專利名稱：基于模糊推理的交互式多模型方法
技術(shù)領(lǐng)域：
本發(fā)明屬于模式識別技術(shù)領(lǐng)域，涉及一種目標(biāo)跟蹤方法，可用于對飛機、汽車等機動 目標(biāo)的跟蹤。
背景技術(shù)：
機動目標(biāo)跟蹤在軍事和民用領(lǐng)域的廣闊應(yīng)用前景，機動目標(biāo)跟蹤問題的研究已經(jīng)受到 人們的廣泛關(guān)注，而現(xiàn)代軍事預(yù)警領(lǐng)域中的機動目標(biāo)跟蹤問題成為當(dāng)前的一個研究熱點。 最近幾十年來，國內(nèi)外眾多專家學(xué)者對之進(jìn)行了深入的研究，取得了豐碩的成果，這些成 果在空中偵察與預(yù)警、彈道導(dǎo)彈防御、戰(zhàn)場監(jiān)視等軍事領(lǐng)域，以及空中交通管制、智能車 輛系統(tǒng)、交通導(dǎo)航、機器人視覺等民用領(lǐng)域都得到了廣泛的應(yīng)用。
機動目標(biāo)跟蹤是一個典型的不確定性問題，隨著跟蹤環(huán)境和目標(biāo)機動性能發(fā)生變化， 使得目標(biāo)跟蹤問題的不確定性更加嚴(yán)重。其不確定性主要表現(xiàn)為目標(biāo)運動狀態(tài)的不確定性 和探測器量測起源的不確定性，這就要求機動目標(biāo)跟蹤系統(tǒng)必須適應(yīng)機動和環(huán)境的變化， 運用適當(dāng)?shù)姆椒ǜ欉\動狀態(tài)時刻變化的目標(biāo)。因此，很難采用單一模型對目標(biāo)運動進(jìn)行 精確建模。多模型估計較好的解決了這一問題，多模型估計的基本思想是將參數(shù)空間(或 系統(tǒng)的運動模式)映射為模型集，而基于每個模型的濾波器并行地工作，系統(tǒng)的狀態(tài)估計則 是各模型濾波器所做估計的數(shù)據(jù)融合。
目前多模型估計的典型算法主要有廣義偽貝耶斯算法(General Pseudo Bayes， GPB) 以及Blom和Bar Shalom在廣義偽貝耶斯算法基礎(chǔ)上提出的交互式多模型算法(頂M)，其中 MM算法被認(rèn)為是一種最有效的混合估計方案，并逐漸成為該領(lǐng)域的主流估計算法。然而 在傳統(tǒng)頂M算法中，仍然存在一些問題，比如模型轉(zhuǎn)移概率以及模型集都是先驗確定的。 當(dāng)選擇較少的模型時，不能較好地覆蓋各種目標(biāo)機動模式，與單模型算法相比，在計算量 增大的同時仍然不能避免產(chǎn)生較大的誤差，如果選擇很多模型組成模型集合，又會使計算 量急劇增加，影響跟蹤的實時性，而且模型的增多不一定能提高跟蹤性能，反而有可能產(chǎn) 生模型間的競爭，導(dǎo)致跟蹤性能下降。如何在不增加太多計算量的同時保證得到更好的跟 蹤性能是多模型算法研究的核心問題之一。
近年來，隨著一些統(tǒng)計和智能方法的發(fā)展，如模糊理論、神經(jīng)網(wǎng)絡(luò)、證據(jù)推理法、粗集理論、小波分析理論和支持向量機等，它們?yōu)槟繕?biāo)跟蹤領(lǐng)域的研究提供了新的技術(shù)手段。 多模型算法在結(jié)合一些統(tǒng)計方法和智能理論后，也有了新的發(fā)展。2000年，加拿大的Zhen Ding提出了模型自適應(yīng)的多模型算法，該方法需要計算各個模型的新息和新息變化率，作 為模糊系統(tǒng)的輸入量，通過模糊輸出來調(diào)節(jié)噪聲協(xié)方差，該方法的不足之處在于算法中有 幾個模型就需要幾個模糊推理系統(tǒng)，并且要額外計算模糊輸入量即新息和新息變化率，因 此，計算量較大。2004年，韓國的Hyun-SikKim提出一種模糊交互式多模型的設(shè)計方法， 該方法首先通過分析目標(biāo)機動情況確定算法中的模型個數(shù)，然后采用模糊推理的方法，以 模型概率為模糊系統(tǒng)的輸入量，通過模糊輸出來調(diào)節(jié)模型轉(zhuǎn)移概率。該方法與標(biāo)準(zhǔn)交互式
