文档介绍：第 29 卷第 8 期 电 子 与 信 息 学 报
2007 年 8 月 nteracting multiple model-probabilistic data association filter (IMM-PDAF).
Key words: Manoeuvring target tracking; Particle filtering; Interacting multiple model
1 引言 样本均值代替积分运算，从而获得状态的最小方差估计[5]。
最近几年，为了消除线性化所带来的误差，粒子滤波被广泛
杂波环境中的机动目标跟踪是一个重要的研究课题。多
[6–9]
年来，许多研究者发表了大量的相关研究论文，提出了多种 的应用到目标跟踪中来 。文献[6]提出了一种基于粒子滤
[1–3] 波的交互多模型跟踪算法，能够对无杂波环境下的机动目标
方法 。从性能和计算复杂度两方面综合考虑，PDAF法是
一种比较好的方法。对于仅有角度量测的被动传感器机动目 进行较为准确的跟踪，由于避免了观测方程线性化带来的误
标跟踪，由于只能得到目标的角度信息，使其存在不可避免 差，它的跟踪性能要好于传统的IMM算法；文献[8]提出了一
的非线性。文献[4]提出了一种交互多模型与概率数据关联相 种杂波环境下基于粒子滤波的被动匀速直线运动目标跟踪
结合的跟踪算法(IMM-PDAF)，用扩展Kalman滤波对非线 算法，该算法将粒子滤波与PDAF进行了有效的结合，能够
性的观测方程进行线性化处理，通过精选目标运动模型，算 对高虚警和低检测概率环境进行有效处理。在文献[6, 8]的启
法可以有效地对三维被动机动目标跟踪。然而，由于非线性 发下，本文提出一种基于粒子滤波被动多传感器机动目标跟
的线性化处理给滤波算法带来了一些线性化误差，降低了算