基于模糊推理的交互式多模型方法技术

本发明专利技术公开了一种基于模糊推理的交互式多模型方法，它涉及模式识别领域，用于机动目标跟踪。其过程为：（１）模型条件重初始化，计算每个滤波器的混合输入；（２）用每个滤波器的混合输入，分别计算当前统计模型和匀速模型的初始值，进行目标状态估计更新；（３）在获得目标状态估计后，计算ｋ时刻各个模型的概率；（４）用更新的模型概率ｕ↑［（ｊ）］（ｋ）（ｊ＝１，２）作为模糊推理系统的输入量，计算模糊系统的模糊输出量；（５）以当前统计模型和匀速模型目标状态估计的概率加权和作为总体状态估计输出。本发明专利技术解决了传统的交互式多模型算法中所存在的由于滤波模型与目标运动模式不匹配造成的误差问题，具有计算复杂度小，跟踪效果好的优点，可用于机动目标跟踪。

【技术实现步骤摘要】

本专利技术属于模式识别
，涉及一种目标跟踪方法，可用于对飞机、汽车等机动 目标的跟踪。
技术介绍
机动目标跟踪在军事和民用领域的广阔应用前景，机动目标跟踪问题的研究已经受到 人们的广泛关注，而现代军事预警领域中的机动目标跟踪问题成为当前的一个研究热点。 最近几十年来，国内外众多专家学者对之进行了深入的研究，取得了丰硕的成果，这些成 果在空中侦察与预警、弹道导弹防御、战场监视等军事领域，以及空中交通管制、智能车 辆系统、交通导航、机器人视觉等民用领域都得到了广泛的应用。机动目标跟踪是一个典型的不确定性问题，随着跟踪环境和目标机动性能发生变化， 使得目标跟踪问题的不确定性更加严重。其不确定性主要表现为目标运动状态的不确定性 和探测器量测起源的不确定性，这就要求机动目标跟踪系统必须适应机动和环境的变化， 运用适当的方法跟踪运动状态时刻变化的目标。因此，很难采用单一模型对目标运动进行 精确建模。多模型估计较好的解决了这一问题，多模型估计的基本思想是将参数空间(或 系统的运动模式)映射为模型集，而基于每个模型的滤波器并行地工作，系统的状态估计则 是各模型滤波器所做估计的数据融合。目前多模型估计的典型算法主要有广义伪贝耶斯算法(General Pseudo Bayes， GPB) 以及Blom和Bar Shalom在广义伪贝耶斯算法基础上提出的交互式多模型算法(頂M)，其中 MM算法被认为是一种最有效的混合估计方案，并逐渐成为该领域的主流估计算法。然而 在传统頂M算法中，仍然存在一些问题，比如模型转移概率以及模型集都是先验确定的。 当选择较少的模型时，不能较好地覆盖各种目标机动模式，与单模型算法相比，在计算量 增大的同时仍然不能避免产生较大的误差，如果选择很多模型组成模型集合，又会使计算 量急剧增加，影响跟踪的实时性，而且模型的增多不一定能提高跟踪性能，反而有可能产 生模型间的竞争，导致跟踪性能下降。如何在不增加太多计算量的同时保证得到更好的跟 踪性能是多模型算法研究的核心问题之一。近年来，随着一些统计和智能方法的发展，如模糊理论、神经网络、证据推理法、粗集理论、小波分析理论和支持向量机等，它们为目标跟踪领域的研究提供了新的技术手段。 多模型算法在结合一些统计方法和智能理论后，也有了新的发展。2000年，加拿大的Zhen Ding提出了模型自适应的多模型算法，该方法需要计算各个模型的新息和新息变化率，作 为模糊系统的输入量，通过模糊输出来调节噪声协方差，该方法的不足之处在于算法中有 几个模型就需要几个模糊推理系统，并且要额外计算模糊输入量即新息和新息变化率，因 此，计算量较大。2004年，韩国的Hyun-SikKim提出一种模糊交互式多模型的设计方法， 该方法首先通过分析目标机动情况确定算法中的模型个数，然后采用模糊推理的方法，以 模型概率为模糊系统的输入量，通过模糊输出来调节模型转移概率。该方法与标准交互式多模型算法相比，增加的计算量不大，但是，当模型与目标运动模式匹配时，其跟踪效果 不如标准交互式多模型算法。2005年，中国的申斌提出一种模糊交互式多模型算法，该方 法也是采用模糊推理系统，调节模型中部分参数的方法，达到了模型自适应效果，不足之 处在于模糊输入量计算复杂，而且模糊推理系统的个数随着模型数的增加而增加。
技术实现思路