多模型算法相比，增加的計算量不大，但是，當(dāng)模型與目標(biāo)運動模式匹配時，其跟蹤效果 不如標(biāo)準(zhǔn)交互式多模型算法。2005年，中國的申斌提出一種模糊交互式多模型算法，該方 法也是采用模糊推理系統(tǒng)，調(diào)節(jié)模型中部分參數(shù)的方法，達(dá)到了模型自適應(yīng)效果，不足之 處在于模糊輸入量計算復(fù)雜，而且模糊推理系統(tǒng)的個數(shù)隨著模型數(shù)的增加而增加。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述現(xiàn)有方法不足，提出了一種基于模糊推理的模型自適應(yīng)交 互式多模型方法，以得到較好的目標(biāo)跟蹤結(jié)果。
實現(xiàn)本發(fā)明目的的技術(shù)方案是以交互式多模型算法中的模型概率作為模糊系統(tǒng)的輸 入，通過模糊輸出在線調(diào)節(jié)各模型的系統(tǒng)噪聲。當(dāng)濾波模型與目標(biāo)真實運動模式不匹配時， 模糊推理系統(tǒng)通過推理機制自動調(diào)整系統(tǒng)狀態(tài)噪聲協(xié)方差矩陣來適應(yīng)目標(biāo)發(fā)生機動的情 況，彌補濾波模型與目標(biāo)運動模式不匹配造成的誤差。提出一種基于模糊推理的交互式多 模型目標(biāo)跟蹤方法。
具體實現(xiàn)步驟如下
(1) 對當(dāng)前統(tǒng)計模型和勻速模型進(jìn)行條件重初始化，計算每個濾波器的混合輸入；
(2) 用每個濾波器的混合輸入，分別計算當(dāng)前統(tǒng)計模型和勻速模型的初始值，并進(jìn)行 當(dāng)前時刻目標(biāo)狀態(tài)估計；
(3) 利用獲得的當(dāng)前時刻目標(biāo)狀態(tài)估計，計算當(dāng)前統(tǒng)計模型和勻速模型的概率"w(/fc)
(風(fēng)2);
(4) 用當(dāng)前統(tǒng)計模型和勻速模型的概率作為模糊推理系統(tǒng)的輸入量，將模糊輸出量
/(1)， /(2)分別反饋至步驟(2)，作為下一時刻的目標(biāo)狀態(tài)估計參數(shù)；
(5) 利用獲得的當(dāng)前目標(biāo)狀態(tài)估計和模型概率計算總體狀態(tài)輸出。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點
1、 由于本發(fā)明不需要系統(tǒng)狀態(tài)噪聲協(xié)方差的先驗信息，只需給定一個初始值并通過 模糊推理系統(tǒng)自適應(yīng)地在線調(diào)整濾波器的狀態(tài)噪聲協(xié)方差的值，使得該算法可以用較少的 模型很好的覆蓋目標(biāo)運動模式，大大減小了模型與運動模式不匹配造成的濾波誤差；
2、 本發(fā)明中只采用一個模糊系統(tǒng)，當(dāng)模型數(shù)目增加時，只需要增加此模糊系統(tǒng)的輸 入輸出量，適當(dāng)調(diào)整模糊規(guī)則庫即可，而一般的模糊交互式多模型算法中，模糊系統(tǒng)的個 數(shù)隨著模型數(shù)的增加而增加。因此，本發(fā)明不用增加過多的計算量，就可以取得較好的跟 蹤效果；
3、 由于本發(fā)明以模型概率作為模糊系統(tǒng)的輸入量，所以在保證跟蹤精度的同時，不 需要額外計算模糊輸入量，具有模糊特征量提取簡單，計算復(fù)雜度小的特點；
4、 仿真結(jié)果表明，本發(fā)明方法跟蹤結(jié)果優(yōu)于傳統(tǒng)的IMM方法。


