一种基于混合转移分布的高阶交互式多模型滤波方法技术

一种基于混合转移分布的高阶交互式多模型滤波方法，本发明专利技术涉及基于混合转移分布的高阶交互式多模型滤波方法。本发明专利技术为了解决现有方法中高阶马尔科夫链的设置参数多、设置过程繁琐以及精度较低的问题。本发明专利技术包括：一：采用混合转移分布模型得到n阶模型序列转移概率；二：对k时刻进行实时处理；三：对k＝1时的状态进行初始化；四：对k＝2时的状态进行初始化；五：对k进行判断，当k＝n时，则对k时刻的n阶模型序列概率，n阶模型序列状态估计值和相对应的协方差进行初始化；六：对3≤k≤n时的状态进行交互式多模型滤波算法；七：对k>n时的状态进行广义高阶交互式多模型滤波。本发明专利技术用于机动目标跟踪领域。

A high order interactive multiple model filtering method based on hybrid transfer distribution

The invention relates to a high-order interactive multiple model filtering method based on mixed transfer distribution, which relates to a high-order interactive multiple model filtering method based on mixed transfer distribution. The invention solves the problems that the higher order Markov chain has many parameters, complicated setting process and low precision in the prior method. The present invention includes: A: the mixture transition distribution model n model order sequence transition probability; two: real-time processing of K time; three: initialize the k = 1 state; four: the initialization of the k = 2 state; five: to judge K, when k = n then, n order model on the probability of K time sequence, n sequence order model of state estimation and covariance of the corresponding initialization; six: interactive multiple model filtering algorithm for k = 3 ~ n state; seven: k> generalized high order multiple models filter for n state. The invention is used in the field of maneuvering target tracking.

