一种基于无线电信号处理的海上船舶定位识别方法与流程

本发明涉及海上无线电技术领域，更具体地说涉及一种基于无线电信号处理的海上船舶定位识别方法。

背景技术：

对于海事航行，海上无线电台通信是海上作业信息沟通的重要渠道，是海上安全生命线，船舶电台是海上通信必不可少的工具。海上无线电台监测是基于海上无线电管理与检测系统所提供的无线电测向定位技术以及无线电监听技术。无线电测向定位技术包括无线电测向技术和无线电定位技术。

无线电测向是依靠测量空间电磁波的无线电设备来完成的。就是利用无线电测量设备来确定要测的无线电发射源到已知坐标点的连线与某一参考方向线之间的夹角的过程。

目前盖上船舶管理部门对船舶的技术管理主要是基于船舶信息自动识别系统(automaticidentificationsystem，简称ais系统)的技术，该系统由案基(基站)设施和船载设备共同组成，是一种新型的集网络技术、现代通讯技术、计算机技术、电子信息显示技术为一体的数字助航系统和设备。它通过c/s和b/s模式，为船舶、船公司、航运部门、政府、港口、生态、救援、海洋和大气、研究和统计、公共访问、vts、反恐等提供服务。

目前的海上船舶定位识别，将无线电测向与ais系统结合在一起，对船舶进行识别和精确定位，如国家知识产权局于2017年2月15日，公开了一件公开号为cn106411427a，名称为“一种水上无线电监测系统”的发明专利，该发明专利包括ais专用接收机、水上无线电语音监听专用接收机、无线电测向设备和水上监测系统软件。通过上述方法，该发明实施的一种水上无线电监测系统解决常规设备排查船舶非法使用水上专用频率通信困难的问题，通过该发明可以快速缩小排查范围，达到快速识别船舶非法使用水上专用通信频率的目的。

上述现有技术中，将无线电测向与ais系统相结合，快速定位船舶和识别船舶非法使用水上专用通信频率，但是上述现有技术无法实现对船舶航行方向及航行轨迹进行预测，无法对船舶进行预警。

技术实现要素：

为了克服上述现有技术中存在的缺陷和不足，本申请提供了一种基于无线电信号处理的海上船舶定位识别方法，本发明的发明目的在于解决现有技术中的定位方法无法预测船舶的航行方向和轨迹，无法对船舶进行预警的问题。本申请的基于无线电信号处理的海上船舶定位识别方法，将无线电测向和ais系统结合在一起，定位船舶情况及识别信息，并运用交互式多模型，计算预测出船只航行方向及船位，当预测船位可能闯入警戒区域或者处于台风路径上，就可以进行预警并呼叫船只。

为了解决上述现有技术中存在的问题，本申请是通过下述技术方案实现的：

一种基于无线电信号处理的海上船舶定位识别方法，其特征在于：包括以下步骤：

采用无线电测向设备扫描覆盖海域的20mhz～3000mhz信号；无线电测向设备发现持续出现的无线电信号即进行扫描测向，控制中心集中若干无线电测向设备的扫描数据进行分析，通过多站组网测向功能进行初步测向定位；

通过ais系统采集船舶mmsi信号、经纬度、船只注册信息，综合无线电测向设备的定位数据和ais系统的经纬度数据对监测区域内的船只进行精确定位；

同时，通过语音监听接收机采集音频数据，对采集到的音频数据进行同步解调监听,分辨出语音内容；采用声纹识别系统将分辨出的语音内容与保存的声纹数据库进行对比，确认采集到的声纹是否记录在声纹数据库中，若比对出匹配的声纹信息,即确定船只的类型和登船船员的信息；

