专利名称：一种机动目标跟踪的对角型融合方法
技术领域：
本发明涉及一类带Markov随机跳变参数的机动性目标的跟踪问题，具体地说是 利用对角矩阵交互式的融合多个模型输出的方法实现对一类具有模型跳变性目标的精确 足艮S宗。
背景技术：
机动目标跟踪在军事和民用领域里有广阔的应用前景，在军事领域中，如反弹道 导弹的防御，空防预警，地对空、空对空、舰对空、舰对舰的超视距多目标控测、跟踪与攻击， 战场监视空地(海)多目标，精确制导和低空突防，火力控制、威胁估计、态势评估等。在民 用领域中，如空中交通管制，机器人的道路规划和障碍躲避，电子医学及视频监控等。
在现今科学技术条件下，目标的速度、加速度与过去相比均有较大不同。高转弯 率、超强加减速能力在众多打击利防御武器中已经出现。同时，非常规机动也迅速发展起 来，目标能够完成更为复杂的机动运动，很多目标具有主动改变运动模式的能力，在不同的 运动模式之间进行瞬时切换。因此，提出适用于具有模型跳变性目标的精确跟踪的方法是 目标跟踪问题当前研究的一个热点。
传统的机动目标跟踪方法是自适应的滤波方法，这种方法是根据量侧值和滤波值 之间的残差来检测机动是否发生，如发生则需要调整滤波器的参数。这类方法的缺点是既 没有充分利用对过去状态估计值的修正信息，也没有充分利用过去量测值之间的关联信 息。近年来较为流行的机动目标跟踪方法是多模型方法，这类方法利用半马尔科夫链来描 述机动目标跟踪中结构的跳变。具有显著影响的方法有广义伪贝叶斯方法(GPB)和交互式 多模型方法(IMM)，其中IMM方法被认为是一种最为有效的混合估计方案，且已经成为该领 域的主流方法，然而，机动目标的跟踪涉及两个问题，一个是连续型值的参数估计，如目标 状态，另一个是离散型假设的检测，如目标的运动模型。对于连续性值的随机过程通常由概 率密度函数(PDF)来描述，而离散型的则通常用概率质量来表示，这就使得基于贝叶斯公 式计方的MM方法以及其它的匪方法不可避免的卷入了概率密度函数值与概率质量的混 合计算。这种混合在一些情况下并不会引起很大的误差，但是在运用贝叶斯公式时，由两种 不同量级的数值进行了混淆导致最后所获得的并不是一个真正的模型概率质量，而仅仅是 一个近似。而且，对于目标跟踪而言，成功跟踪上目标的关键是使得跟踪误差达到最小，但 MM方法并不是以此为宗旨。
基于以上的分析，我们认为如果使用一些新的方法来联合多个模型，避免使用模 型概率的近似值，跟踪精度将很可能超过经典的IMM方法以及其他各种多模型方法。这就 是形成本发明的动机。
本发明利用最小方差意义下最优的多传感器信息融合准则而非传统上常用的贝 叶斯理论用于联合多个模型的输出，提出了实现对一类具有模型跳变性目标精确跟踪的对 角型交互式多模型(DIMM)融合方法。发明内容
本发明的目的在于对带Markov切换跳变参数的离散时间随机系统，设计一种多 模型融合方法，使得被跟踪目标的跟踪精度较已有的方法有较明显的提高。
本发明提出的对角型融合方法利用最小方差意义下最优的多传感器信息融合准 则，将机动的模型集中获得的各种状态估计进行对角型交互式联合，以使目标的跟踪精度 在最小方差意义下达到最优。技术方案具体表述如下
考虑如下Markov跳变线性系统
权利要求
1. 一种机动目标跟踪的对角型融合方法，该方法包括 步骤1 使用如下的模型集对目标的机动性进行描述
2.根据权利要求1所述的方法，其特征在于，使用多个模型的联合来描述以及跟踪具有机动性运动特点的目标。
3.根据权利要求1所述的方法，其特征在于，使用对角矩阵作为联合多个模型状态输 出的权重。
全文摘要
本发明提出了一种利用最小方差意义下最优的多传感器信息融合准则联合多个模型输出的对角型交互式多模型融合方法，以实现对带Markov切换跳变参数的机动性目标的精确跟踪。该方法避免了传统方法的概率密度和概率质量的混合，而且有效的区别了状态的不同维度产生的不同影响，经实验证明具有自适应能力强、估计精度高的特点。能迅速准确的跟踪上具有机动运动特性的目标，具有很高的实际价值。
文档编号G06F19/00GK102043906SQ20101060636
公开日2011年5月4日 申请日期2010年12月15日 优先权日2010年12月15日
发明者付小雁, 贾英民 申请人:北京航空航天大学