【技术实现步骤摘要】
一种基于混合转移分布的高阶交互式多模型滤波方法
本专利技术涉及基于混合转移分布的高阶交互式多模型滤波方法。
技术介绍
在目标跟踪的模型不确定问题中，常采用多模型滤波算法解决。其中在H.A.P.Blom,Y.Bar-Shalom.“TheinteractingmultiplemodelalgorithmforsystemswithMarkovianswitchingcoefficients,”IEEETransactionsonAutomaticControl,vol.33(8),pp.780-783,1988中提出了经典的算法交互式多模型滤波算法(IMM)。该算法虽然能自适应识别当前时刻的模型，但精度却不是很高。在P.Suchomski,“High-orderinteractingmultiple-modelestimationforhybridsystemswithMarkovianswitchingparameters,”InternationalJournalofSystemsScience,vol.32(5),pp.669-679,2001中提出了广义高阶交互式多模型滤波方法(IMMn)，利用高阶模型序列更精确地估计目标状态。但这个方法的弊端是其中高阶马尔科夫链的设置比较复杂。其参数的个数随着阶数的增长而呈指数型增长，一来所需设置的参数太多，比较繁琐；二来同时把所有的参数设置得合理而不影响整体的状态估计是一件比较困难的事，因此会影响该算法运用到更高阶上。所以，需要一种更简单的方法来代替高阶马尔科夫链，并应用于高阶交互式多模型滤波方法。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，“一种基于自适应转移概率矩阵的交互多模型跟踪方法”，中国，2015-09-02以及韩红；李阳阳；陈兆平；王爽；智建纬；焦李成，“基于模糊推理的交互式多模型方法”中国，2009-07-08这两个专利中都对交互式多模型滤波方法进行了改进，但这些方法的阶数仍处于一阶，并没有利用充分利用高阶模型序列的先验信息，估计精度有待进一步改善。
技术实现思路
本专利技术的目的是为了解决现有广义高阶交互式多模型滤波方法中高阶马尔科夫链的设置参数多、设置过程繁琐以及精度较低的问题，而提出一种基于混合转移分布的高阶交互式多模型滤波方法。一种基于混合转移分布的高阶交互式多模型滤波方法按以下步骤实现：步骤一：采用混合转移分布模型得到n阶模型序列转移概率ρ(mk|mk-n,...,mk-1)；步骤二：估计的状态向量为和相对应的协方差为对k时刻进行实时处理；当k＝1时，转至步骤三；当k＝2时，转至步骤四；当3≤k≤n时，转至步骤六；当k>n时，转至步骤七；步骤三：对k＝1时的状态进行初始化后，转步骤二等待处理下一k＝k+1时刻的雷达观测数据；步骤四：对k＝2时的状态进行初始化后，转至步骤五；步骤五：对k进行判断，当k＝n时，则对k时刻的n阶模型序列概率Uk(mk-n+1,...,mk)，n阶模型序列状态估计值和与相对应的协方差进行初始化后，转步骤二等待处理下一k＝k+1时刻的雷达观测数据；当k≠n时，直接执行步骤二处理k＝k+1时刻的雷达观测数据；步骤六：对3≤k≤n时的状态进行交互式多模型滤波后，转至步骤五；步骤七：对k>n时的状态进行广义高阶交互式多模型滤波后，转步骤二等待处理下一k＝k+1时刻的雷达观测数据。本专利技术的有益效果为：本专利技术利用接收到的雷达观测数据进行实时处理，从而实现对机动目标的有效跟踪。阶数越高，在模型不变区域的误差就越小，对目标状态有更高的估计精度。与IMM相比，精度高，估计性能更好，提高了10％左右；与IMMn相比，解决了高阶马尔科夫链设置困难的问题，减少了因参数设置不理想而降低滤波效果的可能性。本专利技术提出了一种基于混合转移分布的高阶交互式多模型滤波方法。混合转移分布模型由于所需的参数个数少，设置简单的优点，在本专利技术中被用来代替高阶马尔科夫链来接近高阶模型序列转移概率矩阵，并应用于高阶交互式多模型滤波方法中从而使得高阶算法能够灵活使用。附图说明图1为2阶的本专利技术方法与交互式多模型算法位置均方根误差对比图；图2为2阶的本专利技术方法与交互式多模型算法速度均方根误差对比图；图3为不同阶数的本专利技术方法位置均方根误差对比图；图4为不同阶数的本专利技术方法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混合转移分布的高阶交互式多模型滤波方法包括以下步骤：步骤一：采用混合转移分布模型得到n阶模型序列转移概率ρ(mk|mk-n,...,mk-1)；步骤二：估计的状态向量为和相对应的协方差为对k时刻进行实时处理；当k＝1时，转至步骤三；当k＝2时，转至步骤四；当3≤k≤n时，转至步骤六；当k>n时，转至步骤七；步骤三：对k＝1时的状态进行初始化后，转步骤二等待处理下一k＝k+1时刻的雷达观测数据；步骤四：对k＝2时的状态进行初始化后，转至步骤五；步骤五：对k进行判断，当k＝n时，则对k时刻的n阶模型序列概率Uk(mk-n+1,...,mk)，n阶模型序列状态估计值和与相对应的协方差进行初始化后，转步骤二等待处理下一k＝k+1时刻的雷达观测数据；当k≠n时，直接执行步骤二处理k＝k+1时刻的雷达观测数据；步骤六：对3≤k≤n时的状态进行交互式多模型滤波后，转至步骤五；步骤七：对k>n时的状态进行广义高阶交互式多模型滤波后，转步骤二等待处理下一k＝k+1时刻的雷达观测数据。具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中采用混合转移分布模型得到n阶模型序列转移概率ρ(mk|mk-n,...,mk-1)的具体过程为：其中mj为j时刻的模型，j＝k-n,…,k，设模型个数为r个，则mj的取值范围为1到r；是从模型mk-g转移到模型mk的概率，是一阶马尔科夫链中的元素，λg是每个步长系数，满足以下条件：其它步骤及参数与具体实施方式一相同。具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述模型具体为：Xk+1＝Fk(mk)Xk+Gk(mk)uk(mk)+Γk(mk)vk(mk)其中Xk是由k时刻x轴位置xk，x轴速度y轴位置yk，y轴速度组成的状态向量。Fk(mk)表示在k时刻模型mk下的系统转移矩阵，Gk(mk)是输入控制矩阵，uk(mk)是信号输入，Γk(mk)是噪声系数矩阵，vk(mk)是k时刻模型mk下的零均值白色高斯过程噪声，其协方差为Qk(mk)。其中，T表示采样间隔。(1)当模型为匀速运动模型时(2)当模型协同转弯模型时(3)当模型匀加速运动模型时其中，ax，ay分别是x轴，y轴方向的加速度，x轴为水平方向，y轴为竖直方向，x轴与y轴垂直。以上列举的三种是在机动目标跟踪中最常用的三种模型，但仅仅作为范例，在实际应用中可以根据需求使用其他的模型。其它步骤及参数与具体实施方式一或二相同。具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤三中对k＝1时的状态进行初始化的具体过程为其中zk＝[xkyk]T表示k时刻的接收到的雷达观测数据，zk(j)表示zk的第j个值。rij是观测噪声协方差R的第i行第j列元素，即其它步骤及参数与具体实本文档来自技高网...

