一种改进权值的变结构多模型机动目标跟踪方法
【专利摘要】本发明属于机动目标跟踪领域，公开了一种改进权值的变结构多模型机动目标跟踪方法，包括：初始化雷达观测值，得到初始状态向量和初始协方差矩阵；选择初始角速度，确定运动模型的状态转移矩阵；进行多模型滤波得到状态估计向量和估计协方差矩阵，同时也得到多模型的权值；利用变结构和图论的思想，通过多模型的权值对角速度即多模型结构进行调整，直至跟踪完成。本发明跟踪性能好、计算量小，可用于对高速强机动目标的跟踪。
【专利说明】
-种改进权值的变结构多模型机动目标跟踪方法
技术领域
[0001 ]本发明设及机动目标跟踪领域，尤其设及一种改进权值的变结构多模型机动目标 跟踪方法，可用于对局速机动目柄的跟踪。
【背景技术】
[0002] 由于目标跟踪在国防和民用各领域的重要价值，一直W来很多学者致力于研究目 标跟踪算法。随着现代航空的迅速发展，各种飞行器的机动性和运动速度越来越高，单模型 算法很难满足跟踪速度和精度的需求，而多模型算法可W避免采用单模型时由于目标机动 而造成模型的不准确，提高机动目标跟踪性能，从而实现对强机动目标的精确跟踪。
[0003] 但多模型中每个模型的权值自适应变化是一个难点，目前广泛采用的交互式多模 型IMM算法，根据先验概率和马尔科夫转移矩阵调整权值(即后验概率），具有较好的自适应 能力。但是IMM算法中该先验概率和转移矩阵是人为设置的，极大影响权值的变化，而且多 模型之间的交互，在模型很多时计算量十分庞大。
[0004] 除此之外，因为IMM算法中每一个模型都固定不变，在所设的模型都不符合实际运 动模型的情况下，IMM算法跟踪性能无疑会很差。现在有为此改进的变结构IMM算法，虽然解 决了 IMM算法中模型固定不变的问题，但需要提前设好尽可能多的模型集，而模型集增删规 则也十分复杂，运算量十分庞大。
【发明内容】
[0005] 针对上述现有技术的不足，本发明的目的在于提供一种改进权值的变结构多模型 机动目标跟踪方法，能够增强滤波算法的自适应能力，提高雷达在目标强机动下的跟踪精 度。
[0006] 实现本发明的技术思路是:根据残差方差变化调整多模型的权值，利用变结构和 图论的思想，通过改进后的多模型的权值调整滤波器的结构，使多模型采用的机动模型集 向着目标真实运动模型逼近，进而使估计信号逼近期望信号，W提高跟踪性能。
[0007] 为达到上述目的，本发明的实施例采用如下技术方案：
[000引一种改进权值的变结构多模型机动目标跟踪方法，所述方法包括如下步骤：
[0009] 步骤1，获取雷达机动目标的位置检测值，对所述位置检测值进行N次采样，得到观 巧帷序列，根据所述观测值序列确定雷达机动目标的第0时刻状态向量和第加寸刻协方差矩 阵，N为大于1的自然数；
[0010] 步骤2,雷达机动目标运动模型采用联动式转弯运动模型，对所述联动式转弯运动 模型设定r个不同的初始角速度，得到r个对应的目标运动子模型和r个对应的系统状态转 移矩阵。
[0011] 步骤3,根据第j个目标运动子模型的第k-1时刻状态向量、第k-1时刻协方差矩阵、 所述观测值序列和其对应的系统状态转移矩阵，计算第j个目标运动子模型的第k时刻新 息、第k时刻新息协方差矩阵W及第k时刻增益矩阵，从而得到第j个目标运动子模型的第k 时刻状态估计向量和第k时刻状态估计协方差矩阵，j G (I，2，-j)，k> I，k的初值为I; [001^ 步骤4,根据所述第j个目标运动子模型的第k时亥嚇息和第k时亥嚇息协方差矩阵 计算第k时刻新息的平方；
