变结构多模型估计第IV部分:模型群切换算法的设计和评估

在第Ⅲ部分提出了一种称为模型群切换算法(MGS)的变结构多模型(VSMM)估计器。它是第一种通用的、可应于一大类具有混合(连续或离散)不确定性问题的VSMM估计器。在这种算法中,模型集合通过在一定数目预先确定的模型群之间的切换来实现自适应。它比固定结构MM(FSMM)估计器,包括交互多模型估计器(IMM)具有更大的潜力获得更高的费效比。本文研究了算法应用中的一些比较重要的问题,包括模型群自适应逻辑和模型群的设计。研究的结果通过一个机动目标跟踪问题的详细设计例子进行了演示。这个跟踪问题使用一个时变模型集合,每个模型由目标的加速度期望值表征。仿真结果用来证实在仔细设计和非常随机和确定的情况下,MGS算法同使用所有模型的固定结构IMM(FSIMM)估计的性能(基于更合理和完全的度量,而不是仅使用通常的rms误差)和计算复杂程度的比较。     

变结构多模型估计第Ⅲ部分——模型群切换算法

本文提出了一种称为模型群切换算法(MGS)的通用的变结构多模型(VSMM)估计器.它假设整个模型集合可以用一定数目的模型群来覆盖,每个模型群代表相互间紧密联系的一族系统行为方式或结构,在任何给定时刻,由一个硬决策来决定具体运行的模型群.它是第一种可普遍应用于一大类具有混合(连续或离散)不确定性问题的VSMM估计器.同时,它很容易实现.通过一个简单的失效检测和识别的例子显示当具有与固定结构的交互多模型(FSIMM)估计器相同的性能时,MGS算法可以从本质上减少计算量.     

变结构多模型估计第III部分:模型群切换算法

本文提出了一种称为模型群切换算法(MGS)的通用的变结构多模型(VSMM)估计器.它假设整个模型集合可以用一定数目的模型群来覆盖,每个模型群代表相互间紧密联系的一族系统行为方式或结构,在任何给定时刻,由一个硬决策来决定具体运行的模型群。它是第一种可普遍应用于一大类具有混合(连续或离散)不确定性问题的VSMM估计器。同时,它很容易实现。通过一个简单的失效检测和识别的例子显示当具有与固定结构的交互多模型(FSIMM)估计器相同的性能时,MGS算法可以从本质上减少计算量。     

变结构MM估计器的模型集合序列条件估计

变结构多模型(VSMM)估计最重要、自然和实用的方法是递归自适应模型集合(RAMS)方法。它由两个功能部分组成:模型集合自适应和模型集合序列条件估计。本文是针对第二部分。具体一点,就是通过推广著名的交互多模型(IMM)算法得到基于任意时变模型集合序列的一般的最优单步高效的递归模型集合序列条件估计。这种递归提供了一种在RAMS中是最优的为新激活的模型分配概率并且对基于这些模型的滤波器进行初始化的自然和系统的方法。此外,还给出了基于任意两个模型集合(未必是不相交)获得整体估计的最优和高效的融合方法。最优递归和融合为模型集合序列条件估计问题提供了对于大多数实际问题都相当令人满意的解决方案。这里给出的结果已经应用在最近建立起来的两个变结构MM估计器,似然模型集合和模型群切换算法中。这些算法是普遍适用和容易实现,并且明显优于可用的最好的固定结构的MM估计器。     

机动目标跟踪的模式集自适应IMM算法的设计和比较

变结构多模型状态估计器方法适用于雷达跟踪空中机动目标。本文研究和设计了两种自适应时变模式集交互多模型(IMM)跟踪滤波器;切换网格(SG)IMM和自适应网格(AG)IMM算法。针对不同的飞行想定,通过Monte Carlo仿真方法对这些算法及相应的固定网格(FG)IMM滤波器的性能进行了评估和比较。仿真显示,对特定的机动目标跟踪问题,SGIMM和AGIMM跟踪滤波器在性能和计算量等方面要比固定结构多模型算法(FGIMM滤波器)有明显地提高。     

自适应网格交互多模型算法

研究和设计了一种模型集合自适应方法——自适应网格方法。并将其与交互多模型算法相结合,提出了自适应网格交互多模型(AGIMM)算法,它是一种变结构多模型算法。仿真显示它能有效地提高IMM估计器的费效比。     