圖l是本發(fā)明的流程示意圖2是本發(fā)明模糊推理系統(tǒng)輸入量所采用的隸屬度函數(shù)示意圖； 圖3是本發(fā)明模糊推理系統(tǒng)輸入量所采用的隸屬度函數(shù)示意圖； 圖4是本發(fā)明和傳統(tǒng)IMM方法對機動目標(biāo)跟蹤效果示意圖； 圖5是本發(fā)明和傳統(tǒng)IMM方法對機動目標(biāo)跟蹤效果局部放大示意圖； 圖6是本發(fā)明和傳統(tǒng)IMM方法對機動目標(biāo)跟蹤位置誤差示意圖； 圖7是本發(fā)明和傳統(tǒng)IMM方法對機動目標(biāo)跟蹤速度誤差示意圖。
具體實施例方式
參照圖l，本發(fā)明的具體實現(xiàn)過程如下
步驟l，模型條件重初始化，計算每個濾波器的混合輸入。
模型條件重初始化是考慮每個模型濾波器都有可能成為當(dāng)前有效的系統(tǒng)模型濾波器， 每個濾波器的初始條件都是基于前一時刻各條件模型濾波結(jié)果的合成(合成初始條件)，即 分別計算混合概率和混合估計。
具體實施步驟如下-
la)計算混合概率
假定k-l時刻的匹配模型是wW(yt-1)， k時刻的匹配模型是mW("，以A-l時刻的信 息Z"'為條件的混合概率為
7—1)^P(附(')(A: —l)—")!^),/-1)-J"7T,/')(A: — 1), i,j=l,2。
其中^=^>^(')0-l)為歸一化常數(shù)，w(')(/t-1)為"1時刻模型的概率。 lb)混合估計
對于濾波模型，其重初始化的狀態(tài)與協(xié)方差陣按混合估計分別為
a 二 (2)
(A _ 11 A: -1)=五OO — 1)| m(力(A;), ) =;(') (A: -11 A - _ 11 " 1)
一)(yt - 11 A: _ 1)=力- 11 " 1) + - 11 A: - 1) _》)(/t - 11 - l))
'=1 . (3)
- 11 A: -1) - - 11 yfc - - 1 | A; - 1)
其中，》')(H^-1)表示模型在"1時刻對目標(biāo)的狀態(tài)估計，"(")(A:-l)表示混
合概率。
步驟2，利用濾波器的混合輸入計算目標(biāo)模型的初始值，并進(jìn)行目標(biāo)狀態(tài)估計，按如 下步驟進(jìn)行
2a)將重初始化的混合輸入^(/t-ll"l)和盧1^-l"-l)代入基于當(dāng)前統(tǒng)計模型的 濾波器，獲得狀態(tài)估計^W。和協(xié)方差f("(/M"，如下
，(A; I -1) = F("》(A: -11 A: -1) (4) (A: I A; -1) = F(A:)聲(1) (/t -11 yt - + (A -1) (5)
其中，/("表示模糊推理系統(tǒng)的輸出分量，其初始值取為l， 2(1)("1)表示當(dāng)前統(tǒng)計模
型的系統(tǒng)噪聲協(xié)方差。
2b)根據(jù)狀態(tài)估計的結(jié)果，計算量測預(yù)測殘差及其協(xié)方差陣
柳=卓)-(6)
= /f(A:)尸(1) (A: I A; - + (7)
其中，z(W表示A時刻的量測，i W(A:)表示當(dāng)前統(tǒng)計模型的量測噪聲協(xié)方差。 2c)在Gauss假設(shè)下，計算量測z("與模型mW(A;)匹配的似然函數(shù)AW(A:):八(1)(""0(拳 ) (8) I (A),》(/t -11 " 1)， (A:)(盧1) (A; -11 A -1))]
其中，5(1)表示當(dāng)前統(tǒng)計模型的量測預(yù)測殘差。
2d)計算濾波增益矩陣，狀態(tài)估計和狀態(tài)估計誤差協(xié)方差陣為
〖(1) (yt)=尸(1) (A: I A: — (AO)—1 (9)