[001引步骤5，设定第j个目标运动子模型的第0时亥嚇息为0，将第j个目标运动子模型的 第k时刻新息的平方与与其前若干个时刻的新息的平方加权求和，得到第j个目标运动子模 型的第k时刻新息修正值；
[0014]步骤6,重复执行步骤5,得到r个目标运动子模型的第k时刻新息修正值，并根据所 述r个目标运动子模型的第k时刻新息修正值计算对应目标运动子模型的第k时刻权值；
[001引步骤7,根据步骤3至步骤6所得到的r个目标运动子模型的第k时刻状态估计向量、 第k时刻状态估计协方差矩阵W及第k时刻权值，得到r个目标运动子模型第k时刻总体状态 估计向量和第k时刻总体状态估计协方差矩阵；
[0016] 步骤8,根据r个目标运动子模型第k时刻权值对r个目标运动子模型的角速度进行 修正，并将修正后的角速度作为r个目标运动子模型的最新角速度；
[0017] 步骤9，令k的值加 1，并依次重复执行步骤3至步骤8，直至化>N-1，从而得到r个目 标运动子模型的最新角速度，从而得到r个目标运动子模型对应的系统状态转移矩阵，根据 r个目标运动子模型的系统状态转移矩阵对雷达机动目标进行跟踪。
[001引本发明与现有技术相比的优点在于：1.跟踪性能高:本发明中引入了变结构和图 论的思想，与传统IMM算法中模型集和转移概率固定不同的是，本发明中滤波器可W利用多 模型的权值自适应调节模型集，从而提高了跟踪精度，减小了误差，同时改进了多模型权值 的求法，使更符合实际运动的模型的权值占得比重更重;2.计算简单:现有多模型算法都经 过复杂贝叶斯交互算法来达到求得多模型权值，本发明直接按新息的平方的比值求得多模 型权值，大幅度降低了计算复杂度，并且经此方法求得的权值稳定。
【附图说明】
[0019] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可W 根据运些附图获得其他的附图。
[0020] 图1为本发明实施例提供的一种改进权值的变结构多模型机动目标跟踪方法的流 程示意图；
[0021] 图2为本发明对机动目标跟踪的效果示意图；
[0022] 图3为本发明与传统IMM方法W及变结构IMM方法对机动目标跟踪=维位置误差和 速度误差比较示意图；
[0023] 图4为本发明与变结构IMM方法对多模型角速度调整示意图。
【具体实施方式】
[0024] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0025] -种改进权值的变结构多模型机动目标跟踪方法，参照图1，所述方法包括如下步 骤：
[0026] 对机动目标运动状态进行初始化：
[0027] 步骤1，获取雷达机动目标的位置检测值，对所述位置检测值进行N次采样，得到观 巧帷序列，根据所述观测值序列确定雷达机动目标的第0时刻状态向量和第加寸刻协方差矩 阵，N为大于1的自然数。
[002引步骤1具体包括：
[0029] (Ia)对雷达机动目标的位置进行检测，得到雷达机动目标的位置检测值，并对所 述位置检测值进行N次采样，得到观测值序列Z化），k=l，2，…，N;
[0030] 从观测值序列Z化)中取出前两个采样点的观测值Z(I), Z(2)，其中：
[0031] Z(l) = [xx(l) yy(l) zz(l)]T
[0032] Z(2) = [xx(2) yy(2) zz(2)]^
[0033] 式中xx( ? )，yy( ? )，zz( ?)分别表示雷达机动目标在X轴、y轴、Z轴的位置，[? ]T 表示矩阵的转置；
[0034] (Ib)根据所述观测值序列Z化)确定雷达机动目标的第0时刻状态向量爱。，根据雷 达机动目标的第加寸刻状态向量玄0确定雷达机动目标的第加寸刻协方差矩阵Po:
