本发明专利技术提出了一种基于隐马尔科夫模型(HMM，Hidden Markov Model)和变结构(VS，variablestructure)的交互式多模型(IMM，interacting multiple model)雷达机动目标跟踪方法，主要解决传统交互式多模型算法中对机动目标的模型量与计算量的矛盾，以及概率转移矩阵固定造成的模型切换误差所引起的精度下降。本发明专利技术在传统IMM算法基础上引入变结构多模型，克服了交互式多模型受模型数量限制的缺陷，自适应调整切换模型集，并引入了HMM来自适应更新概率转移矩阵，提高了模型切换的效率，从而提高了对机动目标的跟踪性能和精度。从而提高了对机动目标的跟踪性能和精度。从而提高了对机动目标的跟踪性能和精度。
【技术实现步骤摘要】
一种基于隐马尔科夫和变结构的交互式多模型跟踪方法
[0001]本专利技术属于雷达数据数据处理领域。
技术介绍
[0002]随着战斗机、导弹、无人机、穿梭机等技术的高速发展，各种目标的机动性越来越强，高机动目标的跟踪问题俨然成为目标跟踪领域的一个重要研究方向。雷达航迹滤波是根据雷达获得的目标量测数据对目标状态进行估计的滤波问题，而实现对目标航迹滤波的首要问题就是目标实际运动模式与运动模型的匹配，想要实现高精度的跟踪就必须要有一个准确的模型来描述目标的运动。现有的目标运动模型包括CV模型、CA模型、Singer模型、Jerk模型、当前统计模型、CT模型等。
[0003]航迹滤波算法可以分为两类：单一模型和多模型。但是单一模型很难准确描述机动目标的不同运动模式，会由于目标运动模式的变化而造成滤波器发散，从而引起精度降低。多模型则是同时使用多个运动模型并行计算，最后将各个模型的滤波估计进行加权得到最后的结果。多模型算法的基本思想是，给定一个模型集，每个模型集对应一个滤波器进行滤波，然后基于这些滤波结果，通过一定的规则来产生最后的估计值，但是存在各模型独立无交互，后验信息无法得到利用的问题。
[0004]在后续改进的多种多模型算法中，目前应用比较广泛的是交互式多模型(IMM)算法，IMM算法在多模型的基础上加入了模型与模型、输入与输入之间的交互作用，各个模型的转换使用马尔科夫链，这样就具有更好的适应性。
[0005]HMM是马尔可夫链的一种，它是一种用参数表示的用于描述随机过程统计特性的概率模型，是一个双重随机过程，其由两个部分组成：马尔可夫链和一般随机过程，其中马尔可夫链描述状态的转移，用转移概率描述，而随机过程描述状态和观察值之间的统计对应关系。HMM已广泛英语于语音识别、模式识别、机器学习等领域。
[0006]变结构多模型算法拥有一个具有时变的模型集合，它利用实时量测数据序列里的系统模型信息，同时利用了固定结构多模型算法很难利用的先验信息，使其突破了固定结构多模型的限制，具有更强的适应性。
[0007]传统IMM算法中存在两个问题，一是其模型转移概率是人为设置，固定不变的，这会引入人为误差，影响了跟踪性能；二是IMM算法是固定结构多模型，对于目标的各种机动，较小的模型集很难覆盖目标所有的机动情况，但是如果模型集过大又会增加运算量，同时也会因为模型之间的竞争造成跟踪性能的下降。为了解决上述两个问题，本专利技术引入了隐马尔科夫模型和变结构多模型的概念。引入变结构多模型，可以克服交互式多模型受模型数量限制的缺陷，自适应调整切换模型集，引入HMM来自适应更新概率转移矩阵，可以提高模型切换的效率，以达到提高对机动目标的跟踪性能和精度的目的。
技术实现思路
[0008]为解决传统IMM算法中存在的模型转移概率固定以及模型集结构固定且种类少的
两个问题，本专利技术提出了一种基于隐马尔科夫模型(HMM，Hidden Markov Model)和变结构(VS，variable structure)的交互式多模型(IMM，interacting multiple model)跟踪方法。
[0009]本专利技术包括以下步骤：
[0010]步骤1，获得量测序列Y(k)；
[0011]步骤2，建立IMM跟踪模型和HMM模型；
[0012]步骤3，利用交互式多模型算法对目标状态进行估计；
[0013]步骤4，利用Viterbi算法解算HMM模型，求解模型概率修正系数，利用步骤3得到的状态估计结果进行机动判定，若判定发生机动，则使用修正系数对交互式多模型的概率转移矩阵进行自适应更新；