运用交互式多模型，计算预测出监测区域内的船只航线方向及船位,根据预测船只的航线放及船位,向该船只发出警示提醒信息；

在预测船只航线方向及船位时，采用船舶运动模型进行预测，所述的船舶运行模型包括匀速(cv)模型和匀转弯(ct)模型；具体如下：

将船舶在k时刻的状态定义为：

x(k)＝[x(k),vx(k),ax(k),y(k),vy(k),az(k),z(k),vz(k),az(k)]^t，其中，x(k),y(k),z(k)为船舶在地心地固坐标系下的位置坐标；vx(k),vy(k),vz(k)为船舶在地心地固坐标系下各方向的速度分量，ax(k),ay(k),az(k)为加速度分量；

则匀速(cv)模型表示为：x(k)＝φcvx(k-1)+γcvw(k-1)；

匀转弯(ct)模型表示为：x(k)＝φctx(k-1)+γctw(k-1)；

将cv和ct作为船舶运动状态的基础模型，根据ais信号的接收频率以及到达时差构建测量方程，应用交互式多模型(imm)对测频时差联合定位方程进行结算；在初始船舶位置均值和初始船舶位置协方差输出结构的基础上，结合船舶在cv和ct模型下对应的状态转移方程得到交互式多模型(imm)下船舶各单个模型的状态估计以及协方差。

所述的交互式多模型根据当前时刻可利用的观测数据以递推的工作方式进行状态估计，每一递推由输入交互、模型滤波、模型概率更新、输出交互四个部分组成。

所述输入交互阶段是将上一时刻各个模型的滤波输出结果进行融合作为当前时刻的起始输入状态，该阶段要先确定混合概率，然后进行混合估计。

所述模型滤波阶段是在输入交互过程中获得混合状态及混合协方差的基础上，结合新的测量矢量，利用各个模型所对应的滤波器进行滤波，予以预测和修正。

所述模型概率更新阶段是通过计算似然函数的方式来实现各个模型权重的概率更新。

所述输出交互阶段是结合更新的模型概率以及各个模型的滤波输出状态和协方差，以加权的方式进行融合，船舶最终的状态估计值由下式可得：

协方差估计为：

本发明的工作原理如下所示：

本发明将无线电测向技术与ais监测系统相结合，快速定位船舶，同时解决同频信号、间歇信号、多径效应的定位问题。本发明还利用语音识别、声纹识别，快速识别船舶。

本发明采用相关干涉仪进行无线电测向，干涉仪测向体制的测向原理是：依据电波在行进中，从不同方向来的电波到达测向天线阵时，在空间上各测向天线单元接收的相位不同，因而相互间的相位差也不同，通过测定来波相位和相位差，即可确定来波方向。基本公式如下所示：

φ13＝φ1-φ3＝k*sinθcosε

φ24＝φ2-φ4＝k*sinθcosε

上式中，φ1、φ2、φ3、φ4分别为北、东、南、西天线的来波的相位；φ13、φ24分别为北-南、东-西天线之间的来波的相位差，k为相移常数，θ为欲求来波方向角。

在干涉仪测向方式中，是直接测量测向天线感应电压的相位，而后求解相位差。

相关干涉测向，是干涉仪测向的一种，它的测向原理是：在测向天线阵列工作频率范围内和360度方向上，各按一定规律设点，同时在频率间隔和方位间隔上，建立样本群，在测向时，将所测得的数据与样本群进行相关运行和差值处理，以获得来波信号方向。

在本发明中，采用变基线技术，可以使用中、大基础天线阵，采用多信道接收机、计算机和fft技术，使得该体制侧向灵敏度高，测向准确度高，测向速度快，可测仰角，有一定的抗波前失真能力。该体制极化误差不敏感。干涉仪测向对接收信号的幅度不敏感，测向天线在空间的分布和天线的架设间距，比幅度比较式测向灵活，但又必须遵循某种规则。例如:可以是三角形，也可以是五边形，还可以是l形等。

