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）。     

基于模型空间分解的交互式多模型算法

由于马尔可夫参数的限定,交互式多模型的估计精度会在模型数过多时下降,这限制了它在高维参数空间的应用,通过将交互式多模型建模空间分解,构造出一种两级交互式多模型算法,并通过辨识系统噪声的多个统计参数,比较了新算法与常规交互式多模型滤波器,仿真结果显示了新算法的优越性。     

强跟踪多模型估计器

本文提出了一种基于最小二乘估计的强跟踪滤波器(STF)单重渐消因子求解方法.从参数自适应与模型自适应有机结合的角度出发,将STF与交互式多模型算法(IMM)相结合,设计了强跟踪交互式多模型估计器(STMME).仿真表明:STMME在跟踪机动目标时,对速度,加速度的跟踪精度明显优于传统的IMM,在自适应估计领域有着较好的应用前景.     

具有参数自适应的交互式多模型算法

动态多模型估计（SMME）广泛应用于结构和参数的不确定／变化的估计问题中,比如目标跟踪和故障诊断与隔离,然而由先验信息选定的滤波参数是模式切换与模式未切换情况下的折衷,针对SMME,本文通过在每个滤波循环开始处起始多个状态预测器实时辨识滤波参数,包括模式切换概率和基于模型的过程噪声方差,考虑到交互式多模型（IMM）是SMME中比较有效的方法,我们将上述的参数辨识与IMM相结合,提出了一种自适应IMM（AIMM）,在跟踪一个机动目标的仿真中,AIMM表现出了比IMM更高的估计精度。