一种基于模型切换次数受限的多模型机动目标跟踪滤波方法技术

一种基于模型切换次数受限的多模型机动目标跟踪滤波方法，涉及机动目标跟踪领域，具体涉及一种多模型的机动目标跟踪滤波方法。本发明专利技术为了解决现有多模型滤波不能描述高阶模型切换先验信息的问题以及在保证较高滤波精度时存在计算量大的问题。本发明专利技术首先对2阶模型序列中的模型进行建模，并基于跳变次数受限的假设设置2阶模型序列的转移概率p

A multiple model maneuvering target tracking filtering method based on limited number of model switching times

The invention relates to a multiple model maneuvering target tracking filtering method based on the limited number of model switching times, which relates to the maneuvering target tracking field, in particular to a multi model maneuvering target tracking filtering method. The invention solves the problem that the prior model filtering can not describe the prior information of the higher order model switching, and has a large amount of calculation when guaranteeing the higher filtering precision. In the present invention, the model in the 2 order model sequence is modeled, and the transition probability of the 2 order model sequence is set based on the assumption that the number of transitions is limited by P

【技术实现步骤摘要】
一种基于模型切换次数受限的多模型机动目标跟踪滤波方法
本专利技术涉及机动目标跟踪领域，具体涉及一种多模型的机动目标跟踪滤波方法。
技术介绍
在目标跟踪的模型不确定问题中，H.A.P.Blom，Y.Bar-Shalom.“TheinteractingmultiplemodelalgorithmforsystemswithMarkovianswitchingcoefficients，”IEEETransactionsonAutomaticControl，vol.33(8)，pp.780-783，1988提出了经典的交互式多模型滤波方法。该经典方法使用模型转移概率来自动识别当前使用的模型，进行模型切换，从而实现在多模型下的自适应滤波估计。但缺点是估计精度不是很高，且依赖于模型转移概率的设置。当模型不变转移概率的值设置很大时，虽然在模型不变区域误差会减少，但同时却会增大模型切换区域的误差，并且从模型切换区域到模型不变区域的误差收敛速度会减慢。改进的方法如P.Suchomski，“High-orderinteractingmultiple-modelestimationforhybridsystemswithMarkovianswitchingparameters，”InternationalJournalofSystemsScience，vol.32(5)，pp.669-679，2001中提出的广义高阶多模型滤波方法，虽然利用高阶模型序列能提高估计精度，但却以增加大量计算为代价。毕欣，杜劲松，王伟，高洁，田星，赵越南，赵乾，丛日刚，仝盼盼，李想，张清石，徐洪庆，高扬等人的“一种基于自适应转移概率矩阵的交互多模型跟踪方法(申请号：CN201410715327.7)”和周卫东，蔡佳楠，孙龙，沈忱，郑兰等人的“一种具有最优运动模式切换参数的交互式多模型目标跟踪方法(申请号：CN201410234810.3)”的专利都对交互式多模型方法进行了改进，通过对一阶模型转移概率进行修正，进一步提高滤波精度，但这些方法并没有利用更多的先验信息，估计精度有待进一步改进。因此，仍需要一种更好的多模型滤波方法，通过利用更多的先验信息，使得既有很高的滤波精度，同时又保持计算量小的特点。
技术实现思路
本专利技术为了解决现有多模型滤波不能描述高阶模型切换先验信息的问题以及在保证较高滤波精度时存在计算量大的问题。一种基于模型切换次数受限的多模型机动目标跟踪滤波方法，包括：步骤1：对机动目标的2阶模型序列中的模型mi、mj、ml进行建模，并基于跳变次数受限的假设，设置2阶模型序列的转移概率pijl，表示从模型序列mimj跳变到模型ml的概率；i、j、l分别为用于区别模型mi、mj、ml的序号；设模型个数为r，则i,j,l的取值范围为1～r；其中，Pmax是预先设定的一个值，理论上取值范围为0～1，在本专利技术中，该值设得很大，远大于现有方法中常用的0.98等值，本专利技术Pmax取值范围为[0.99,1)，Pmax典型取值为0.99～0.9999，基于0.99～0.9999能使模型不变段的滤波精度极限接近无模型不确定性问题时的滤波精度；步骤2：分以下三种情况对k时刻的估计状态向量和相对应的协方差为进行实时处理；(1)当k＝1时，转步骤3；(2)当k＝2时，转步骤4；(3)当k≥3时，转步骤5；步骤3：对k＝1时的估计状态向量和相对应的协方差为初始化其中，zk＝[xkyk]T表示k时刻接收到的雷达观测数据，xk表示k时刻x轴位置，yk表示k时刻y轴位置，zk(q′)表示zk的第q′个值；ri′j′是观测噪声协方差R的第i′行第j′列元素，即转步骤2等待接收k＝k+1时刻的雷达观测数据并继续处理；步骤4：对k＝2时的估计状态向量和相对应的协方差为初始化再初始化k-1时刻模型为mi、k时刻模型为mj时的2阶模型序列概率r表示模型个数，r与ri′j′表示不同参数；令2阶模型序列估计状态向量和与相对应的协方差转步骤2等待接收k＝k+1时刻的雷达观测数据并继续处理；步骤5：对k≥3时的状态进行如下处理：步骤5.1：计算混合概率当l＝j时，则i的取值范围是1,2,...,r,其中，为k-1时刻的2阶模型序列概率；Cjj为归一化参数，Cjj对应的第一个j代表k-1时刻的模型为mj，第二个j代表k时刻的模型为mj；当l≠j时，则i＝j,其中，Cjl分别为归一化参数，在跳变受限的条件下，l≠j、i≠j的情况不存在，不参与滤波计算；本专利技术是基于模型切换次数受限的情况，所以模型连续切换的概率设置为零，不参与滤波计算，减少了计算量；步骤5.2：计算2阶模型序列混合状态向量及其协方差当l＝j时当l≠j时为2阶模型序列估计状态向量，多个2阶模型序列估计状态向量构成估计状态向量只有在k＝2时才令2阶模型序列估计状态向量步骤5.3：将和作为输入对模型ml进行卡尔曼滤波，计算k时刻和似然函数步骤5.4：计算k时刻的2阶模型序列概率步骤5.5：计算k时刻的估计状态向量及其协方差转步骤2等待接收k＝k+1时刻的雷达观测数据并继续处理。优选地，步骤5.3所述卡尔曼滤波的具体步骤包括以下步骤：计算2阶模型序列的估计状态向量的一步预测值其中，Fk-1(ml)是在k-1时刻模型ml下的系统转移矩阵，Gk-1(ml)是在k-1时刻模型ml的输入控制矩阵，uk-1(ml)是在k-1时刻模型ml的信号输入；下角标为k|k或者k-1|k-1表示估计状态向量，而下角标k|k-1表示对估计状态向量的一步预测；计算与相对应的协方差的一步预测值其中，Γk-1(ml)是噪声系数矩阵；Qk-1(ml)是过程噪声协方差；计算2阶模型序列的观测预测值其中，Hk是观测矩阵；计算2阶模型序列的新息其中新息与零均值白色高斯过程噪声vk-1(ml)为不同参数；计算2阶模型序列的新息协方差计算2阶模型序列的似然函数其中，表示zk服从均值为协方差为的高斯分布；计算2阶模型序列的增益计算2阶模型序列的估计状态向量计算相对应的协方差本专利技术具有以下有益效果：为了提高目标跟踪时的滤波精度，本专利技术利用目标不会时刻发生模型切换的先验信息，提出一种基于模型切换次数受限的多模型机动目标跟踪滤波方法(SC-IMM)。本专利技术假设连续3个时刻内最多只发生一次模型切换，舍去了在该假设下不可能产生的模型序列；同时在此假设基础上设计一个合适的模型序列转移概率，把不发生切换的模型序列转移概率值设得很大。因此，本专利技术极大地减小了估计误差和收敛区域，在获得更高滤波精度的同时又保留较小的计算量。与经典的交互式多模型滤波方法(IMM方法)相比，本专利技术不仅在模型不变区域精度极大提高，同时在模型切换区域估计误差迅速降低，有极小的收敛区，精度提高20％～27％左右；相比于广义2阶交互式多模型方法(IMM2)，本专利技术的精度提高18％左右，同时减少计算时间约6％。附图说明图1为500次蒙特卡洛仿真下的IMM、IMM2和SC-IMM三种方法的位置均方根误差对比图；图2为500次蒙特卡洛仿真下的IMM、IMM2和SC-IMM三种方法的速度均方根误差对比图。具体实施方式具体实施方式一：一种基于模型切换次数受限的多模型机动目标跟踪滤波方法，包括：步骤1：将机动目标的三个时刻的状态作为本文档来自技高网...