[0014]步骤5，利用步骤3得到的状态估计结果计算目标波动频率，将波动频率作为GMS算法的输入，对模型集进行切换，实现对模型集的变结构自适应更新；
[0015]步骤6，获取新的观测结果，重复步骤3至步骤5，直至跟踪结束。
[0016]进一步的，所述步骤2还包括：对于HMM模型，假设直到k时刻为止，机动目标的状态序列为q
k
＝[q1,q2,
…
,q
k
]，在交互式多模型中各个模型的最初的状态概率为不同模式之间的在两个相邻时刻的转换概率矩阵为P＝[p
ij
](p
ij
＝p(p
k＝j
/q
k+1＝i
),直到k时刻，目标量测序列为y
k
＝[y1,y2,
…
,y
k
]，量测生成概率矩阵为B＝[b
i
(y
k
)],b
i
(y
k
)＝p(y
k
/q
k
‑1)；因此该系统的隐马尔科夫随机过程为λ＝(μ,P,B)。
[0017]进一步的，所述的步骤4还包括：状态转移矩阵修正系数ξ可用以下递归计算求得：其中然后进行机动检测：对于公式其中为k时刻模型i的概率，若等式不成立则发生机动，就可以利用求得的状态转移矩阵修正系数对状态转移矩阵进行实时更新；若未发生机动则不更新状态转移矩阵。
[0018]进一步的，所述的步骤5还包括：波动频率定义为α(k)＝D(k)/M*α(k
‑
1)，其中M为门限，D(k)＝d
T
(k)S
‑1(k)*d(k)，d(k)为新息，S(k)为新息协方差矩阵；当波动频率超过某一门限时，则将模型切换为该门限所对应的模型集。
[0019]本专利技术与现有技术相比具有以下优点：
[0020](1)与传统的IMM算法相比，本专利技术引入了变结构的方式，包含了更多的模型，克服了交互式多模型受模型数量限制的缺陷，通过自适应调整切换模型集，提高了跟踪稳定性。
[0021](2)在传统IMM算法基础上，引入了HMM来自适应更新概率转移矩阵，提高了模型切换的效率和跟踪效率。
[0022](3)可以有效提高目标在高机动态势下的跟踪精度。
附图说明
[0023]图1是基于隐马尔科夫和变结构的交互式多模型机动目标跟踪方法的流程图。
[0024]图2是GMS算法的实现流程图。
具体实施方式
[0025]结合附图1，本专利技术的具体实施步骤如下所述：
[0026]步骤1：获得雷达量测序列Y(k)。
[0027]步骤2：建立跟踪模型和HMM模型。
[0028](1)以不同参数的CV
‑
CS模型组为例，首先建立CV和CS模型的目标运动状态方程：
[0029]周期为T，CV模型的状态转移方程为：
[0030][0031]其中
[0032]周期为T，CS模型的状态转移方程其中：
[0033][0034][0035]其中α为机动频率。
[0036]而量测方程为Y(k)＝H(k)X(k)+V(k)，其中H(k)＝[1 0 0]。
[0037]本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于隐马尔科夫和变结构的交互式多模型跟踪方法，其特征在于：步骤1：获得量测序列Y(k)；步骤2，建立跟踪模型和隐马尔科夫模型，所述隐马尔科夫模型即HMM模型；步骤3，利用交互式多模型算法对目标状态进行估计；步骤4，利用Viterbi算法解算HMM模型，求解模型概率修正系数，利用步骤3得到的状态估计结果进行机动判定，若判定发生机动，则使用修正系数对交互式多模型的概率转移矩阵进行自适应更新；步骤5，利用步骤3得到的状态估计结果计算目标波动频率，将波动频率作为GMS算法的输入，对模型集进行切换，实现对模型集的变结构自适应更新；步骤6，获取新的观测结果，重复步骤3至步骤5，直至跟踪结束。2.根据权利要求1所述的一种基于隐马尔科夫和变结构的交互式多模型跟踪方法，其特征在于：所述步骤2还包括：对于HMM模型，假设直到k时刻为止，机动目标的状态序列为q
k
＝[q1,q2,
…
,q
k
]，在交互式多模型中各个模型的最初的状态概率为π＝{π1,π2,
…
,π3},1≤j≤n,不同模式之间的在两个相邻时刻的转换概率矩阵为直到k时刻，目标量测序列为y
k
＝[y1,y2,
…
,y
k
]，量测...
【专利技术属性】
技术研发人员：吴波，张成宝，郑庆琳，李靖舒，宋凯，孟凡，
申请(专利权)人：中国船舶重工集团公司第七二四研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。