;")0t I " = ;("(yi: I A: _1) +《("(A:)5(1)0) (10)
尸(1) (A: I A)=尸(1) (A: I — 1) — iC(1)("S(1) 0fc)(《(')(A:)/ (11)
2e)將重初始化的混合輸入即:§(2)("1|"1)和^2)("1^-1)代入基于勻速模型的濾
波器，獲得狀態(tài)估計i(2)0t I A:)和協(xié)方差尸(2)& | A:)如下
》2)(A: I A: _ 1)=尸("》2)(A: — 11 A _ 1) (12)
尸(2),-1)=，》(，-1),)/+/(2)e(2)("l) (13)
其中，/(2)表示模糊推理系統(tǒng)的輸出分量，其初始值取為l， 0(2)^-1)表示勻速模型
的系統(tǒng)噪聲協(xié)方差。
2f)根據(jù)狀態(tài)估計的結(jié)果，計算量測預(yù)測殘差及其協(xié)方差陣
其中，z("表示&時刻的量測，i 。)("表示勻速模型的量測噪聲協(xié)方差。 2g)在Gauss假設(shè)下，計算量測z(A)與模型w②("匹配的似然函數(shù)A。)Ot):
/7[, I w(2) ， (" 11 A: -1), S(2) (A:)(盧2) (A: -11 A: -1))]
M-會幽卿)-叫 其中，^"表示勻速模型的量測預(yù)測殘差。
2h)計算濾波增益陣，狀態(tài)估計和狀態(tài)估計誤差協(xié)方差陣分別為
(16)jf(2) (A: I A) = S(2) (A: I yt — 1) +尺(2) (A:)S(2) (18)
尸(2) (A I A:)=尸(2) (A; I A: — 1) — A:") (A:)S(2) (A:)(iC(2) (A;)f (19)
步驟3，對于當(dāng)前統(tǒng)計模型和勻速模型，分別計算A時刻各個模型的概率
M0)0) = P(m0)(A:)|Z4)"A(;)(^, y = l,2 (20)
c
其中^-力;^S為歸一化常數(shù)，C = fA )^。 戶l 產(chǎn)l
步驟4，用更新的模型概率"("("(7' = 1,2)作為模糊推理系統(tǒng)的輸入量，模糊輸出量 /(1)， /(2)分別反饋至基于當(dāng)前統(tǒng)計模型和勻速模型的濾波器，具體實施步驟如下-
4a)確定模糊輸入量，以模型概率w(力(A:)^1， 2)作為模糊輸入，參照附圖2，定義模 糊輸入量的模糊集為Z五(零)，MP(正中)，i^(正大)，模糊輸入量取值范圍在
之間， 隸屬度函數(shù)采用常用的三角形函數(shù)。
4b)建立模糊規(guī)則庫，當(dāng)濾波模型與目標(biāo)運動模式不匹配時，增大模糊輸出值，以增
大系統(tǒng)噪聲協(xié)方差；當(dāng)濾波模型與目標(biāo)運動模式不匹配時，減小模糊輸出值，以減小系統(tǒng)
噪聲協(xié)方差，得到如下九條模糊規(guī)則
& : ^jTwl Z￡ am/ w2 ^ Z￡,決e" ^ ￡尸朋d /(2) ^丄尸； (21)
i 2: ^wl Z￡ am/ "2 M尸,/(" ^丄尸/(2)紅M尸； (22)
i 3: ^wl Z￡ a"c/ "2 &丄尸，/(" ^ ZP a"c/ /(2) ^ Z￡; (23)
及4: ^ wl M尸w2 Z￡， ^ M尸a"c/ /(2) & Z尸； (24)
i 5: ^ wl M尸a""2 & MP,細(xì)M尸/(2) ^ M尸； (25)
: ^wl M尸am/& ￡尸,^ MP /(2) & Z￡ ; (26)
: wl丄i3 am//;y Z￡, ^ Z￡ /(2) ^ Z尸； (27)
i 8: ^wl Z尸"2紅M尸，^ Z￡ a"c/ /(2) &似尸； (28)
& : wl丄尸w2 &丄尸,/(" ^ Z￡ am/ /(2)紅Z￡ ; (29)