变结构多模型估计第V部分——可能模型集合算法

本文提出了一种称为可能模型集合(LMS)算法的变结构多模型(MM)估计器,它适用于大多数混合估计问题并且比较容易实现。在任何时刻使用所有与系统模式匹配的模型。本文讨论了该模型的不同版本。最简单版本通过删除所有不太可能的模型,激活所有主要模型可能跳变的模型来获得模型集合的自适应,从而获得可能的期望系统模式转移。通过一个跟踪机动目标和一个失效检测和识别的例子来演示了LMS估计器设计和应用的通用性、简单性和容易性。文中也给出了算法同其它一些固定结构-变结构估计器在费效比方面的比较结果。     

自适应交互多模型算法在机动目标跟踪中的应用

针对多模型算法在机动目标跟踪中存在的问题,运用交互多模型算法(IMM)和自适应滤波理论,设计了一种自适应交互多模型算法(AIMM),结合目标运动模型对目标当前加速度和其方差进行估计,并在此基础上给出了AIMM中模型集和模型转移概率的设计方法,进行了计算机仿真.蒙特卡罗仿真结果表明,与标准IMM算法相比,该算法比IMM算法的跟踪性能有很大提高,跟踪复杂机动目标比IMM有更快的收敛速度,跟踪滞后问题得到较好的解决,跟踪目标的稳定性和精确性均优于IMM算法,有利于机动目标的实时跟踪.     

多模型估计的新分支——变结构多模型方法

作为多模型方法的新分支,变结构多模型方法(VSMM)是当前机动目标跟踪、故障诊断等领域中研究的热点.首先简述了VSMM方法的发展过程和近期动态,在对VSMM方法进行深入分析的同时针对其理论核心--模型集自适应(MSA)策略进行讨论;详细介绍了几种现存的典型VSMM算法;同时简述了VSMM方法的应用概况;最后指出了目前VSMM方法重点关注的问题热点和今后的研究领域.     

跟踪机动目标的一种新的多模型算法

在机动目标跟踪的多模型(MM)方法的研究中,提出了一种新的多模型方法,即最小子模型集切换(MSMSS)算法.这种MSMSS算法从总模型集中自适应确定最小模型集,用来完成多模型(MM)估计.仿真结果表明,和标准的交互式MM(IMM)相比,所提到的算法,在保持同等的跟踪性能的前提下需要很小的计算量,在计算量相等的情况下具有更好的跟踪性能.     

基于EMA算法的变结构交互多模型算法

标准交互多模型(IMM)算法使用固定数目和时不变的模型集,往往不能兼顾算法的实时性与跟踪精度。基于增加期望模型(EMA)算法的思想,提出综合利用前一时刻的模型匹配概率与当前时刻的混合概率作为加权系数调整系统噪声模型集,调整后的模型集被认为非常接近系统实际噪声模型。将该模型集自适应技术与IMM算法结合得到一种变结构交互多模型(EMA-VIMM)算法。使用机动目标跟踪仿真实例,与标准IMM算法进行了仿真对比,分析了跟踪性能与RMSE误差。仿真结果表明,EMA-VIMM算法不仅极大地提高了跟踪精度,而且与标准IMM算法相比,具有稳定的跟踪性能和较低的计算量。     

基于加速度的马尔可夫参数自适应IMM算法

针对标准的交互式多模型算法(IMM)模型切换存在滞后性,使得目标机动改变时跟踪误差增大的问题,提出了一种基于加速度的自适应转移概率矩阵的IMM算法。该算法通过当前时刻IMM算法输出的加速度估计值,得到相应的修正因子,修正下一时刻的转移概率矩阵,使得模型切换速度加快,减小目标机动时的跟踪误差。最后通过仿真实验证明,改进的IMM算法能够有效减小目标机动改变时跟踪误差,提高模型切换速度,同时还指出了该算法的适应范围。     

一种新的机动目标跟踪中的变结构多模型算法

实践证明变结构多模型(VSMM)算法在机动目标跟踪领域有着广阔的应用前景。动态地辨识机动目标的机动参数是提高目标状态估计精度的理想方法。因此,将二者结合,提出了一种新的VSMM算法,即带有修正装置的自适应网格法。算法核心所在是对系统输入量采用了协方差匹配技术来对系统不确定性进行修正,即对系统噪声协方差阵Q的实时辨识上,使滤波器具有高度自适应性。     

IMM-Singer模型的机动目标跟踪算法

交互式多模型(IMM)算法是一种有效机动目标跟踪算法,但其性能与模型的选择、个数以及参数有关。Singer模型算法可以实现对机动目标的跟踪,但该算法存在机动频率和过程噪声大小等参数难以选取的问题。针对以上情况,利用IMM算法易于结合其他算法的特点,提出一种基于IMM-Singer模型的机动目标跟踪算法,实现Singer模型参数的自适应选择。仿真结果表明,该算法比单一的Singer模型算法或一般的IMM算法更能有效提高机动目标跟踪精度。     