本专利技术的目的在于克服上述现有方法不足，提出了一种基于模糊推理的模型自适应交 互式多模型方法，以得到较好的目标跟踪结果。实现本专利技术目的的技术方案是以交互式多模型算法中的模型概率作为模糊系统的输 入，通过模糊输出在线调节各模型的系统噪声。当滤波模型与目标真实运动模式不匹配时， 模糊推理系统通过推理机制自动调整系统状态噪声协方差矩阵来适应目标发生机动的情 况，弥补滤波模型与目标运动模式不匹配造成的误差。提出一种基于模糊推理的交互式多 模型目标跟踪方法。具体实现步骤如下(1) 对当前统计模型和匀速模型进行条件重初始化，计算每个滤波器的混合输入；(2) 用每个滤波器的混合输入，分别计算当前统计模型和匀速模型的初始值，并进行 当前时刻目标状态估计；(3) 利用获得的当前时刻目标状态估计，计算当前统计模型和匀速模型的概率"w(/fc)(风2);(4) 用当前统计模型和匀速模型的概率作为模糊推理系统的输入量，将模糊输出量/(1)， /(2)分别反馈至步骤(2)，作为下一时刻的目标状态估计参数；(5) 利用获得的当前目标状态估计和模型概率计算总体状态输出。本专利技术与现有的技术相比具有以下优点1、 由于本专利技术不需要系统状态噪声协方差的先验信息，只需给定一个初始值并通过 模糊推理系统自适应地在线调整滤波器的状态噪声协方差的值，使得该算法可以用较少的 模型很好的覆盖目标运动模式，大大减小了模型与运动模式不匹配造成的滤波误差；2、 本专利技术中只采用一个模糊系统，当模型数目增加时，只需要增加此模糊系统的输 入输出量，适当调整模糊规则库即可，而一般的模糊交互式多模型算法中，模糊系统的个 数随着模型数的增加而增加。因此，本专利技术不用增加过多的计算量，就可以取得较好的跟 踪效果；3、 由于本专利技术以模型概率作为模糊系统的输入量，所以在保证跟踪精度的同时，不 需要额外计算模糊输入量，具有模糊特征量提取简单，计算复杂度小的特点；4、 仿真结果表明，本专利技术方法跟踪结果优于传统的IMM方法。 附图说明图l是本专利技术的流程示意图2是本专利技术模糊推理系统输入量所采用的隶属度函数示意图； 图3是本专利技术模糊推理系统输入量所采用的隶属度函数示意图； 图4是本专利技术和传统IMM方法对机动目标跟踪效果示意图； 图5是本专利技术和传统IMM方法对机动目标跟踪效果局部放大示意图； 图6是本专利技术和传统IMM方法对机动目标跟踪位置误差示意图； 图7是本专利技术和传统IMM方法对机动目标跟踪速度误差示意图。 具体实施例方式参照图l，本专利技术的具体实现过程如下步骤l，模型条件重初始化，计算每个滤波器的混合输入。模型条件重初始化是考虑每个模型滤波器都有可能成为当前有效的系统模型滤波器， 每个滤波器的初始条件都是基于前一时刻各条件模型滤波结果的合成(合成初始条件)，即 分别计算混合概率和混合估计。具体实施步骤如下-la)计算混合概率假定k-l时刻的匹配模型是wW(yt-1)， k时刻的匹配模型是mW("，以A-l时刻的信 息Z"'为条件的混合概率为7—1)^P(附(')(A: —l)—")!^),/-1)-J"7T,/')(A: — 1), i,j=l,2。其中^=^>^(')0-l)为归一化常数，w(')(/t-1)为"1时刻模型的概率。 lb)混合估计对于滤波模型，其重初始化的状态与协方差阵按混合估计分别为a 二 (2)(A _ 11 A: -1)=五OO — 1)| m(力(A;), ) =;(') (A: -11 A - _ 11 " 1)一)(yt - 11 A: _ 1)=力- 11 " 1) + - 11 A: - 1) _》)(/t - 11 - l))'=1 . (3)- 11 A: -1) - - 11 yfc - - 1 | A; - 1)其中，》')(H^-1)表示模型在"1时刻对目标的状态估计，"(")(A:-l)表本文档来自技高网...

【技术保护点】
一种基于模糊推理的交互式多模型目标跟踪方法，包括如下步骤：　（１）对当前统计模型和匀速模型进行条件重初始化，计算每个滤波器的混合输入；　（２）用每个滤波器的混合输入，分别计算当前统计模型和匀速模型的初始值，并进行当前时刻目标状态 估计；　（３）利用获得的当前时刻目标状态估计，计算当前统计模型和匀速模型的概率ｕ↑［（ｊ）］（ｋ）（ｊ＝１，２）；　（４）用当前统计模型和匀速模型的概率作为模糊推理系统的输入量，将模糊输出量ｆ↑［（１）］，ｆ↑［（２）］分别反馈 至步骤（２），作为下一时刻的目标状态估计参数；　（５）利用获得的当前目标状态估计和模型概率计算总体状态输出。

【技术特征摘要】

【专利技术属性】
技术研发人员：陈兆平，韩红，焦李成，李阳阳，王爽，智建纬，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87[中国|西安]