本发明中所采用的的ais船舶自动识别系统解码船舶信息，其工作原理是：

利用海上vhf频段的船载航行信息交换设备，它不仅能自动发出本船的相关信息,而且还可以接收周围其它船舶所发出的信息,采用的主要技术是“自组织时分多址接续(sotdma)”方式进行信息交换。

sotdma(自控时分多址联接)技术是通过数据打包链接的技术。ais技术标准规定:每分钟划分为4500个时间段。每个时间段可发布一条不长于256比特的讯息,长于256比特的讯息需增加时间段。每条船舶会通过询问(自动)选择一个与他船不发生冲突的时间段和对应的时间段来发布本船的讯息。在统一的vhf的频道上,ais范围内任何船舶都能自行互不干扰地发送报告和接受全部船舶(岸站)的报告，这就是sotdma的技术核心。

本发明采用的语音识别系统的工作原理是：接收到语音信息后，通过静音切除、分帧、声学特征提取等技术手段处理，将帧识别成状态，把状态组合成音素，把音素组合成单词，最终实现识别语音内容的目的。

其中还应用了深度神经网络(dnn)声学建模技术、用户个性化声学建模技术和二遍解码技术、针对超大规模语音模型的快速更新技术、针对说话人和口音方言的自适应技术、海量多语种语言模型的高速训练和数据资源库构建。

所述深度神经网络(dnn)声学建模技术：

(1)支持海量数据的dnn并行训练；

(2)支持多语种共享结构的dnn训练；

(3)支持个性化dnn建模；

(4)基于dnn的非线性建模提升鲁棒性。

所述用户个性化声学建模技术和二遍解码技术：

(1)数万小时声学模型训练数据，显著提升通讯录人名的个性化识别；

(2)一遍解码生成lattice后，根据人名列表对lattice进行优化，再进行二遍解码。

所述针对超大规模语言模型的快速更新技术：

(1)支持小语言模型和wfst网络建模；

(2)并联小语言模型网络和更新相对较慢的通用超大规模语言模型网络，并调节权重。

所述针对说话人和口音方言的自适应技术：

(1)引入可变长度的码字层，改变传统dnn结构；

(2)引入对模型参数变化的限制；

(3)将目标函数从帧级别的信息熵扩展到串级别区分性准则。

所述海量多语种语言模型的高速训练和数据资源库构建：

(1)支持t级以上语料的统计语言模型训练；

(2)覆盖中英粤维藏等多语种海量语音语言数据的收集、整理和标注。

本发明中采用声纹识别系统的工作原理是：类似于人类的指纹和dna，声纹(voiceprint，是用电声学仪器显示的携带言语信息的声波频谱)也是人体独特的个性生物特征，很难找到两个声纹完全一样的人。如果能够预先采集到声音样本，从中抽取出声纹识别“基因”序列，就可以通过比对声纹库中的声纹信息来分析确认某个人。主要技术包括：语音信号处理、声纹特征提取、声纹建模、声纹比对、判别决策等。

本发明中针对船只轨迹预测是指：在记录了船只的历史航行轨迹以及获得船舶自动识别系统的信息的基础上，运用交互式多模型(imm)，可以计算预测出船只航行的方向，以便预测船位可能闯入警戒区域或者处于台风路径上时，就可以进行预警并呼叫船只。

船只运动模型的确定：

船舶作为慢机动目标通常会按照一定的航线在海上航行，但其运动状态会根据实际情况发生改变，因此，单一的运动模型难以很好的估计其运动状态。为了既能贴近船舶的实际运动同时又能控制计算量，本系统选取匀速(cv)模型和匀转弯(ct)模型作为船舶运动模型。

将船舶在k时刻的状态定义为：

x(k)＝[x(k)，vx(k)，ax(k)，y(k)，vy(k)，az(k)，z(k)，vz(k)，az(k)]^t

其中，x(k),y(k),z(k)为船舶在地心地固坐标系下的位置坐标，vx(k)，vy(k)，vz(k)为船舶在地心地固坐标系下各方向的速度分量，ax(k)，ay(k)，az(k)为加速度分量。

