交互式多模型算法性能分析

广泛应用于目标跟踪和故障诊断的动态多模型估计（SMME）假设模式的切换服从马尔可夫过程,对马尔可夫切换概率（MTP）的非MonteCarlo分析有助于深入了解SMME的机理,发现参数寻优的法则,设计或发展新的自适应多模型估计器,然而由于SMME的复杂性,非Monte Carlo分析很难给出,本文针对SMM中著名的交互式多模型（IMM）估计器,通过将IMM看作是输入交互和子滤波器串联,分析了具有m个参数的MTP矩阵,给出了六条不依赖主动应用环境及子滤波器设计的结论,部分结果也适用于一阶广义伪贝叶斯算法（GPBI）。     

两级交互式多模型算法

在混合估计中,交互式多模型滤波器(IMM--Interacting Multiple Model)以其优越的性能而受到广泛的研究.由于马尔可夫参数的限定,交互式多模型在模型数较多时会出现精度下降,从而限制了它在高维参数空间建模的有效性.利用模型集的概念,首次提出了双马氏过程的模型切换假设,从而构造出一种两级交互式多模型滤波器.通过辨识系统噪声的多个统计参数比较了两级交互式多模型滤波器与常规交互式多模型滤波器.结果表明:对于大信噪比信源(即小的量测噪声),两级交互式多模型滤波器与常规交互式多模型滤波器性能基本相当;而对于小信噪比信源(即大的量测噪声),两级交互式多模型滤波器明显优于常规交互式多模型滤波器.     

交互式多模型算法的模型集设计

针对交互式多模型（IMM）算法中模型集的设计问题，提出一种模型集设计方法．在已知真实模式概率分布函数的情况下，根据要求的模型数目，等概率划分模式空间，在每个等概率模式空间上，利用方差的含义获得最大范围地覆盖模式空间的模型集，并给出一个例子说明模型集的设计方法．应用Monte-Carlo仿真．将所设计的模型集用于IMM算法进行目标跟踪．仿真结果显示跟踪精度高，表明了该模型集设计方法的有效性．     

基于机动转弯目标的自适应交互式多模型算法

在车辆转弯性能优化控制问题的研究中,针对转弯机动目标跟踪,由于控制模型为单模型,造成跟踪性能差.为解决上述问题,设计了一种利用自适应网格方法对模型集合进行自适应计算的方法.利用自适应网格,通过设定初始粗略网格,将转弯模型的转弯速率作为网格值进行自适应的调整,以期能够符合目标当前时刻的运动状态.然后与交互式多模型算法相结合,对模型进行滤波计算,以达到跟踪目标的目的.最后,通过仿真比较自适应网格交互式多模型算法与三种常规交互式多模型算法的跟踪效果,验证了算法的优越性,证明改进算法跟踪精度高、速度快,能够接近理想的模型设计.     

基于参数自适应Jerk模型的IMMUKF算法

本文给出了一种利用参数自适应Jerk模型的IMMUKF算法,可用于跟踪非线性条件下做高度机动运动的目标。该算法在IMMUKF算法的基础上,引入Jerk模型,并针对Jerk模型中的参数——机动频率α人为设定的不合理性,对α进行建模,实现了对机动频率α的在线估计。拟合滤波过程沿用IMM算法的思想,各模型滤波采用UKF。最后,通过Monte Carlo仿真,对本文提出的算法和其他两种IMMUKF算法进行了比较,进一步验证了该方法的可行性和有效性。     

强机动目标跟踪自适应交互式多模型算法

针对机动目标跟踪过程中建立的目标模型和目标的实际运动模式出现失配的问题,提出了从一组离散模型集中选出最优模型,并自适应调整模型参数,使模型逼近目标实际运动模式的交互式多模型算法.蒙特卡罗仿真表明,该算法与传统的常速模型与自适应协同转弯模璎交互算法(IMM-CV/ACT)相比,在目标发生强机动时,能及时有效的把跟踪误差峰值控制在测最标准差之下,适合于强机动目标跟踪.     

常增益交互式多模型算法*

针对混合估计自适应滤波器的工程应用问题,首先证明了交互式多模型算法在一定条件下,其模型输入交互方差可与状态解耦,并给出了两模型下的ＩＭＭ的模型输入交互方差之间部分解耦及安全耦的条件,从而将常增益滤波与ＩＭＭ相结合,提出模型ＩＭＭ自适应滤波算法。     

基于求积分卡尔曼滤波的交互式多模型算法

针对非线性系统中的多模型估计问题,将求积分卡尔曼滤波算法应用到交互式多模型算法过程中,提出一种基于求积分卡尔曼滤波的交互式多模型算法.该算法不需要求取非线性方程的雅可比矩阵,且能够获得比基于不敏卡尔曼滤波的交互式多模型方法更高的滤波精度.仿真结果证明了该算法的有效性.     

