
表示k-2时刻模型m(a)的状态估计误差的误差协方差矩阵。
(7i)用式<27>修正式<23>，得到k时刻的匹配模型系统预测值修正结果：
Figure BDA00019425745800001011
步骤8，令k＝k+1，计算下一时刻机动目标状态的预测修正值。
(8a)计算误差估计值的误差协方差矩阵
Figure BDA00019425745800001012
Figure BDA00019425745800001013
其中，
Figure BDA00019425745800001014
表示误差系统的增益矩阵；
(8b)用(7a)结果代替(6)中k时刻模型m(a)的估计更新值
Figure BDA00019425745800001015
用(7h)结果代替(6)值模型m(a)的误差增益矩阵
Figure BDA00019425745800001016
用(8a)的结果代替(7e)中k-2时刻模型m(a)的状态估计误差的误差协方差矩阵；
(8c)根据交互式多模型的采样周期设定迭代次数，重复执行步骤7和步骤8，计算下一时刻机动目标状态的预测修正值，直到达到设定的迭代次数，结束预测。
本发明的效果可以通过下面的仿真实例说明：
1.仿真条件
1)仿真数据：
目标初始运动状态x0是一个独立过程，且与过程演化噪声和量测噪声不相关，服从于正态分布，在线性随机动态系统中，量测矩阵
Figure BDA0001942574580000111
噪声矩阵
Figure BDA0001942574580000112
ts表示系统采样间隔，设定为1s；过程演化噪声wk是一个独立过程，服从于正态分布，其均值为0,协方差
Figure BDA0001942574580000113
量测噪声vk是一个独立过程，服从于正态分布，其均值为0，协方差为
Figure BDA0001942574580000114
匀速直线运动系统状态转移矩阵
Figure BDA0001942574580000115
匀加速直线运动系统状态转移矩阵
Figure BDA0001942574580000116
ω表示目标运动角速度，设定为
Figure BDA0001942574580000117
匀速圆周运动系统状态转移矩阵：
Figure BDA0001942574580000118
2)仿真平台：MATLAB；
2.仿真内容与结果：
仿真1，在上述条件下，用本发明方法和现有的交互式多模型方法对匀速直线运动系统进行预测，仿真结果如图4。从图4中可以看出：当机动目标运动状态为匀速直线运动时，本发明的方法能够修正原有交互式多模型方法的预测误差，得到的预测结果优于交互式多模型预测的结果。
仿真2，在上述条件下，用本发明方法和现有的交互式多模型方法对匀加速直线运动系统进行预测，仿真结果如图5。从图5中可以看出：当机动目标运动状态为匀加速直线运动时，本发明的方法能够修正原有交互式多模型方法的预测误差，得到的预测结果优于交互式多模型预测的结果。
仿真3，在上述条件下，用本发明方法和现有的交互式多模型方法对匀速圆周运动系统进行预测，仿真结果如图6。从图6中可以看出：当机动目标运动状态为匀速圆周运动系统时，本发明的方法能够修正原有交互式多模型方法的预测误差，得到的预测结果优于交互式多模型预测的结果。
综上，本发明所提的基于交互式多模型的机动目标状态预测优化方法，在线性随机系统中，满足过程演化噪声与量测噪声各自独立且相互独立，并与初始状态保持独立的条件下，预测结果能够优于交互式多模型的预测结果，是一种能够优化交互式多模型进行预测的方法。

Claims (2)