[0035] 根据观测值Z(I),Z(2)，获得雷达机动目标的第加寸刻状态向量玄。如下：
[0036]
[0037] 其中，（xx(2)-xx(l))/T、（yy(2)-yy(l))/T、（zz(2)-zz(l))/T分别表示雷达机动 目标在第2采样点处的X轴方向速度、y轴方向速度、Z轴方向速度，T为采样间隔；
[0038] (Ic)根据第0时刻状态向量玄。，获得第加寸刻协方差矩阵Po>其中，E
[?]表示数学期望。
[0039] 对机动目标跟踪模型参数进行初始化：
[0040] 步骤2,雷达机动目标运动模型采用联动式转弯运动模型，对所述联动式转弯运动 模型设定r个不同的初始角速度，得到r个对应的目标运动子模型和r个对应的系统状态转 移矩阵。
[0041] 根据机动目标的运动特性，可知协CT(联动式转弯运动)模型因角速度不同几乎可 W包含所有运动可能状态。
[0042] 步骤2具体包括：
[0043] 对雷达机动目标运动模型设定r个不同的初始角速度CO 1，从而得到r个对应的系 统状态转移矩阵巫i:
[0044]
[0045] 其中，1 = 1，2，'。'，[-]。乂。表示该矩阵为111行11列的矩阵。
[0046] 步骤3,进行滤波，根据第j个目标运动子模型的第k-1时刻状态向量、第k-1时刻协 方差矩阵、所述观测值序列和其对应的系统状态转移矩阵，计算第j个目标运动子模型的第 k时刻新息、第k时刻新息协方差矩阵W及第k时刻增益矩阵，从而得到第j个目标运动子模 型的第k时刻状态估计向量和第k时刻状态估计协方差矩阵，j G (1，2，一r)，1，k的初值 为1。
[0047] 对于模型j，W义"(A'-化-1)户;，(A -Il哀-9及观测值Z(k)作为输入按照如下步骤 进行滤波：
[004引步骤3具体包括：
[0049] (3a)根据第k时刻目标运动子模型j的状态转移矩阵〇^1〇对第k-1时刻目标运动 子模型j的状态向量义於-化-1规行一步预测，得到对应目标运动子模型的一步状态预测 值.
[0050] (3b)根据状态转移矩阵对第k-1时刻目标运动子模型j的状态协方差矩阵 巧a -化-1)进行一步预测，得到对应目标运动子模型的一步协方差预测值P^k I k-1):
，其中，Qj表示模型j的过程噪声协方差；
[0051] (3c)获取第k时刻目标运动子模型j的量测矩阵&化），利用第k时刻目标运动子模 型j的量测矩阵&化)对目标运动子模型j的一步状态预测值义U进行量测转换，得到 对应目标运动子模型的量测预测值^ ,
,J 其中，町化)表 示雷达机动目标第k时刻目标运动子模型j的量测矩阵；
[0化2] (3d)利用当前时刻观测值Z化)和目标运动子模型j的量测预测值乏/冰一U相减得 到对应目标运动子模型的新息￥^4):
[0053] (3e)由目标运动子模型j的一步协方差预测值IMkIk-I)和量测矩阵&化)确定对 应目标运动子模型的新息协方差矩阵^化）：
痒中，R 化)是观测噪声在第k时刻的协方差矩阵；
[0054] (3f)根据目标运动子模型j的一步协方差预测值Pi化k-1)、量测矩阵田化似及新 息协方差矩阵&化)计算增益矩阵b(k)
( ? )H表示求矩阵 的共辆转置，（?尸表示求矩阵的逆；
[0化5] (3g)利用增益矩阵町化)对目标运动子模型j的一步状态预测值义/tk-C和一步 协方差预测值Wkl k-1)进行滤波，得到目标运动子模型j的第k时刻状态估计向量义.(沁） 和第k时刻状态估计协方差矩阵Pj化I k):
[0化6]
