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。     

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。     

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。     

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。     

一种自适应变结构交互式多模型算法

针对机动目标跟踪问题,提出了一种自适应变结构交互式多模型算法。对滤波问题进行了简单描述,并给出了交互式多模型算法的数学模型;建立了一种新的变结构交互式多模型算法的精确模型,模型子集之间并行独立运行,通过选取概率最高的模型子集的状态估计作为最终的估计结果;在变结构交互式多模型算法基础上进一步设计了自适应变结构交互式多模型算法,该方法提高了模型子集和目标实际机动模式的匹配程度,从而提高了目标跟踪精度。仿真结果表明,自适应变结构交互式多模型算法的跟踪效果优于其他方法。     

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。     

防发散无迹卡尔曼滤波自适应网格交互式多模型算法

针对非线性观测条件下的机动目标跟踪问题,基于机动目标的协同转弯模型,采用防发散无迹卡尔曼滤波方法和自适应网格的模型集自适应策略,研究了一种变结构交互式多模型算法。对二维机动目标跟踪的仿真结果表明,该算法与相应的固定结构交互式多模型算法相比,可以解决固定结构多模型算法存在的问题,有效提高多模型算法的精度和费效比,缩短计算时间,且适合工程应用。     

基于UKF的自适应网格交互式多模型算法

针对非线性观测条件下的机动目标跟踪问题,基于机动目标的协同转弯（CT）模型,采用无迹卡尔曼滤波（UKF）方法和自适应网格（AG）的模型集自适应策略,研究了一种变结构交互式多模型算法,即：基于UKF的自适应网格交互式多模型（UKF-AGIMM）算法。对二维机动目标跟踪的仿真结果表明,本算法与相应的固定结构交互式多模型算法相比,可以解决固定结构多模型算法存在的问题,有效提高多模型算法的精度和费效比,缩短计算时间,且适合工程应用     

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.     

基于期望模型的变结构交互多模型算法

采用变结构思想,提出一种基于期望系统噪声模型的变结构交互多模型算法。算法中,预测噪声变化范围的噪声模型集不再采用固定结构,而是根据量测新息在线辨识和调整,使之更加接近于目标的真实运动模式。基于模型匹配概率与先验的马尔科夫切换概率调整期望系统噪声模型噪声方差,得到一个最优的系统噪声模型集。将该算法与交互多模型算法相结合,得到一种变结构交互多模型算法。仿真结果表明,该算法对机动目标的跟踪精度要优于固定结构的交互多模型算法。     

基于当前统计模型的有向图切换IMM算法

将当前统计模型和变结构多模型估计算法相结合,提出了一种新的用于跟踪机动目标的交互多模型算法,计算机仿真结果显示该算法能有效提高交互多模型估计器的费效比。     

基于变结构多模型算法的机动目标无源跟踪

研究了变结构多模算法对机动目标的跟踪,提出了基于可能模型集的期望模式增广算法,并将其应用于机动目标的无源跟踪中。算法的思想是:固定网格模型集采用LMS算法进行自适应,得到有效的固定网格模型集;然后根据该模型集生成期望模式集;最后基于有效的固定网格模型集及期望模式集进行滤波并融合处理得到总体的模型。通过仿真验证了该算法的性能。     

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。     

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.     

一种基于残差的自适应多模型算法

提出了一种基于残差的自适应多模型算法,其基本思想是通过残差的大小来分配多模型中单个模型在整体估计中的权重.本算法无须机动检测,从理论上避免了延迟.通过Monte Carlo仿真表明本算法的有效性.     

基于S修正RBUKF的自适应网格交互式多模型算法

针对观测方程为非线性,状态方程为线性,且噪声为加性情况下的机动目标跟踪问题,应用Rao-Blackwellised UKF(RBUKF)算法滤波并对其进行了s修正,在此基础上,采用自适应网格(AG)方法对模型集进行自适应调整,得到一种基于S修正RBUKF的自适应网格交互式多模型(SRBUKF-AGIMM)算法。对二维蛇形机动目标跟踪的仿真结果表明,该算法与固定结构多模型(FSMM)算法相比,可在计算量相当的情况下大幅提高跟踪精度,大幅提高算法的费效比。     

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.