1.一种基于交互式多模型的机动目标状态预测优化方法，其特征在于，包括如下步骤：
(1)假设交互式多模型中有三个用于交互的模型，第一个是匀速直线运动模型m(1)，第二个是匀加速直线运动模型m(2)，第三个是匀速圆周运动模型m(3)，依次对三种运动模型设定模型参数，计算模型m(i)在k+1时刻的系统状态向量
Figure FDA0003170452110000011
和k时刻的状态量测向量
Figure FDA0003170452110000012
其中k是时间指标，取值为任意整数；
其实现如下：设定模型参数包括：k时刻模型m(i)的状态转移矩阵
Figure FDA0003170452110000013
k时刻模型m(i)的噪声矩阵
Figure FDA0003170452110000014
k时刻模型m(i)的过程演化噪声
Figure FDA0003170452110000015
k时刻模型m(i)的量测矩阵
Figure FDA0003170452110000016
和k时刻模型m(i)的量测噪声
Figure FDA0003170452110000017
通过如下公式计算模型m(i)在k+1时刻的系统状态向量
Figure FDA0003170452110000018
和k时刻的状态量测向量
Figure FDA0003170452110000019
Figure FDA00031704521100000110
其中，i表示模型序数，其取值为1,2,3，
Figure FDA00031704521100000111
是k时刻模型m(i)的状态向量，
Figure FDA00031704521100000112
是k+1时刻模型m(i)的状态向量，
Figure FDA00031704521100000113
是k时刻模型m(i)的状态量测向量；
(2)计算在目标状态预测中各个运动模型出现的概率
Figure FDA00031704521100000114
确定在目标状态预测中匹配的运动模型序数a：
Figure FDA00031704521100000115
Figure FDA00031704521100000116
通过如下公式计算：
Figure FDA00031704521100000117
其中，
Figure FDA00031704521100000118
表示在状态预测过程中交互式多模型的归一化常数，
Figure FDA00031704521100000119
表示k-1时刻模型m(j)的归一化常数，
Figure FDA00031704521100000120
表示k-1时刻模型m(i)的归一化常数，Ωij表示模型m(i)到模型m(j)的转移概率，Ωji表示模型m(j)到模型m(i)的转移概率，j表示模型的序数，其取值为1,2,3，
Figure FDA00031704521100000121
表示与模型
Figure FDA00031704521100000122
匹配的似然函数，
Figure FDA00031704521100000123
表示与模型
Figure FDA00031704521100000124
匹配的似然函数，
Figure FDA00031704521100000125
和
Figure FDA00031704521100000126
表示k-1时刻在目标状态预测中各个运动模型出现的概率；
(3)根据(2)中结果，计算模型的一步提前预测值
Figure FDA00031704521100000127
及其误差协方差阵
Figure FDA00031704521100000128
通过如下公式进行：
Figure FDA0003170452110000021
Figure FDA0003170452110000022
其中，
Figure FDA0003170452110000023
是k-1时刻第a个模型m(a)的状态估计值，
Figure FDA0003170452110000024
是k-1时刻第a个模型m(a)的状态转移矩阵，
Figure FDA0003170452110000025
是k-1时刻第a个模型m(a)的噪声矩阵，
Figure FDA0003170452110000026
是k-1时刻第a个模型m(a)的状态转移矩阵转置，
Figure FDA0003170452110000027
是k-1时刻第a个模型m(a)的一步预测误差，
Figure FDA0003170452110000028
是k-1时刻第a个模型m(a)的估计误差协方差，
Figure FDA0003170452110000029
是k-1时刻第a个模型m(a)的噪声矩阵转置，
Figure FDA00031704521100000210