匀速(cv)模型可表示为：x(k)＝φcvx(k-1)+γcvw(k-1)。

匀转弯(ct)模型可表示为：x(k)＝φctx(k-1)+γctw(k-1)。

imm定位解算原理

基于软切换方式的imm算法可以实现多个模型滤波器并行工作，在跟踪方面有着较好的性能。若将cv和ct作为船舶运动状态的基础模型，根据ais信号的接收频率以及到达时差构建测量方程，则应用imm算法可对测频时差联合定位方程进行解算。在初始船舶位置均值和初始船舶位置协方差输出结果的基础上，结合船舶在cv和ct模型下对应的状态转移方程可得到imm算法下船舶各单个模型的状态估计以及协方差。

em-imm算法下船位预测

船舶作为机动目标，运动状态是会发生改变的，单一的运动模型难以描述其复杂的运动变化，因此需要引入多个模型来表现船舶的航行状态。交互式多模型(imm)算法可以利用多个模型来描述目标在工作过程中可能出现的状态，然后通过加权融合来估计系统的状态输出，从而可以有效降低单模型下的较高估计误差。imm算法根据当前时刻可利用的观测数据以递推的工作方式进行状态估计，每一个递推由输入交互、模型滤波、模型概率更新、输出交互四个部分组成。

输入交互阶段是将上一时刻各个模型的滤波输出结果进行融合作为当前时刻的起始输入状态，该阶段需要首先确定混合概率，然后进行混合估计。

模型滤波阶段是在输入交互过程中获得混合状态及混合协方差的基础上，结合新的测量矢量，利用各个模型所对应的滤波器进行滤波，予以预测和修正。

模型概率更新阶段是通过计算似然函数的方式来实现各个模型权重的概率更新。

输出交互阶段是结合更新的模型概率以及各个模型的滤波输出状态和协方差，以加权的方式进行融合，船舶最终的状态估计值由下式可得：

协方差估计为：

与现有技术相比，本发明所带来的有益的技术效果表现在：

1、本发明将无线电测向技术与ais监测相结合，快速定位船舶。同时解决同频信号、间歇信号、多径效应的定位问题；同时利用语音识别、声纹识别，快速识别船舶。具有手段多样性，系统结构合理，监测点部署科学、频率覆盖宽的特点。在本发明中，具有固定、移动、空中、手持等多手段进行监测，及时发现和定位干扰源；例如大站、小站结合；移动、固定结合；利用固定监测站进行常态化监测，主动感知频谱异常；采用移动监测车、空中监测、手持监测等多种监测手段进行联合定位和干扰查找。

2、本发明系统结构合理，具有合理的三层结构：监测设备层、网络传输层、一体化监控平台。固定监测站、移动监测车、空中监测、手持监测等多种监测设备，实现船舶信息采集；使用虚拟专网、专线、互联网等多种网络连接方式实现监测设备层和监控平台互联互通；一体化监控平台实现船舶监测定位识别(对台风、军演、电子围栏、休渔等敏感区域船舶管制等)、指挥控制(对可疑/非法通信船舶进行语音警示，结合台风信息指挥船舶抗台避险，等)、统计分析(区域船舶历史查询、违规占用专用通信频率可以船只分析、违规船只统计等)、数据决策(船只信息查询等)、生成报告(船舶航迹跟踪等)等功能。

3、本发明监测点部署科学，可以对港口、码头、重点海域的监测覆盖。实现测向交汇定位，对重点区域管制，搜索发现可以船舶并及时报警。

4、本发明频率覆盖宽，频率覆盖宽：20mhz～3000mhz超宽频率覆盖范围。跟踪船舶信号和其他信号。本发明能够在无线电监控区域内全天候、无盲区监测定位船舶，有效避免船舶碰撞；可以准确识别船舶信息(比如航向、航线、船名、船舶识别号、类别)；可以快速准确判断船舶是否乱用、非法占用水上专用通信频率；还可以推演预测船位，提供交通指挥、抗台避险、事故救援决策的数据；还可以提供事后追溯研判航行事故、违规捕鱼、越境捕鱼等的证据。