4c)計算模糊輸出量，參照附圖3，本發(fā)明定義模糊輸出的模糊集為Z五(零)，5T，(小 正)，M尸(正中)，￡尸(正大)，隸屬度函數(shù)采用常用的三角形函數(shù)，模糊輸出量取值范圍在
之間，去模糊化可以采用重心法，得到模糊輸出量/(1)和/(2)。
4d)將模糊輸出量/(1)和/(2)分別反饋至下一時刻目標(biāo)狀態(tài)的預(yù)測協(xié)方差，即 尸("(A:IA: —1)禾口尸(2)01A; — 1)中。
步驟5，當(dāng)前時刻狀態(tài)估計融合，以當(dāng)前統(tǒng)計模型和勻速模型目標(biāo)狀態(tài)估計的概率加 權(quán)和作為總體狀態(tài)估計輸出，具體步驟如下-5a)當(dāng)前時刻的總體狀態(tài)估計
2 (30)
戶l
其中，；w(w"為目標(biāo)的狀態(tài)估計，"w("為模型y的概率。 5b)當(dāng)前時刻的總體狀態(tài)誤差協(xié)方差陣
2 (31)
其中，尸^(/tlA:)為模型7'的狀態(tài)估計協(xié)方差。 本發(fā)明的效果可以通過以下仿真進(jìn)一步說明
仿真內(nèi)容采用本發(fā)明所提出的方法和標(biāo)準(zhǔn)交互式多模型算法進(jìn)行仿真對比實驗，對 x-y平面內(nèi)的機動目標(biāo)進(jìn)行跟蹤。設(shè)目標(biāo)初始位置為(30000,30000) m，初始速度為
(-172,-246)m/s， l-40秒勻速運動，41-60秒以x方向80m/s2， y方向50m/s2的加速度轉(zhuǎn)彎，
61-80秒勻速運動。Monte Carlo仿真次數(shù)為100次。 仿真結(jié)果及分析
圖4給出了本發(fā)明和傳統(tǒng)IMM方法在x-y平面內(nèi)對同一機動目標(biāo)跟蹤的效果圖，圖5
給出了本發(fā)明方法和傳統(tǒng)方法對目標(biāo)跟蹤效果的局部放大圖，從圖中可以看出，本發(fā)明方 法的跟蹤軌跡要明顯接近目標(biāo)的真實運動軌跡，跟蹤效果優(yōu)于傳統(tǒng)IMM方法。
圖6給出了本發(fā)明和傳統(tǒng)IMM方法在x-y平面內(nèi)對機動目標(biāo)跟蹤的位置誤差圖，從圖
中可以看出，無論是目標(biāo)處于非機動狀態(tài)(1-40秒和61-80秒)還是處于機動狀態(tài)(41-60秒)， 本發(fā)明方法的位置跟蹤誤差明顯小于傳統(tǒng)方法的位置跟蹤誤差。
圖7給出了本發(fā)明和傳統(tǒng)IMM方法在x-y平面內(nèi)對機動目標(biāo)跟蹤的速度誤差圖，從圖中可以看出，無論是目標(biāo)處于非機動狀態(tài)(1-40秒和61-80秒)還是處于機動狀態(tài)(41-60秒)， 本發(fā)明方法的速度跟蹤誤差也要小于傳統(tǒng)IMM方法的速度跟蹤誤差。
本發(fā)明提出一種模糊交互式多模型算法，以傳統(tǒng)IMM算法中的模型概率作為模糊輸 入量，不需要額外計算模糊輸入量，有效的避免了模糊輸入量計算的復(fù)雜性，通過模糊輸 出實時調(diào)整系統(tǒng)噪聲協(xié)方差。當(dāng)模型數(shù)目增加時，只要適當(dāng)調(diào)整模糊系統(tǒng)即可，避免了模 型數(shù)目增加時，由于增加模糊系統(tǒng)而帶來的復(fù)雜性，具有可擴(kuò)展性。仿真結(jié)果表明，與傳 統(tǒng)IMM方法相比，本發(fā)明方法提高了對目標(biāo)機動和非機動時的跟蹤精度，較好的解決了由 于目標(biāo)運動模式不確定性而導(dǎo)致的跟蹤精度下降問題，具備了很好的自適應(yīng)能力。
權(quán)利要求