是k-1时刻第a个模型m(a)的过程噪声协方差；
(4)根据(2)中结果，建立第a个模型m(a)的误差系统：
Figure FDA00031704521100000211
其中，
Figure FDA00031704521100000212
表示k时刻系统的量测误差，
Figure FDA00031704521100000213
表示k时刻模型m(a)的量测矩阵，
Figure FDA00031704521100000214
表示k时刻系统的量测噪声，
Figure FDA00031704521100000215
表示k-1时刻模型m(a)的一步状态预测误差，
Figure FDA00031704521100000216
表示k时刻模型m(a)的一步状态预测误差，
Figure FDA00031704521100000217
表示k时刻模型m(a)的误差状态转移 矩阵，
Figure FDA00031704521100000218
表示k时刻模型m(a)的状态转移矩阵，
Figure FDA00031704521100000219
表示k时刻模型m(a)的滤波增益矩阵，
Figure FDA00031704521100000220
表示k时刻模型m(a)的噪声矩阵，
Figure FDA00031704521100000221
表示k时刻模型m(a)的过程演化噪声；
(5)根据(4)中结果，计算误差的预测值
Figure FDA00031704521100000222
及其误差协方差矩阵
Figure FDA00031704521100000223
Figure FDA00031704521100000224
其中，
Figure FDA00031704521100000225
表示k-1时刻模型m(a)的误差状态转移矩阵，
Figure FDA00031704521100000226
表示k-2时刻模型m(a)的一步预测误差，
Figure FDA00031704521100000227
表示k-2时刻模型m(a)的误差预测值的误差协方差，
Figure FDA00031704521100000228
表示k-1时刻模型m(a)的误差状态转移矩阵的转置，
Figure FDA00031704521100000229
表示k-1时刻模型m(a)的滤波增益矩阵，
Figure FDA00031704521100000230
表示k-1时刻模型m(a)的滤波增益矩阵的转置，
Figure FDA00031704521100000231
表示k-1时刻模型m(a)量测噪声的协方差矩阵；
(6)根据(5)中结果，对(3)中的一步预测结果进行修正，得到修正后k-1时刻模型m(a)的状态预测值
Figure FDA00031704521100000232
Figure FDA0003170452110000031
计算误差估计值的误差协方差矩阵
Figure FDA0003170452110000032
Figure FDA0003170452110000033
其中，
Figure FDA0003170452110000034
表示误差系统的增益矩阵，
Figure FDA0003170452110000035
表示k时刻模型m(a)量测噪声的协方差矩阵；
(7)用(6)中的结果
Figure FDA0003170452110000036
代替(3)中k-1时刻模型m(a)的状态估计值，用(6)中的
Figure FDA0003170452110000037
代替(5)中k-2时刻模型m(a)的误差预测值的误差协方差，进行下一次预测；
(8)令k＝k+1，重复(2)到(7)直到达到设定的迭代次数，结束预测。
2.根据权利要求1中所述的方法，其中(4)计算预测误差的状态转移矩阵
Figure FDA0003170452110000038
通过如下公式进行：
Figure FDA0003170452110000039
CN201910026173.3A 2019-01-11 2019-01-11 基于交互式多模型的机动目标状态预测优化方法 Active CN109684771B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910026173.3A CN109684771B (zh) 2019-01-11 2019-01-11 基于交互式多模型的机动目标状态预测优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910026173.3A CN109684771B (zh) 2019-01-11 2019-01-11 基于交互式多模型的机动目标状态预测优化方法