附图说明

图1为本发明的系统结构示意图；

图2为本发明系统运行流程图；

图3为本发明干涉仪测向原理框图；

图4为本发明交互式多模型原理图。

具体实施方式

下面结合说明书附图，对本发明的技术方案作出进一步地阐述。

如图1和图2所示，一种基于无线电信号处理的海上船舶定位识别方法，其特征在于：包括以下步骤：

采用无线电测向设备扫描覆盖海域的20mhz^～3000mhz信号；无线电测向设备发现持续出现的无线电信号即进行扫描测向，控制中心集中若干无线电测向设备的扫描数据进行分析，通过多站组网测向功能进行初步测向定位；

通过ais系统采集船舶mmsi信号、经纬度、船只注册信息，综合无线电测向设备的定位数据和ais系统的经纬度数据对监测区域内的船只进行精确定位；

同时，通过语音监听接收机采集音频数据，对采集到的音频数据进行同步解调监听,分辨出语音内容；采用声纹识别系统将分辨出的语音内容与保存的声纹数据库进行对比，确认采集到的声纹是否记录在声纹数据库中，若比对出匹配的声纹信息,即确定船只的类型和登船船员的信息；

运用交互式多模型，计算预测出监测区域内的船只航线方向及船位,根据预测船只的航线放及船位,向该船只发出警示提醒信息；

在预测船只航线方向及船位时，采用船舶运动模型进行预测，所述的船舶运行模型包括匀速(cv)模型和匀转弯(ct)模型；具体如下：

将船舶在k时刻的状态定义为：

x(k)＝[x(k),vx(k),ax(k),y(k),vy(k),az(k),z(k),vz(k),az(k)]^t，其中，x(k),y(k),z(k)为船舶在地心地固坐标系下的位置坐标；vx(k),vy(k),vz(k)为船舶在地心地固坐标系下各方向的速度分量，ax(k),ay(k),az(k)为加速度分量；

则匀速(cv)模型表示为：x(k)＝φcvx(k-i)+γcvw(k-1)；

匀转弯(ct)模型表示为：x(k)＝φctx(k-1)+γctw(k-1)；

将cv和ct作为船舶运动状态的基础模型，根据ais信号的接收频率以及到达时差构建测量方程，应用交互式多模型(imm)对测频时差联合定位方程进行结算；在初始船舶位置均值和初始船舶位置协方差输出结构的基础上，结合船舶在cv和ct模型下对应的状态转移方程得到交互式多模型(imm)下船舶各单个模型的状态估计以及协方差。

所述的交互式多模型根据当前时刻可利用的观测数据以递推的工作方式进行状态估计，每一递推由输入交互、模型滤波、模型概率更新、输出交互四个部分组成。

所述输入交互阶段是将上一时刻各个模型的滤波输出结果进行融合作为当前时刻的起始输入状态，该阶段要先确定混合概率，然后进行混合估计。

所述模型滤波阶段是在输入交互过程中获得混合状态及混合协方差的基础上，结合新的测量矢量，利用各个模型所对应的滤波器进行滤波，予以预测和修正。

所述模型概率更新阶段是通过计算似然函数的方式来实现各个模型权重的概率更新。

所述输出交互阶段是结合更新的模型概率以及各个模型的滤波输出状态和协方差，以加权的方式进行融合，船舶最终的状态估计值由下式可得：

协方差估计为：

本发明的工作原理如下所示：

本发明将无线电测向技术与ais监测系统相结合，快速定位船舶，同时解决同频信号、间歇信号、多径效应的定位问题。本发明还利用语音识别、声纹识别，快速识别船舶。

本发明采用相关干涉仪进行无线电测向，干涉仪测向体制的测向原理是：依据电波在行进中，从不同方向来的电波到达测向天线阵时，在空间上各测向天线单元接收的相位不同，因而相互间的相位差也不同，通过测定来波相位和相位差，即可确定来波方向。基本公式如下所示：

