波过 程。
[0172] 在步骤S14中，目标状态估计权值根据如下公式获取得到：
[0173] (33)
[0174] 其中，ak表示目标状态估计权值，Zk表示当前观测值;hk( ·)表示已知的非线性观 测函数；衣,,。，4与巧分别表示利用先验概率密度函数作为第一重要性密度函数进行粒子 滤波得到的第一均值和第一协方差；S', 4与fup。，*分别表示利用修正先验概率密度函数作 为第二重要性密度函数进行粒子滤波得到的第二均值和第二协方差值。
[0175] 后验概率密度函数对应的均值和协方差值根据如下公式获取得到：
[0178] 其中，4表示后验概率密度函数对应的均值，Pk表示后验概率密度函数对应的协 方差，ak表示目标状态估计权值，与&P。,*分别表示利用先验概率密度函数作为第一重 要性密度函数进行粒子滤波得到的第一均值和第一协方差；是。与巧。分别表示利用修 正先验概率密度函数作为第二重要性密度函数进行粒子滤波得到的第二均值和第二协方 差值。
[0179] 本发明的粒子滤波方法为辅助截断粒子滤波(ATPF)，W下将W两个例子对本发明 的ATPF方法的性能进行评估。第一个例子是单变量非平稳增长模型(UNGM)，将与扩展卡尔 曼滤波化KF)、无迹卡尔曼滤波(UKF)、粒子滤波(PF)、扩展卡尔曼粒子滤波(PF-EKF)及无迹 粒子滤波化PF)等算法进行对比;第二个例子是纯方位机动目标跟踪，将与交互多模型扩展 卡尔曼滤波（IMMEK巧和交互多模型Rao-Blackwellized粒子滤波（IMMRBP巧进行性能对比。
[0180] 第一个例子一-单变量非平稳增长模型(UNGM):
[0181] 单变量非平稳增长模型的状态方程和观测方程分别如下：
[0184]其中，vk表示服从伽玛分布Γ(2,3)的非高斯噪声，ek表示零均值方差为0.01的高 斯噪声，α = 〇.5，β = 25, 丫 =8, Φ 1 = 0.2, (62 = 0.5。所有实验进行100次蒙特卡罗仿真，状态 的实际初始值X0服从[0，1]之间的均匀分布。所有粒子滤波采用粒子数为1000。
[018引图5为邸F、UKF和PF-EKFS种滤波方法的均方根误差对比图，图6为UPF、PF和ATPF Ξ种滤波方法的均方根误差对比图。综合图5和图6可W看出：ATPF、PF和UPF的滤波性能要 远好于邸F、UKF、PF-EKF的滤波性能，同时，ATPF的滤波性能要好于PF和UPF的滤波性能。
[0186] 请一并参考表1，表一给出了邸。、1]邸、？。、？。斗邸、1]?巧日4了?。的均方根误差和计算 时间。
[0187]
[0188] 从表一可W看出，ATPF的滤波性能要好于其他所有算法，在运算时间上，EKF的运 算时间最短，但性能最差，ATPF的运算时间在所有粒子滤波算法中的运算时间最短，性能最 好。
[0189] 第二个例子一一方位机动目标跟踪：
[0190] 在本例中，将利用实际采集的一批雷达航迹数据来对本发明的ATPF进行验证。航 迹数据中包括40个非周期的航迹点，飞行时间为107s。由于航迹点的非周期性，所W采样间 隔T = t(k+l)-t化)也是变化的，且有些点的时间间隔达到30sW上，其中k表示采样次数，t 化+1)表示k+1次采样时的时间，t化)表示k次采样时的时间。在本例中，采用如下的目标跟 踪板型：
[0194] 其中，目标状态向量为=kA，乃，A)，化、yk分别表示k时刻目标的位置，与和於 分别表示k时刻目标在xk、yk方向上的速度；过程噪声vk~N(0，Q)，其中，Q = diag ([0.01 2km2s4 0.01 2km2s4])。观测噪声ek~N(0，R)，其中R = diag([0.152km2 0.152缸2])， (31,、，3叫，31,3)4 = 1，2分别表示两被动传感器的位置。被动传感器观测站1的位置为（0， 51^111，0)，被动传感器观测站2的位置为(0，-51^，0)，所有粒子滤波方法中粒子数为200。
[0195] 图7为目标的真实运动轨迹的示意图，图8为ATPF、IMMRBPF两种滤波方法输出的目 标的估计运动轨迹示意图。
[0196] 图9为ATPFJMMRBPF两种滤波方法的均方根误差对比图，其中，图9包括图9A、图 9B、图9C和图9D，图9A为X方向均方根误差，图9B为Y方向均方根误差，图9C为Z方向均方根误 差，图9D为位置均方根误差。
[0197] 从图7、图8和图9可W看出，ATPF的跟踪性能要明显好于mMRBPF，主要原因在于 ATPF能够在构建重要性密度函数时能够引入当前目标观测信息和目标的空时信息（如：时 间间隔、速度等），提高粒子的采样准确性，从而能够处理由于目标机动带来的目标运动模 型的不确定性问题。