【技术保护点】
一种基于模型切换次数受限的多模型机动目标跟踪滤波方法，其特征在于，包括：步骤1：对机动目标的2阶模型序列中的模型m

【技术特征摘要】
1.一种基于模型切换次数受限的多模型机动目标跟踪滤波方法，其特征在于，包括：步骤1：对机动目标的2阶模型序列中的模型mi、mj、ml进行建模，并基于跳变次数受限的假设，设置2阶模型序列的转移概率pijl，表示从模型序列mimj跳变到模型ml的概率；i、j、l分别为用于区别模型mi、mj、ml的序号；设模型个数为r，则i,j,l的取值范围为1～r；其中，Pmax是预先设定的一个值，Pmax取值范围为[0.99,1)；步骤2：分以下三种情况对k时刻的估计状态向量和相对应的协方差为进行实时处理；(1)当k＝1时，转步骤3；(2)当k＝2时，转步骤4；(3)当k≥3时，转步骤5；步骤3：对k＝1时的估计状态向量和相对应的协方差为初始化其中，zk＝[xkyk]T表示k时刻接收到的雷达观测数据，xk表示k时刻x轴位置，yk表示k时刻y轴位置，zk(q′)表示zk的第q′个值；ri′j′是观测噪声协方差R的第i′行第j′列元素，即转步骤2等待接收k＝k+1时刻的雷达观测数据并继续处理；步骤4：对k＝2时的估计状态向量和相对应的协方差为初始化再初始化k-1时刻模型为mi、k时刻模型为mj时的2阶模型序列概率令2阶模型序列估计状态向量和与相对应的协方差转步骤2等待接收k＝k+1时刻的雷达观测数据并继续处理；步骤5：对k≥3时的状态进行如下处理：步骤5.1：计算混合概率当l＝j时，则i的取值范围是1,2,...,r,其中，为k-1时刻的2阶模型序列概率；Cjj为归一化参数，当l≠j时，则i＝j,其中，Cjl分别为归一化参数，在跳变受限的条件下，l≠j、i≠j的情况不存在，不参与滤波计算；步骤5.2：计算2阶模型序列混合状态向量及其协方差当l＝j时当l≠j时步骤5.3：将和作为输入对模型ml进行卡尔曼滤波，计算k时刻和似然函数步骤5.4：计算k时刻的2阶模型序列概率步骤5.5：计算k时刻的估计状态向量及其协方差转步骤2等待接收k＝k+1时刻的雷达观测数...

【专利技术属性】
技术研发人员：周共健，叶晓平，周畅，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23