1. 一種基于模糊推理的交互式多模型目標(biāo)跟蹤方法，包括如下步驟(1)對當(dāng)前統(tǒng)計模型和勻速模型進(jìn)行條件重初始化，計算每個濾波器的混合輸入；(2)用每個濾波器的混合輸入，分別計算當(dāng)前統(tǒng)計模型和勻速模型的初始值，并進(jìn)行當(dāng)前時刻目標(biāo)狀態(tài)估計；(3)利用獲得的當(dāng)前時刻目標(biāo)狀態(tài)估計，計算當(dāng)前統(tǒng)計模型和勻速模型的概率u(j)(k)(j＝1，2)；(4)用當(dāng)前統(tǒng)計模型和勻速模型的概率作為模糊推理系統(tǒng)的輸入量，將模糊輸出量f(1)，f(2)分別反饋至步驟(2)，作為下一時刻的目標(biāo)狀態(tài)估計參數(shù)；(5)利用獲得的當(dāng)前目標(biāo)狀態(tài)估計和模型概率計算總體狀態(tài)輸出。
2. 根據(jù)權(quán)利要求l所述的目標(biāo)跟蹤方法，其中步驟(2)所述的"分別計算當(dāng)前統(tǒng)計模 型和勻速模型的初始值，并利用前一時刻模糊推理系統(tǒng)的輸出值進(jìn)行目標(biāo)狀態(tài)估計"， 按如下步驟進(jìn)行-.2a)將重初始化后的混合輸入lw("ll/t-1)和聲("(yt-l"-l)代入基于當(dāng)前統(tǒng)計模型 的濾波器，獲得狀態(tài)估計初始值^)(A: I "和協(xié)方差I(lǐng) "如下, -1) = F一(1) (A: -11 A: - + & -1)其中，/(1)表示模糊推理系統(tǒng)的輸出分量，其初始值取l， g("(A:-l)表示當(dāng)前統(tǒng)計模型的系統(tǒng)噪聲協(xié)方差；2b)根據(jù)狀態(tài)估計的結(jié)果，計算量測預(yù)測殘差及其協(xié)方差陣其中，z("表示A時刻的量測，i ("(A:)表示當(dāng)前統(tǒng)計模型的量測噪聲協(xié)方差;2c)在Gauss假設(shè)下，計算量測4"與模型wW("匹配的似然函數(shù)八(1)(":A()(A:)"0(/t)lw(D(A:)，Z"1) I w(" (A),》"(A: -11 /t — 1),(/t)(P(') (A: — 11 A: -1))]，(it I A; -1) = F(A:)》1) (A: -11 A: -1)其中，^"表示當(dāng)前統(tǒng)計模型的量測預(yù)測殘差；2d)計算濾波增益矩陣，狀態(tài)估計和狀態(tài)估計誤差協(xié)方差陣為:尺("(A)=尸(1) (A; I A: — (51(1)("廣，(A: I A;) = ， , -1) +0) (A: I A:) =(A IA — 1)-〖()("(/:(1) ("f 2e)將重初始化的混合輸入i(2)(A-11 A-l)和盧2)("11 A — 1)代入基于勻速模型的濾波 器，獲得狀態(tài)估計初始值》2)(A: I A:)和協(xié)方差尸("(A: I "如下S(2), -1) = F(/t)l(2) (A: _ 11 A -1) P(2), -1)=澤)P(2) I A; - l)(F(")r + /( )G(2) O -1) 其中，/(2)表示模糊推理系統(tǒng)的輸出分量，其初始值取為l， g("(/t-l)表示勻速模型的系統(tǒng)噪聲協(xié)方差；2f)根據(jù)狀態(tài)估計的結(jié)果，計算量測預(yù)測殘差及其協(xié)方差陣5(A;) = z("-// |yt-1) ""(A;)=歸)尸("(A: I A; - 1)(綠))7 + ^("(" 其中，z("表示yfc時刻的量測，i 。)("表示勻速模型的量測噪聲協(xié)方差； 2g)在Gauss假設(shè)下，計算量測z("與模型w/"(A:)匹配的似然函數(shù)A(2)(": I w(2) (A:)， i(2) (A -11 A; -1)， S(2> (A:)(戶2) (A _ 11 A: -1))] |2;rS(2)(《1/2 expj—會(5(2) W)r S(2) }其中，S。)