φ13＝φ1-φ3＝k*sinθcosε

φ24＝φ2-φ4＝k*sinθcosε

上式中，φ1、φ2、φ3、φ4分别为北、东、南、西天线的来波的相位；φ13、φ24分别为北-南、东-西天线之间的来波的相位差，k为相移常数，θ为欲求来波方向角。

在干涉仪测向方式中，是直接测量测向天线感应电压的相位，而后求解相位差。干涉仪测向机的测向原理图如图3所示。

相关干涉测向，是干涉仪测向的一种，它的测向原理是：在测向天线阵列工作频率范围内和360度方向上，各按一定规律设点，同时在频率间隔和方位间隔上，建立样本群，在测向时，将所测得的数据与样本群进行相关运行和差值处理，以获得来波信号方向。

在本发明中，采用变基线技术，可以使用中、大基础天线阵，采用多信道接收机、计算机和fft技术，使得该体制侧向灵敏度高，测向准确度高，测向速度快，可测仰角，有一定的抗波前失真能力。该体制极化误差不敏感。干涉仪测向对接收信号的幅度不敏感，测向天线在空间的分布和天线的架设间距，比幅度比较式测向灵活，但又必须遵循某种规则。例如:可以是三角形，也可以是五边形，还可以是l形等。

本发明中所采用的的ais船舶自动识别系统解码船舶信息，其工作原理是：

利用海上vhf频段的船载航行信息交换设备，它不仅能自动发出本船的相关信息,而且还可以接收周围其它船舶所发出的信息,采用的主要技术是“自组织时分多址接续(sotdma)”方式进行信息交换。

sotdma(自控时分多址联接)技术是通过数据打包链接的技术。ais技术标准规定:每分钟划分为4500个时间段。每个时间段可发布一条不长于256比特的讯息，长于256比特的讯息需增加时间段。每条船舶会通过询问(自动)选择一个与他船不发生冲突的时间段和对应的时间段来发布本船的讯息。在统一的vhf的频道上,ais范围内任何船舶都能自行互不干扰地发送报告和接受全部船舶(岸站)的报告，这就是sotdma的技术核心。

本发明采用的语音识别系统的工作原理是：接收到语音信息后，通过静音切除、分帧、声学特征提取等技术手段处理，将帧识别成状态，把状态组合成音素，把音素组合成单词，最终实现识别语音内容的目的。

其中还应用了深度神经网络(dnn)声学建模技术、用户个性化声学建模技术和二遍解码技术、针对超大规模语音模型的快速更新技术、针对说话人和口音方言的自适应技术、海量多语种语言模型的高速训练和数据资源库构建。

