文档介绍：基于变结构多模型算法的 机动目标跟踪
刘福朝
整理课件
目录
算法的基本原理及探索
整理课件
算法使用包含有限个模型的固定模型集合，各模型并行滤波，由于各个模型之间没有交互，因此对目标机动模式较多的情况不太适用。
针对这个问题， 和 -shalom 提出了交互式多模型（IMM）算法，该算法同样使用一个包含有限个模型的模型集合，不需要通过机动检测。其最大的特点是各个模型之间有交互，对假设运动模式是马尔科夫或半马尔科夫过程的目标有较好的跟踪效果。
整理课件
交互式多模型（IMM ）算法是在机动目标跟踪领域常用算法之一，也是固定结构多模型（FSMM）算法的典型代表。但是，FSMM 算法存在一定的局限性。
所以近年来， 等人在 IMM 算法的基础上，提出了变结构多模型（VSMM）算法。VSMM算法是一种具有时变模型集合的算法，它不仅能利用量测序列中的实时系统模型信息，也能将
FSMM 算法很难利用的目标先验信息
利用起来，使其突破了固定结构的限制，
有更好的适应性。
整理课件
变结构控制是前苏联学者Eme1yanov、Utkin和Itkin在六十年代初提出的一种设计方法。
本质上是一类特殊的非线性控制，其非线性表现为控制的不连续性。
当初研究的主要是二阶和单输入高阶系统，并用相平面法来分析系统特性。
进入七十年代，则开始研究状态空间
线性系统，使得变结构控制系统设计思想
得到了不断丰富，也提出了多种变结构
设计方法。
整理课件
整理课件
这些 FSMM 算法能在处理一些能用一个小容量模型集合就能描述的理论问题时表现较好。但是，当处理实际环境中的问题时，情况要复杂得多。总的来说，FSMM 具有以下局限性：
1) FSMM 算法的一个基本前提假设是系统模式在任意时刻都可以用一个固定的模型集合来表述。
但这假设往往是不成立的，现实情况时甚至
可能完全不知道目标可能的运动模式。
整理课件
2) FSMM 算法使用大量的模型虽然可以保证与目标实际运动模式不完全失配。但是由于估计值融合机制本身的原因，过多的模型集合必将带来更多的模型间的竞争，也会导致性能恶化。
整理课件
3） FSMM 算法使用的模型集合所包含的模型数目越多，计算量和占用的存储空间就越多
4）因为受固定结构的模型集合限制，FSMM 算法很难利用各类先验信息。如果要覆盖所有情况则必然需要一个庞大的模型集合，又会导致上述2和3的问题。
整理课件
因为这些局限性的存在，1992年，X. R. Li 做出了突破多模型算法固定结构的尝试，在不受固定结构模型集合的限制下，创立了变结构多模型（VSMM）算法的理论基础，用更具有普遍性的VSMM 算法框架描述了 MM 算法。通常来说，当一个目标的运动模式越复杂时，VSMM 算法相比 FSMM来说优势就更大。
整理课件
算法的基本原理及探索
假设 VSMM 算法所需要的所有模型集合是由一系列独立且相容的模型集合序列所构成的，VSMM 算法可以考虑两级分层结构：
。
考虑到计算量的问题，VSMM 应该选择一个
单一的模型集合，且要保证这个模型集合是
对当前目标状态来说“最优”的。
整理课件
这个模型集合可以通过模型集合自适应（Model-Set Adaptation）来得到。这也就是递归自适应模型集合（Recursive Adaptive Model-Set, RAMS）算法。
就目前发展情况来看，这是唯一可用的 VSMM 理论算法，现在几乎所有类型的 VSMM 算法都是基于RAMS 方法的。
整理课件
通常来说，一个周期的 RAMS 算法主要要完成以下两个步骤的工作：
（1） 模型集合自适应。这是算法的决策部分。它要根据获得的先验信息以及该时刻的量测信息来决定该时刻使用哪个模型集合来运行多模型算法。
（2） 模型集合条件估计。这是算法的估计部分，相当于传统的多模型算法，可已经将之称为 VSIMM 算法。只是它是在由
模型集合自适应得到的模型集合的
基础上进行的。
整理课件
具体包含以下各部分：
1）初始化。初始化各个模型的初始概率并初始化其对应的匹配滤波器
2）重新初始化。通常使用交互后的信息进行重新初始化
3）模型匹配滤波
4）模型概率计算
5）估计融合
整理课件
几种相关算法