改进的交互式多模型跟踪算法

针对传统交互式多模型算法实行正则滤波的单一化缺点,提出一种改进的跟踪算法。利用卡尔曼滤波匹配系统线性部分,粒子滤波匹配非线性部分,根据匹配深度判断目标遮挡程度,当目标被严重遮挡时,采用迭代的多级粒子滤波方法进行重采样,并结合卡尔曼滤波更新模型概率。实验结果表明,该算法实时性强,能提高模型滤波速度和目标状态的估计精度,缩短计算时间,解决跟踪过程中的遮挡问题。     

高超声速飞行器交互式多模型跟踪算法仿真

针对临近空间高超声速飞行器的运动状态多变,目前单一跟踪模型已经很难描述出目标的特性,根据多变的运动特点,将交互式多模型( IMM)算法应用于高超声速飞行器跟踪领域。该算法可以有效地根据各个模型的概率进行准确的调整,特别是对于机动目标的跟踪。文中根据IMM算法在临近空间环境下对高超声速飞行器进行了跟踪仿真。通过Monte-Carlo仿真,结果表明该算法在临近空间中具有较好的跟踪精度,同时可以提高高速飞行目标的跟踪精度。     

模型转移概率自适应的交互式多模型UKF算法

本文给出了一种基于UKF算法的参数自适应交互式多模型方法,较好的解决了非线性条件下机动目标跟踪的问题,可获得比基于EKF算法的交互多模型方法更好的稳定性和计算精度,还避免了复杂的Jacobi矩阵运算;由于该方法结合了模型概率转移自适应技术,实现了对模型转移矩阵的在线估计,降低了人为因素的影响。最后,通过Monte Carlo仿真进一步验证了该方法的正确性和有效性。     

变维交互作用多模型滤波方法

提出了一种变维交互作用多模型（IMM）滤波方法,对传统交互作用多模型滤波公式进行修改,给出了新的滤波公式。利用仿真数据和雷达实测数据进行了实验,结果表明新的算法能取得较好的“全局”滤波跟踪效果。     

一种基于滤波参数在线辨识的鲁棒自适应滤波器

针对一类未建模动态和扰动下的非线性随机系统的状态估计问题,提出了一种基于滤波参数在线辨识的鲁棒自适应滤波器.该算法通过极小化状态估计误差的方差同时正交化相邻时刻的滤波残差,在线辨识状态预报误差和滤波残差的协方差,实现了对未建模动态和扰动的自适应动态补偿,因此对未建模扰动具有很强的鲁棒性.仿真中研究了一个非线性随机时滞系统,其参数存在缓变和突变,时滞会多次跳变,量测噪声发生了均值漂移和方差突变.算法对时滞和参数的联合估计效果令人满意.     

基于动态优化模型集的多模型自适应控制

针对多模型自适应控制的传统算法中固定模型集无法准确覆盖对象的不确定域的问题,提出了一种新型的能够在线动态优化模型集的方法。该方法能够在线自动添加、删除以及修改模型集中的模型,有效地控制模型数量以及优化模型集,使模型集对不确定域进行精确覆盖,并且在系统运行的稳定阶段可以停止优化模型集的动作,从而大幅减少计算量。该方法在优化控制性能的同时不会过分增加系统运算负担,仿真实验表明了此算法的优越性。     

非线性系统的多模态ARMAX模型及其参数辨识

本文利用非线性系统多个工作点上的线性化模型，建立了一类参数内插型多模态ＡＲＭＡＸ模型。与传统的线性化模型相比较，在更大的范围内有较高的精度，本文并给出了如何辨识多模态模型参数的方法，仿真例子表明了多模态模型及其参数辨识算法的有效性。     

强机动目标自适应变结构多模型跟踪算法

在强机动目标跟踪领域,采用传统基于固定模型集合的交互式多模型算法需要大量模型来描述目标机动,需要巨大的计算量,并且过多模型会带来不必要的模型竞争反而降低跟踪性能.为解决它所带来的问题,提出一种自适应变结构多模型算法,采用少量与目标运动模式相关的模型,在不同时刻根据目标当前机动水平自适应调整模型参数建立新的模型集合,并对其进行滤波估计.仿真结果显示该方法能更好的匹配目标运动规律,有效降低计算复杂度,提高跟踪精度.