所述深度神经网络(dnn)声学建模技术：

(1)支持海量数据的dnn并行训练；

(2)支持多语种共享结构的dnn训练；

(3)支持个性化dnn建模；

(4)基于dnn的非线性建模提升鲁棒性。

所述用户个性化声学建模技术和二遍解码技术：

(1)数万小时声学模型训练数据，显著提升通讯录人名的个性化识别；

(2)一遍解码生成lattice后，根据人名列表对lattice进行优化，再进行二遍解码。

所述针对超大规模语言模型的快速更新技术：

(1)支持小语言模型和wfst网络建模；

(2)并联小语言模型网络和更新相对较慢的通用超大规模语言模型网络，并调节权重。

所述针对说话人和口音方言的自适应技术：

(1)引入可变长度的码字层，改变传统dnn结构；

(2)引入对模型参数变化的限制；

(3)将目标函数从帧级别的信息熵扩展到串级别区分性准则。

所述海量多语种语言模型的高速训练和数据资源库构建：

(1)支持t级以上语料的统计语言模型训练；

(2)覆盖中英粤维藏等多语种海量语音语言数据的收集、整理和标注。

本发明中采用声纹识别系统的工作原理是：类似于人类的指纹和dna，声纹(voiceprint，是用电声学仪器显示的携带言语信息的声波频谱)也是人体独特的个性生物特征，很难找到两个声纹完全一样的人。如果能够预先采集到声音样本，从中抽取出声纹识别“基因”序列，就可以通过比对声纹库中的声纹信息来分析确认某个人。主要技术包括：语音信号处理、声纹特征提取、声纹建模、声纹比对、判别决策等。

本发明中针对船只轨迹预测是指：在记录了船只的历史航行轨迹以及获得船舶自动识别系统的信息的基础上，运用交互式多模型(imm)，可以计算预测出船只航行的方向，以便预测船位可能闯入警戒区域或者处于台风路径上时，就可以进行预警并呼叫船只。

船只运动模型的确定：

船舶作为慢机动目标通常会按照一定的航线在海上航行，但其运动状态会根据实际情况发生改变，因此，单一的运动模型难以很好的估计其运动状态。为了既能贴近船舶的实际运动同时又能控制计算量，本系统选取匀速(cv)模型和匀转弯(ct)模型作为船舶运动模型。

将船舶在k时刻的状态定义为：

x(k)＝[x(k)，vx(k)，ax(k)，y(k)，vy(k)，az(k)，z(k)，vz(k)，az(k)]^t

其中，x(k),y(k),z(k)为船舶在地心地固坐标系下的位置坐标，vx(k)，vy(k)，vz(k)；为船舶在地心地固坐标系下各方向的速度分量，ax(k)，ay(k)，az(k)为加速度分量。

匀速(cv)模型可表示为：x(k)＝φcvx(k-1)+γcvw(k-1)。

匀转弯(ct)模型可表示为：xtk)＝φctx(k-1)+γctw(k-1)。

imm定位解算原理

基于软切换方式的imm算法可以实现多个模型滤波器并行工作，在跟踪方面有着较好的性能。若将cv和ct作为船舶运动状态的基础模型，根据ais信号的接收频率以及到达时差构建测量方程，则应用imm算法可对测频时差联合定位方程进行解算。在初始船舶位置均值和初始船舶位置协方差输出结果的基础上，结合船舶在cv和ct模型下对应的状态转移方程可得到imm算法下船舶各单个模型的状态估计以及协方差。

em-imm算法下船位预测

船舶作为机动目标，运动状态是会发生改变的，单一的运动模型难以描述其复杂的运动变化，因此需要引入多个模型来表现船舶的航行状态。交互式多模型(imm)算法可以利用多个模型来描述目标在工作过程中可能出现的状态，然后通过加权融合来估计系统的状态输出，从而可以有效降低单模型下的较高估计误差。imm算法根据当前时刻可利用的观测数据以递推的工作方式进行状态估计，每一个递推由输入交互、模型滤波、模型概率更新、输出交互四个部分组成。交互式多模型的原理图如图4所示。

输入交互阶段是将上一时刻各个模型的滤波输出结果进行融合作为当前时刻的起始输入状态，该阶段需要首先确定混合概率，然后进行混合估计。

模型滤波阶段是在输入交互过程中获得混合状态及混合协方差的基础上，结合新的测量矢量，利用各个模型所对应的滤波器进行滤波，予以预测和修正。

模型概率更新阶段是通过计算似然函数的方式来实现各个模型权重的概率更新。

输出交互阶段是结合更新的模型概率以及各个模型的滤波输出状态和协方差，以加权的方式进行融合，船舶最终的状态估计值由下式可得：

协方差估计为：