[0化7] Pj化 I k) =Pj化 Ik-D-Kj化)Sj化化/化）。
[005引对机动目标跟踪模型进行更新：
[0059] 步骤4,根据所述第j个目标运动子模型的第k时刻新息和第k时刻新息协方差矩阵 计算第k时刻新息的平方。
[0060] 步骤4具体包括：
[0061] 由目标运动子模型j的新息V^k)及其协方差矩阵5^1〇计算新息的平方&A'):
[0062] 步骤5,考虑噪声和机动对新息的平方的影响，将第j个目标运动子模型的第k时刻 新息的平方与与其前若干个时刻的新息的平方加权求和，得到第j个目标运动子模型的第k 时刻新息修正值；
[0063]
其中，A为遗忘因子，（〇《A《l)。
[0064] 步骤6，重复执行步骤5，得到r个目标运动子模型的第k时刻新息修正值，将所述r 个目标运动子模型的第k时刻新息修正值按从小到大的方式排序并计算对应目标运动子模 型的第k时刻权值。
[0065] 根据所述r个目标运动子模型的第k时刻新息修正值计算对应目标运动子模型的 第k时刻权值具体包括：
[0066] (6a)对r个目标运动子模型的第k时刻新息修正值{4: (A')，4 (&)，...，《 (fc)}按从小 到大的方式排序：
[0067]
[006引其中，A为遗忘因子，（0《A《l) ,index为排序后新息修正值的原始索引值，躬心为 对应索引的新息修正值，即始为最小值，为最大值。
[0069] (6b)对较小的新息修正值分配较大的系数：
[0070]
[0071] (6c)根据系数求模型权值：
[0072]
[0073] 此时权值和为1。上述方法与下面递归方法等价：
[0074]
[0075] 步骤7,根据步骤3至步骤6所得到的r个目标运动子模型的第k时刻状态估计向量、 第k时刻状态估计协方差矩阵W及第k时刻权值，得到r个目标运动子模型第k时刻总体状态 估计向量和第k时刻总体状态估计协方差矩阵。
[0076] 步骤7具体包括：
[0077] 根据所述r个目标运动子模型第k时刻状态估计向量、第k时刻状态估计协方差矩 阵W及第k时刻权值得到r个目标运动子模型加权后第k时刻状态估计向量i作I巧和第k时刻 状态估计协方差矩阵P化Ik):
[007引
[0079] O
[0080] 按照如下步骤根据权值建立变结构模型：
[0081 ]步骤8，根据r个目标运动子模型第k时刻权值对r个目标运动子模型的角速度进行 修正，并将修正后的角速度作为r个目标运动子模型的最新角速度。
[0082] 步骤8具体包括：
[0083] 若日标后动子檀巧掛r为奇掛邮r = 2n+l ,则#笠1<时刻的檀巧集为 参数分别对应r个目 邑;对应模型集的权值 ^目标运动子模型数r '为中屯、模型；对应模
[0084] 按照下述方法调整模型间距：[0085] 第k时刻模型间距调整参数为不"I) =max{媒W-坏'nW，沪)j，
其中表示模型区分距离，一般取 己确定中屯、模型，中屯、模型为上一时刻所有模型 参数与对应概率乘积之和：
[0086] (8a)模型权值重屯、无跳变:此时铅W =阳ax巧），则可根据其他模型权值判定模型 集不变或向中屯、模型靠犹；
[0087]
[008引
[0089] 其中，t读示不可能模型的口限值，一般取ti<0.1;
[0090] (8b)模型权值重屯、向左跳变:此时//fiW =max(巧），则可根据其他模型安置判定 模型集不变或向左侧模型靠犹；
[0091] ,
[0092]
[0093] 其中，t康示有效模型的口限值，一般取t2 >0.9;