表示勻速模型的量測預(yù)測殘差； 2h)計算濾波增益矩陣，狀態(tài)估計和狀態(tài)估計誤差協(xié)方差陣如下 K(2)(A;) = ， I A-GS(2)(A:))_1 ，(A; 1 A:) = (A: I卜1) +《(2)(W(2) (A) 尸(2)(^: I " = P(2)(A: I "1)-《(2)(A;)S(2)C(2 W 。
3.根據(jù)權(quán)利要求1所述的目標(biāo)跟蹤方法，其中步驟(4)按如下步驟進(jìn)行 3a)確定模糊輸入量，以模型概率"(力("()=1， 2)作為模糊輸入，定義模糊輸入量的模糊集為ZE(零)，M尸(正中)，丄尸(正大)，模糊輸入量取值范圍在
之間，隸屬度函 數(shù)采用常用的三角形函數(shù)；3b)建立模糊規(guī)則庫，當(dāng)模型與目標(biāo)運動模式不匹配時，增大模糊輸出值；當(dāng)模型與 目標(biāo)運動模式匹配時，減小模糊輸出值；根據(jù)模糊規(guī)則庫，得到九條模糊規(guī)則i 2: Z￡ am/ w2 MP, /'i 4 : MP w2 & Z￡， /(1 i 5 : ^wl M尸朋d "2 & MP, Aew /(1 i 6: ^"m1 MP W w2 ￡尸，Ae" /(Ii 7 : ^"wl LP awe/ m2 & Z￡, /(1 i 8: _LP a/w/ w2 MP,決ew& : ^ wl ￡尸cwflf w2 &丄戶，Ae" /"& Z尸/(2) &丄尸； /;y Z尸a"c/ /(2) h ,; 〖s ZJ5朋c /(2) ZE; ^ M尸/(2) ^ Z尸； & M尸/(2) M尸； /;y M尸a"c/ /(2) & Z￡ ; / y Z￡ a"c/ /(2) & Z尸； /;y Z￡朋c/ /(2) ^ MP ;3c)計算模糊輸出量，定義模糊輸出的模糊集為Z五(零)，S尸(小正)，M尸(正中)，Z尸(正大)，模糊輸出量取值范圍在
之間，隸屬度函數(shù)采用常用的三角形函數(shù)，去模糊化采用重心法，得到模糊輸出量/(1)和/(2)的值；3d)將模糊輸出量/(1)和/(2)分別反饋至下一時刻目標(biāo)狀態(tài)的預(yù)測協(xié)方差，即P("(^fc —l)禾B ,2)(W/b—l)中。
全文摘要
本發(fā)明公開了一種基于模糊推理的交互式多模型方法，它涉及模式識別領(lǐng)域，用于機動目標(biāo)跟蹤。其過程為(1)模型條件重初始化，計算每個濾波器的混合輸入；(2)用每個濾波器的混合輸入，分別計算當(dāng)前統(tǒng)計模型和勻速模型的初始值，進(jìn)行目標(biāo)狀態(tài)估計更新；(3)在獲得目標(biāo)狀態(tài)估計后，計算k時刻各個模型的概率；(4)用更新的模型概率u^(j)(k)(j＝1，2)作為模糊推理系統(tǒng)的輸入量，計算模糊系統(tǒng)的模糊輸出量；(5)以當(dāng)前統(tǒng)計模型和勻速模型目標(biāo)狀態(tài)估計的概率加權(quán)和作為總體狀態(tài)估計輸出。本發(fā)明解決了傳統(tǒng)的交互式多模型算法中所存在的由于濾波模型與目標(biāo)運動模式不匹配造成的誤差問題，具有計算復(fù)雜度小，跟蹤效果好的優(yōu)點，可用于機動目標(biāo)跟蹤。
文檔編號G06K9/00GK101477623SQ200910020950
公開日2009年7月8日 申請日期2009年1月16日 優(yōu)先權(quán)日2009年1月16日
發(fā)明者智建緯, 李陽陽, 焦李成, 爽 王, 陳兆平, 紅 韓 申請人:西安電子科技大學(xué)