交互式多模型算法仿真与分析.docxVIP

多源信息融合实验报告 硕037班 刘文 3110038020 2011/4/20 交互式多模型仿真与分析 IMM算法与GBP算法的比较，算法实现和运动目标跟踪仿真，IMM算法的特性分析  交互式多模型仿真与分析 算法综述 由于混合系统的结构是未知的或者随机突变的，在估计系统状态参数的同时还需要对系统的运动模式进行辨识，所以不可能通过建立起一个固定的模型对系统状态进行效果较好的估计。针对这一问题，多模型的估计方法提出通过一个模型集中不同模型的切换来匹配不同目标的运动或者同一目标不同阶段的运动，达到运动模式的实时辨识的效果。 目前主要的多模型方法包括一阶广义贝叶斯方法（BGP1），二阶广义贝叶斯方法（GPB2）以及交互式多模型方法等（IMM）。这些多模型方法的共同点是基于马尔科夫链对各自的模型集进行切换或者融合，他们的主要设计流程如下图： 图一 多模型设计方法 其中，滤波器的重初始化方式是区分不同多模型算法的主要标准。由于多模型方法都是基于一个马尔科夫链来切换与模型的，对于元素为r的模型集，从0时刻到k时刻，其可能的模型切换轨迹为，其中表示K-1到K时刻，模型切换到第个，可取，即总共有种可能。再令为K+1时刻经由轨迹输入到第个模型滤波器的加权系数，则输入可以表示为 可见轨迹的复杂度直接影响到算法计算量和存储量。虽然全轨迹的模式切换在理论上是最优的，但是其在k-1到k一个时间间隔的计算量（的更新次数，滤波次数）就能达到这个数量级，现实中根本无法实现。为了解决这一问题，目前的次优方法都是通过变换模型切换轨迹的形式，在保证估计精度的情况下，减少算法计算量和存储量的。 具体的GPB1，GPB2，IMM算法，是采用截断的方式简化全轨迹的重初始化，下面给出他们与全轨迹方法重初始化的数据流图： 图二 多模型算法重初始化数据流图 从图上，我们可以看出，IMM的方法其实是直接截断，每一时刻k都与k-2时刻没有计算关系，k-1到k时刻相当于模型轨迹重新从K-1时刻开始即，，其中，是为了与和相区别，分别代表假的从k-2时刻到k时刻的模型切换轨迹，以及k-1时刻的假模型滤波过程，后面会详细说明，这样，而一个时间间隔内的更新次数为的数量级，滤波次数为的数量级，相较于全轨迹算法大大减少计算量。 而GPB1的方法不仅是和IMM一样截断了，还把估计融合结果作为不同模型重初始化的输入，这样再考虑其模型转换轨迹时就只用考虑一个时间间隔的情况即，，一个时间间隔内更新次数为的数量级，滤波次数也为的数量级。 GPB2算法是二阶的GPB方法，截断了时考虑两个时间间隔的情况,每一时刻K的滤波结果，相当于是k-2时刻的个模型的融合估计结果（k-1时刻的重初始化值）经过所有可能的路径，分别得到k-1到k时间间隔内经由各模型滤波的融合结果，这样，一个时间间隔内的更新次数为的数量级，由于是每次估计是个滤波器并行滤波，所以，也为滤波次数的数量级。图二与其实际的过程稍有出入，这是由于图中的结构不是跌带的，而是把实际的时刻标出，时刻相同的实际中是重叠的部分。 给出不同多模型算法的比较的总结,如下表： 表一 不同多模型算法的比较 GPB1GPB2IMM全轨迹更新次数滤波次数（阶数）(1阶)(2阶)(1阶)(阶)重初始化的输入上一时刻的估计融合结果上一时刻各模型的估计融合结果上一时刻各模型的估计结果上一时刻各模型的估计结果注意到IMM重初始化时并没有用到融合的估计结果而是用上次滤波的个输出，这可以解释为什么IMM拥有与GPB1相当的计算量却有着与GPB2相当的精度。首先，从得到每一时估计值的滤波次数来看，IMM实际上只做了次滤波，是一阶的算法。但是从两个时间间隔来考虑，k-2时刻的各个滤波模型的输出结果本来可以看成做一次滤波然后得到的结果，是k-2时刻输入经由各模型得到的，所以用来表示，然后这些结果要进过一次实际的滤波过程。也就是说在滤波这一层面上来看IMM算法是的一个两时间间隔的切断，但是和真正的两时间间隔的切断GPB2算法又不同，所以轨迹用表示，可以理解为是的一个较容易得到的近似。这可能是其精度与GPB2接近的原因。而从的更新次数角度来看IMM并没有比GPB2算法少。但是总的计算量IMM应该是接近GPB1的（每一时间间隔滤波次数与GPB1相同）。 仿真设计 目标运动模式的描述 为了简便，选取目标做一维的直线运动，其运动状态向量为，、、分别代表位移，速度，加速度。 模型选择 实验模型集选择了CA和CV两个模型。 CV模型 其中，，，=a(t) CA模型 其中，，，=a’(t) 滤波参数初始化： 采样周期T=1，一步转移概率矩阵P=[0.95 0.05；0.05 0.95]，两个模型初始概率都为1/2。过程噪声，量测噪声。m