【技术保护点】
一种基于混合转移分布的高阶交互式多模型滤波方法，其特征在于：所述基于混合转移分布的高阶交互式多模型滤波方法包括以下步骤：步骤一：采用混合转移分布模型得到n阶模型序列转移概率ρ(mk|mk‑n,...,mk‑1)；步骤二：估计的状态向量为

【技术特征摘要】
1.一种基于混合转移分布的高阶交互式多模型滤波方法，其特征在于：所述基于混合转移分布的高阶交互式多模型滤波方法包括以下步骤：步骤一：采用混合转移分布模型得到n阶模型序列转移概率ρ(mk|mk-n,...,mk-1)；步骤二：估计的状态向量为和相对应的协方差为对k时刻进行实时处理；当k＝1时，转至步骤三；当k＝2时，转至步骤四；当3≤k≤n时，转至步骤六；当k>n时，转至步骤七；步骤三：对k＝1时的状态进行初始化后，转步骤二处理k＝k+1时刻的雷达观测数据；步骤四：对k＝2时的状态进行初始化后，转至步骤五；步骤五：对k进行判断，当k＝n时，则对k时刻的n阶模型序列概率Uk(mk-n+1,...,mk)，n阶模型序列状态估计值和与相对应的协方差进行初始化后，转步骤二处理k＝k+1时刻的雷达观测数据；当k≠n时，直接执行步骤二处理k＝k+1时刻的雷达观测数据；步骤六：对3≤k≤n时的状态进行交互式多模型滤波算法后，转至步骤五；步骤七：对k>n时的状态进行广义高阶交互式多模型滤波后，转步骤二处理k＝k+1时刻的雷达观测数据。2.根据权利要求1所述的一种基于混合转移分布的高阶交互式多模型滤波方法，其特征在于：所述步骤一中采用混合转移分布模型得到n阶模型序列转移概率ρ(mk|mk-n,...,mk-1)的具体过程为：其中mj为j时刻的模型，j＝k-n,…,k，设模型个数为r个，则mj的取值范围为1到r；是从模型mk-g转移到模型mk的概率，是一阶马尔科夫链中的元素，λg是每个步长系数，满足以下条件：3.根据权利要求2所述的一种基于混合转移分布的高阶交互式多模型滤波方法，其特征在于：所述模型具体为：Xk+1＝Fk(mk)Xk+Gk(mk)uk(mk)+Γk(mk)vk(mk)其中Xk是由k时刻x轴位置xk，x轴速度y轴位置yk，y轴速度组成的状态向量；Fk(mk)表示在k时刻模型mk下的系统转移矩阵，Gk(mk)是输入控制矩阵，uk(mk)是信号输入，Γk(mk)是噪声系数矩阵，vk(mk)是k时刻模型mk下的零均值白色高斯过程噪声，其协方差为Qk(mk)；其中，T表示采样间隔；(1)当模型为匀速运动模型时：(2)当模型协同转弯模型时：(3)当模型匀加速运动模型时：其中，ax，ay分别是x轴，y轴方向的加速度。4.根据权利要求3所述的一种基于...

【专利技术属性】
技术研发人员：周共健，叶晓平，许荣庆，吴立刚，
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