[发明专利]基于变结构多模型的机动目标跟踪方法

说明书

技术领域

本发明属于信号处理技术领域，特别涉及机动目标的跟踪方法。本发明可用于在保证跟踪精度的同时能够提高跟踪的及时性。

背景技术

机动目标跟踪一直是跟踪领域研究的热点。根据所用的目标运动模型数，机动目标跟踪方法可分为单模型跟踪和多模型跟踪。多模型方法主要经历了三代。

第一代多模型方法称为自治多模型AMM，由Magill和Lainiotis首先提出，后来由Maybeck等人广泛应用并推广。这种方法的特点是模型个数固定，各个基础滤波器单独运行并独立于其它滤波器，最后对输出进行融合。由于自治多模型AMM方法没有考虑模型之间的跳变，而且各个基于模型的滤波器之间没有交互，因此称为静态多模型方法。这种方法只有在真实模式未知并且在每一时刻只用一个模型做估计的情况下才是有效的。

第二代多模型方法仍然使用固定的模型个数，但各个模型之间存在交互，具有代表性的是Ackerson和Fu于1970年提出的广义伪贝叶斯方法GPB和Blom于1988年提出的交互多模型方法IMM，由于其在目标跟踪上的优秀表现为多模型方法赢得了无数的荣誉，Bar-Shalom促进了多模型的普及和进一步的发展。

前两代多模型方法都使用固定结构的多模型，而其存在很多固有的局限。因此Li X R于1992年提出了变结构多模型的思想和模型集的自适应方法，并在文献中提出了模型群切换方法MGS，它是第一种可普遍应用于一大类混合估计问题的变结构多模型方法，随后又在相应的文献中提出了可能模型集方法LMS和期望模型集扩展方法EMA。Lan jian于2011年提出了最好模型扩展方法BMA，将期望模型集扩展方法EMA进行了推广，使变结构多模型方法可用于模型结构和参数都存在变化的机动过程。

到目前为止，已经提出了很多变结构多模型方法，但是大部分方法都存在一定的缺陷性。期望模式扩展方法EMA是一种操作相对简单、计算复杂度相对较小的方法，但是该方法跟踪精度较低，同时此方法的跟踪精度对目标的机动方式和模型集合的拓扑结构设计依赖程度较大。实验表明，如果期望模型太接近基本模型时，则会产生模型间竞争，从而会导致跟踪性能下降。最好模型集扩展方法BMA可根据KL准则实时产生与模式匹配的最好模型来提高估计的精度。虽然该方法估计精度很高，但是其运算量较大，实现起来较复杂。

发明内容

本发明的目的在于提出一种基于变结构多模型的机动目标跟踪方法，以在跟踪精度和计算复杂度上取的一个平衡，即在保持高跟踪精度的前提下，减小运算量。此变结构多模型方法对于提高机动目标跟踪精度和降低计算复杂度具有一定的实际意义。

本发明的技术方案是：利用现有的最好模型扩展方法BMA的候选模型集和现有的期望模式扩展EMA中求期望模型的方法，构成一种新的模型集合自适应策略。利用该模型集合自适应策略实时的、自适应的调节模型集的大小，从而获得当前时刻的模型集合，并利用通用的变结构交互多模型算法来估计目标的运动状态，完成对机动目标的实时跟踪。具体步骤包括如下：

(1)通过雷达探测机动目标的状态信息即位置信息，对其进行N次采样，得到一个长度为N的量测值序列{z_k},k＝1,2,3...N；

(2)建立机动目标跟踪数学模型：

(2a)用下式对机动目标建立运动状态方程：

x_k＝F_kx_k-1+G_ku_k-1+Γ_kw_k-1

其中x_k表示k时刻机动目标的状态向量，k为采样时刻；F_k表示k时刻的状态转移矩阵；x_k-1表示k-1时刻机动目标的状态向量；G_k表示k时刻的状态输入增益矩阵；u_k-1代表k-1时刻的状态输入；Γ_k表示k时刻的过程噪声增益矩阵；w_k-1表示k-1时刻的过程噪声，其均值和协方差分别为0和Q_k-1的高斯白噪声序列；

(2b)用下式建立机动目标的量测方程：

z_k＝H_kx_k+v_k