基于最小模型集切换的变结构IMMPF算法

为提高对机动目标的跟踪精度,提出了一种新的基于最小模型集切换的变结构IMMPF跟踪算法,其中以"当前"统计模型为基础的不同最小模型集在不同时刻之间的切换实现了多模型的结构变换。当目标机动方式发生改变时,通过最小模型集的切换实现算法的滤波模型与目标实际机动方式的快速匹配,减小了目标机动的响应时间。通过仿真实验,与通用的IMM估计进行了比较,证明了算法的优越性。     

变结构多模型估计第Ⅱ部分——模型集合自适应

变结构多模型(VSMM)估计的一个重要、自然和实用的方法是递归自适应模型集(RAMS)方法。此方法的关键是在理论上和实践上都具有挑战性的模型集自适应(MSA)。本文在理论上对MSA进行了研究。根据假设检验,阐明了MSA的各种典型问题,而这些假设一般是复合的,N元的,多变量的,更糟糕的是,不一定不相交。给出了一定数量的序列方案,这些方案在计算上都是高效的,容易实现的,并具有一些令人满意的最优特性。这些结果构成了建立性能良好,通用和实用的MSA算法的理论基础。在这里给出的理论结果已经应用于这系列后续部分的几种RAMS算法,这些算法都是应用广泛,容易实现并且明显优于当前的最佳固定结构多模型估计器。同时,它们对于变结构和固定结构多模型估计器的模型集对比、选择和设计都很重要。     

基于模型概率估计的两层交互多模型算法

在机动目标跟踪问题的研究中,针对转弯机动目标跟踪精度差的问题,设计了一种利用模型概率对模型集合进行实时计算的两层交互多模型算法。该算法由第一层目标转弯速率的粗估计和第二层目标状态向量的精估计构成,它利用第一层模型计算出的目标运动估计转弯速率,构建与当前目标运动状态匹配程度较高的第二层转弯模型集合,并将该转弯模型集合运用于状态估计中。仿真结果证明了该算法在针对转弯机动目标时仍有较好的跟踪精度。     

基于IMM的估计算法对机动目标跟踪的比较

机动目标跟踪一直是倍受关注的问题,而交互式多模型方法(IMM)是解决这类问题的经典方法.由于传感器的发展或受某种客观条件的限制等,产生了各种基于IMM的算法.为此,介绍了IMM及基于IMM的几种经典估计算法,对它们进行比较研究,并通过机动目标跟踪的仿真算例说明各算法的适用条件、原理、异同点、性能及复杂性,对机动目标跟踪估计器的选择有重要参考价值.     

多种滤波器方案对机动目标跟踪自适应性比较

在过去几年对机动目标跟踪这个复杂问题取得了许多成果。目前已普遍认为混合状态估计交互式多模型算法(IMM)对机动目标就跟踪精度而言比其它类型的滤波器(如自适应单模型,输入估计,变维等等)实现效果更好。然而,IMM算法的复杂性阻碍了其应用,在这些应用中,简单算法不能提供必要的精度,又不能承受IMM算法的计算负荷。本文介绍评价一个应用并行运行的3个不同常速模型(3CV-PAR)和一个机动检测器的多模型航迹滤波器的跟踪精度。输出估计由选择其似然函数比目标机动门限值(TMTh)低的模型确定。3常速并行航迹滤波器的跟踪效果与如下滤波器比较:·自适应单运动模型卡尔曼滤波器(ASMMKF);·交互式多模型(IMM)滤波器中运用相同的3个常速运动(CV)模型作为3CV-PAR滤波器;·交互式多模型(IMM)滤波器中应用一个等速(CV)模型和一个等加速(CA)模型成为CVCA滤波器;·交互式多模型(IMM)滤波器中应用一个常速(CV)模型和两个仅过程噪声水平不同的常加速(CA)模型(CA1、CA2)成为CV2CA滤波器。通过在具挑战性的多传感器想定下100次蒙特卡洛(Monte-Carlo)试验平均均方根(RMS)误差的计算结果,比较3CV-PAR航迹滤波器与上述算法方案,评价跟踪精度。     

多传感器多机动目标跟踪方法研究进展

讨论了多传感器多机动目标的研究现状,分析了几种跟踪滤波器的性能,着重探讨了交互多模型(IMM)算法的发展状况和应用。同时还研究了多传感器跟踪多机动目标过程中的数据关联方法。最后指出,寻求采用自适应变结构的IMM算法,研究模型切换过程中算法的过渡性能,以及在数据关联中引入混沌、遗传算法等智能控制方法,将是未来多传感器多机动目标研究的方向。