[019引图10为ATPF、IMMRBPF两种滤波方法的时间对比图。从图10可W看出，随着粒子数 的增加，两种方法计算时间都随着增大，但同时，可W看出，ATPF的计算时间要明显低于 IMMRBPF。
[0199] 请参考图11，图11为本发明实施例的辅助截断粒子滤波装置的结构示意图，如图 11所示，该装置包括：
[0200] 第一获取模块21，用于利用原始先验概率密度函数作为第一重要性密度函数进行 粒子滤波W获取与目标状态对应的第一均值和第一协方差值。具体来说，第一获取模块21 用于首先从第一重要性密度函数中提取第一粒子集，接着获取第一粒子集中每个粒子对应 的第一权值，随后对每个第一权值进行标准化处理，最后根据标准化处理后的第一权值W 及与第一权值对应的粒子获取与目标状态对应的第一均值和第一协方差值。
[0201] 修正先验概率密度函数构建模块22,用于在原始先验概率密度函数中，利用截断 理论引入当前观测信息和目标特性信息W构建修正先验概率密度函数。具体来说，修正先 验概率密度函数构建模块22用于首先根据当前观测信息利用最小二乘定位方法获取目标 的定位位置和定位方差，接着根据原始先验概率密度函数、定位位置W及目标特性信息获 取目标的位置分量对应的最大似然估计值，最后根据最大似然估计值、定位方差获取修正 先验概率密度函数，其中，原始先验概率密度函数、修正先验概率密度函数近似为高斯概率 密度函数。
[0202] 其中，最大似然估计值根据由如下公式获取得到：
[020引其中，挪句）表示最大似然估计值，//心)表示先验概率密度函数中目标的位置分量 ak对应的均值，)为目标的定位位置，λ为一常数，T为目标观测时间间隔，V为目标速度， 的片)表示观测噪声方差，σ、=脚表示新息协方差。
[0206]第二获取模块23,用于利用修正先验概率密度函数作为第二重要性密度函数进行 粒子滤波W获取与目标状态对应的第二均值和第二协方差值。具体来说，第二获取模块23 用于首先从第二重要性密度函数中提取第二粒子集，接着获取第二粒子集中每个粒子对应 的第二权值，随后对每个第二权值进行标准化处理，最后根据标准化处理后的第二权值W 及与第二权值对应的粒子获取与目标状态对应的第二均值和第二协方差值。
[0207] 后验概率密度函数获取模块24，用于根据目标状态估计权值分别对第一均值和第 二均值、第一协方差值和第二协方差值进行加权处理W获取与目标状态对应的后验概率密 度函数，完成粒子滤波过程。
[0208] 其中，目标状态估计权值根据如下公式获取得到：
[021引其中，a读示目标状态估计权值，Z读示当前观测值;hk( ·)表示已知的非线性观 测函数；4。。，·^与巧分别表示利用先验概率密度函数作为第一重要性密度函数进行粒子 滤波得到的第一均值和第一协方差；右。。4与巧分别表示利用修正先验概率密度函数作 为第二重要性密度函数进行粒子滤波得到的第二均值和第二协方差值。
[0213] 请参考图12,图12为本发明实施例的目标跟踪方法的流程图。需注意的是，若有实 质上相同的结果，本发明的方法并不W图1所示的流程顺序为限，如图12所示，该方法包括 如下步骤：
[0214] 步骤S31:接收观测数据集合。
[0215] 在本实施例中，观测数据集合包括当前观测时间W及当前观测时间之前所观测的 目标的观测值，其可W包括目标对应的角度信息，目标的速度、目标的观测时间间隔等等。
[0216] 步骤S32:根据观测数据集合构建原始先验概率密度函数。
[0217] 在本实施例中，原始先验概率密度函数为高斯函数。
[0218] 步骤S33:利用原始先验概率密度函数作为第一重要性密度函数进行粒子滤波W 获取与目标状态对应的第一均值和第一协方差值。
[0219] 步骤S34:在原始先验概率密度函数中，利用截断理论引入当前观测信息和目标特 性信息W构建修正先验概率密度函数。
[0220] 步骤S35:利用修正先验概率密度函数作为第二重要性密度函数进行粒子滤波W 获取与目标状态对应的第二均值和第二协方差值。
[0221] 步骤S36:根据目标状态估计权值分别对第一均值和第二均值、第一协方差值和第 二协方差值进行加权处理W获取与目标状态对应的后验概率密度函数。
[0222] 在本实施例中，步骤S33~步骤S36与图1中的步骤S11~步骤S14相同，包括了步骤 S11~步骤S14中掲示的所有技术内容，为简约起见，在此不再寶述。
[0223] 步骤S37 :利用后验概率密度函数对目标状态进行估计，W获取目标状态估计值。
[0224] 步骤S38:输出目标估计值，W实现对目标的跟踪。
[0225] 请参考图13,图13为本发明实施例的目标跟踪装置的结构示意图。如图13所示，该 装置包括：
[0226] 观测数据接收模块41，用于接收观测数据集合。
[0227]