[0094] (8c)模型权值重屯、向右跳变:此时铅^'> 化IX(G)，则可根据其他模型权值判定 模型集不变或向右侧模型靠犹；
[0095]
[0096]
[0097] 判断跟踪是否完成：
[0098] 步骤9,令k的值加1，并依次重复执行步骤3至步骤8,直到k>N-l，从而得到r个目 标运动子模型的最新角速度，从而得到r个目标运动子模型对应的系统状态转移矩阵，根据 r个目标运动子模型的系统状态转移矩阵对雷达机动目标进行跟踪。
[0099] 本发明的效果可W通过W下仿真进一步说明：
[0100] 1.仿真条件：
[0101] 假设目标的起始位置为[60 40 20]km，起始速度为[-184 184 150]m/s，转弯速度 300m/s，在1-60S，156-180S，246-300S目标在X-Z平面做左转45°圆周运动；在64-155S目标 在=维斜面做左转1.87°圆周运动;在181-245S目标在=维斜面做右转2.8°圆周运动。距离 误差的标准差为A r= 127m，方位角误差的标准差为A 0 = 0.1°，仰角测量误差的标准差为 A巧=化1。对目标进行300s的观测，采样间隔T为Is,Monte化rlo仿真100次。
[0102] 选择的运动模型是CT模型。初始模型集选取航={-31/3，-^1800，-^3}，模型区分 距离 S = ji/540。
[0103] 2.仿真内容
[0104] 仿真1，采用本发明方法对仿真条件中所述的目标进行跟踪仿真，结果如图2。从图 2可W看出，本发明方法的跟踪轨迹很接近机动目标运动的真实轨迹。
[0105] 仿真2,对用本发明方法与传统IMM方法W及变结构IMM方法的跟踪误差进行比较， 图3表示本发明方法和传统IMM算法W及变结构IMM方法在距离上和速度上的跟踪误差比 较;图4表示本发明与变结构IMM方法对多模型角速度的调整比较。
[0106] 图3表明本发明方法的跟踪误差在整体趋势上小于I匪方法法W及变结构IMM方法 的跟踪误差，且稳定，更适合对高速强机动目标的跟踪。图4表明本发明方法比变结构方 法对角速度的调整更快速且稳定。
[0107] W上所述，仅为本发明的【具体实施方式】，但本发明的保护范围并不局限于此，任何 熟悉本技术领域的技术人员在本发明掲露的技术范围内，可轻易想到变化或替换，都应涵 盖在本发明的保护范围之内。因此，本发明的保护范围应W所述权利要求的保护范围为准。
【主权项】
1. 一种改进权值的变结构多模型机动目标跟踪方法，其特征在于，所述方法包括如下 步骤： 步骤1，获取雷达机动目标的位置检测值，对所述位置检测值进行N次采样，得到观测值 序列，根据所述观测值序列确定雷达机动目标的第〇时刻状态向量和第〇时刻协方差矩阵，N 为大于1的自然数； 步骤2，雷达机动目标运动模型采用联动式转弯运动模型，对所述联动式转弯运动模型 设定r个不同的初始角速度，得到r个对应的目标运动子模型和r个对应的系统状态转移矩 阵； 步骤3,根据第j个目标运动子模型的第k-Ι时刻状态向量、第k-Ι时刻协方差矩阵、所述 观测值序列和其对应的系统状态转移矩阵，计算第j个目标运动子模型的第k时刻新息、第k 时刻新息协方差矩阵以及第k时刻增益矩阵，从而得到第j个目标运动子模型的第k时刻状 态估计向量和第k时刻状态估计协方差矩阵，j e (1，2，- _r)，k多1，k的初值为1; 步骤4,根据所述第j个目标运动子模型的第k时刻新息和第k时刻新息协方差矩阵计算 第k时刻新息的平方； 步骤5,将第j个目标运动子模型的第k时刻新息的平方与第k-Ι时刻新息的平方加权求 和，得到第j个目标运动子模型的第k时刻信息修正值； 步骤6,重复执行步骤5,得到r个目标运动子模型的第k时刻信息修正值，并根据所述r 个目标运动子模型的第k时刻信息修正值计算对应目标运动子模型的第k时刻权值； 步骤7,根据步骤3至步骤6所得到的r个目标运动子模型的第k时刻状态估计向量、第k 时刻状态估计协方差矩阵以及第k时刻权值，得到r个目标运动子模型第k时刻总体状态估 计向量和第k时刻总体状态估计协方差矩阵； 步骤8,根据r个目标运动子模型第k时刻权值对r个目标运动子模型的角速度进行修 正，并将修正后的角速度作为r个目标运动子模型的最新角速度； 步骤9，令k的值加1，并依次重复执行步骤3至步骤8，直到k>N-l，从而得到r个目标运动 子模型的最新角速度，从而得到r个目标运动子模型对应的系统状态转移矩阵，根据r个目 标运动子模型的系统状态转移矩阵对雷达机动目标进行跟踪。2. 根据权利要求1所述的一种改进权值的变结构多模型机动目标跟踪方法，其特征在 于，步骤1具体包括： (la) 对雷达机动目标的位置进行检测，得到雷达机动目标的位置检测值，并对所述位 置检测值进行N次采样，得到观测值序列Z(k)，k=l，2,…，N; 从观测值序列Z (k)中取出前两个采样点的观测值Z (1)，Z(2)，其中： Z(l) = [xx(l) yy(l) ζζ(1)]τ Z(2) = [xx(2) yy(2) ζζ(2)]τ 式中χχ( · )，yy( · )，ζζ( ·)分别表示雷达机动目标在χ轴、y轴、ζ轴的位置，[· ]τ表示 矩阵的转置； (lb) 根据所述观测值序列Z(k)确定雷达机动目标的第0时刻状态向量，根据雷达机 动目标的第〇时刻状态向量戈0确定雷达机动目标的第〇时刻协方差矩阵Po: 根据观测值Z(1)，Z(2)，获得雷达机动目标的第0时刻状态向量如下：其中，（xx(2)-xx(l))/T、（yy(2)-yy(l))/T、（zz(2)-zz(l))/T分别表示雷达机动目标 在第2采样点处的X轴方向速度、y轴方向速度、z轴方向速度，T为采样间隔； (lc)根据第0时刻状态向量，获得第0时刻协方差矩阵Po:，其中，E[ ·] 表示数学期望。3. 根据权利要求1所述的一种改进权值的变结构多模型机动目标跟踪方法，其特征在 于，步骤2具体包括： 对雷达机动目标运动模型设定r个不同的初始角速度ω ,，从而得到r个对应的系统状态 转移矩阵Φη I-」m'n 其中，? = 1，2，···Γ，[ · ]mXn表示该矩阵为m行η列的矩阵。4. 根据权利要求1所述的一种改进权值的变结构多模型机动目标跟踪方法，其特征在 于，步骤3具体包括： (3a)根据第k时刻目标运动子模型j的状态转移矩阵Φ」(1〇对第k-Ι时刻目标运动子模 型j的状态向量$认-ik· -1)_进行一步预测，得到对应目标运动子模型的一步状态预测值(3b)根据状态转移矩阵ΦΑ10对第k-l时刻目标运动子模型j的状态协方差矩阵 - η进行一步预测，得到对应目标运动子模型的一步协方差预测值Pj(k | k-1):，其中，Qj表不模型j的过程噪声协方差； (3c)获取第k时刻目标运动子模型j的量测矩阵出(1〇,利用第k时刻目标运动子模型j的 量测矩阵Hj (k)对目标运动子模型j的一步状态预测值-1)进行量测转换，得到对应 目标运动子模型的量测预测值乏- 1): f ,(々k - I)二，其中，Hj(k)表示雷 达机动目标第k时刻目标运动子模型j的量测矩阵； (3d)利用当前时刻观测值z(k)和目标运动子模型j的量测预测值相减得到对 应目标运动子模型的新息L(k)(3e)由目标运动子模型j的一步协方差预测值Pj(k I k-l)和量测矩阵Hj(k)确定对应目 标运动子模型的新息协方差矩阵Sj(k) = W,(A )P,(A'k -丨)/-〇) + /?(幻;其中，R(k)是 观测噪声在第k时刻的协方差矩阵； (3f)根据目标运动子模型j的一步协方差预测值P」(k | k-Ι)、量测矩阵比(1〇以及新息协 方差矩阵5」(1〇计算增益矩阵1(」(1〇:/^(幻=户,('-丨)//丨(幻5广(幻，（.）11表示求矩阵的共 辄转置，（· Γ1表示求矩阵的逆； (3g)利用增益矩阵l(k)对目标运动子模型j的一步状态预测值戈/tk-i)和一步协方 差预测值h(k|k-l)进行滤波，得到目标运动子模型j的第k时刻状态估计向量和第k 时刻状态估计协方差矩阵Pj(k | k):5. 根据权利要求1所述的一种改进权值的变结构多模型机动目标跟踪方法，其特征在 于，步骤4具体包括： 由目标运动子模型j的新息L(k)及其协方差矩阵S」（k)计算新息的平方$(々）：6. 根据权利要求1所述的一种改进权值的变结构多模型机动目标跟踪方法，其特征在 于，步骤5具体包括： 第j个目标运动子模型的第k时刻信息修正值<(/、）-·:其中，λ为遗忘因子，0彡λ彡1。7. 根据权利要求1所述的一种改进权值的变结构多模型机动目标跟踪方法，其特征在 于，步骤6具体包括： (6a)对r个目标运动子模型的第k时刻信息修正值·Κ(Α')·Κ(Α).··_.<(Α')}按从小到大 的方式排序：其中，index为排序后新息修正值的原始索引值，为对应索引的新息修正值，即 41??为最小值，<#.：)为最大值，sort( ·)为对信息修正值进行排序的函数； (6b)按照下式对各个新息修正值分配系数：(6c)根据系数求对应目标运动子模型的第k时刻权值： 此时权值和为1。8. 根据权利要求1所述的一种改进权值的变结构多模型机动目标跟踪方法，其特征在 于，步骤7具体包括： 根据所述r个目标运动子模型第k时刻状态估计向量、第k时刻状态估计协方差矩阵以 及第k时刻权值得到r个目标运动子模型加权后第k时刻状态估计向量和第k时刻状 态估计协方差矩阵P(k | k): 片〇9. 根据权利要求1所述的一种改进权值的变结构多模型机动目标跟踪方法，其特征在 于，步骤8具体包括： 若目标运动子模型数r为奇数即r = 2n+l，则在第k时刻的模型集为,其特征参数分别对应r个目 标运动子模型的角速度且在第k时刻的模型集中从小到大排列，<^尔为中心模型;对应模 型集的权值为：同理若目标运动子模型 数r为偶数即r = 2n，则在第k时刻的模型集为 _为中心模型;对应模 型集的权值为按照下述方法调整模型间距： 第k时刻模型间距调整参数为/ = 1，2,…〃，其中δ ( 1 >表示模型区分距离，一般取;先确定中心模型，中心模型为上一时刻所有模型 参数与对应概率乘积之和： (8a)模型权值重心无跳变:此时(/丨），则可根据其他模型权值判定模型集不 变或向中心模型靠拢；其中，表示不可能模型的门限值，一般取tKO. 1; (8b)模型权值重心向左跳变:此时= m^i/丨），则可根据其他模型安置判定模型 集不变或向左侧模型靠拢：其中，^表示有效模型的门限值，一般取。>0.9; (8c)模型权值重心向右跳变:此时= imuR ),则可根据其他模型权值判定模型 集不变或向右侧模型靠拢；
【文档编号】G01S13/72GK105954743SQ201610374537
【公开日】2016年9月21日
【申请日】2016年5月31日
【发明人】曹运合, 闫浩, 栾苏珍, 彭志刚, 周生华, 吴文华
【申请人】西安电子科技大学