Publications (2)

Publication Number Publication Date
CN109684771A CN109684771A (zh) 2019-04-26
CN109684771B true CN109684771B (zh) 2021-09-03

Family

ID=66193067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910026173.3A Active CN109684771B (zh) 2019-01-11 2019-01-11 基于交互式多模型的机动目标状态预测优化方法

Country Status (1)

Country Link
CN (1) CN109684771B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378411B (zh) * 2019-07-16 2021-03-23 浙江大学 一种基于交互式多模型的支持向量机辅助水下机动目标跟踪方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103853908A (zh) * 2012-12-04 2014-06-11 中国科学院沈阳自动化研究所 一种自适应交互式多模型的机动目标跟踪方法
CN105424043A (zh) * 2015-11-02 2016-03-23 北京航空航天大学 一种基于判断机动的运动状态估计方法
CN106779148A (zh) * 2016-11-14 2017-05-31 中南大学 一种多模型多特征融合的高速铁路沿线风速预测方法
CN107045125A (zh) * 2017-03-17 2017-08-15 电子科技大学 一种基于预测值量测转换的交互多模型雷达目标跟踪方法
CN107704432A (zh) * 2017-07-28 2018-02-16 西安理工大学 一种转移概率自适应的交互多模型目标跟踪方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103853908A (zh) * 2012-12-04 2014-06-11 中国科学院沈阳自动化研究所 一种自适应交互式多模型的机动目标跟踪方法
CN105424043A (zh) * 2015-11-02 2016-03-23 北京航空航天大学 一种基于判断机动的运动状态估计方法
CN106779148A (zh) * 2016-11-14 2017-05-31 中南大学 一种多模型多特征融合的高速铁路沿线风速预测方法
CN107045125A (zh) * 2017-03-17 2017-08-15 电子科技大学 一种基于预测值量测转换的交互多模型雷达目标跟踪方法
CN107704432A (zh) * 2017-07-28 2018-02-16 西安理工大学 一种转移概率自适应的交互多模型目标跟踪方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
An Improved Interacting Multiple Model Filtering Algorithm Based on the Cubature Kalman Filter for Maneuvering Target Tracking;Wei Zhu et al;《sensors》;20160601;第16卷(第6期);第1-12页 *
一种面向机动目标跟踪的交互式多模型算法;王美健 等;《计算机应用与软件》;20170531;第34卷(第5期);第211-216页 *
基于交互式多模型的机动目标跟踪算法研究;杨艳成;《中国优秀硕士学位论文全文数据库信息科技辑》;20130315(第03期);摘要，第1-64页 *
基于交互式多模型算法的无人车车辆跟踪预测技术;方彦军 等;《武汉大学学报（工学版）》;20130831;第46卷(第4期);第540-544页 *

Also Published As

Publication number Publication date
CN109684771A (zh) 2019-04-26

Similar Documents

Publication Publication Date Title
CN109472418B (zh) 基于卡尔曼滤波的机动目标状态预测优化方法
CN111178385B (zh) 一种鲁棒在线多传感器融合的目标跟踪方法
CN111985093B (zh) 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法
CN112115419B (zh) 系统状态估计方法、系统状态估计装置
CN102445902B (zh) 用于机器状况监视的条件多输出回归的系统和方法
CN109827579B (zh) 一种组合定位中滤波模型实时校正的方法和系统
CN106932771A (zh) 一种雷达仿真目标航迹跟踪方法及系统
CN111190211B (zh) 一种gps失效位置预测定位方法
CN111913175A (zh) 一种传感器短暂失效下带补偿机制的水面目标跟踪方法
CN111008364B (zh) 一种双观测者协同被动定位方法及系统
CN108871365B (zh) 一种航向约束下的状态估计方法及系统
CN107290742A (zh) 一种非线性目标跟踪系统中平方根容积卡尔曼滤波方法
CN112766304A (zh) 一种基于稀疏贝叶斯学习的机动阵列方位估计方法
CN114877926B (zh) 传感器故障检测与诊断方法、介质、电子设备及系统
CN114528638A (zh) 基于强化学习的船舶运动大多步实时预测混合方法及系统
CN109684771B (zh) 基于交互式多模型的机动目标状态预测优化方法
CN114815619A (zh) 一种量测随机丢失下基于卡尔曼滤波的机器人跟踪方法
CN105701292B (zh) 一种机动目标转弯角速度的解析辨识方法
CN114611068A (zh) 一种高机动目标跟踪方法
CN113190960B (zh) 一种基于非等维状态混合估计的并行imm机动目标跟踪方法
CN116048956A (zh) 一种软件缺陷发生情况预测方法、装置、设备及存储介质
CN116701951A (zh) 基于轨迹相似度的轨迹预测方法、系统及设备
CN106066471A (zh) 一种移动目标的定位方法及系统
CN113064154A (zh) 一种空中目标跟踪方法
CN110514209A (zh) 一种交互式多模型组合导航方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant