基于非等维状态的IMM混合估计方法

在目标跟踪领域,交互多模型(IMM)估计器具有良好的性能和较低的复杂度。IMM的成功归因于模式混合,其中各模型输出用于模型条件重初始化。针对IMM算法中存在的非等维状态混合估计问题进行了研究,在总结现有算法的基础上提出了一种最优的IMM混合估计方法。该方法通过将"切换"态的概念引入目标状态,根据当前滤波时刻的模型概率和新息,动态地调整混合策略以实现最优估计。最后,通过仿真实验验证了所提算法在不同模型混合场景中的表现要优于现有的算法。

基于非等维状态交互的并行IMM转移概率自适应算法

为了提高转移概率自适应的并行交互模型算法(ATPM-PIMM)对机动目标的跟踪精度,提出一种改进的ATPMPIMM算法。该算法将基于非等维状态的混合估计方法引入ATPM-PIMM算法中,改善非等维状态交互带来的信息丢失问题,降低模型切换导致的峰值误差,满足对机动目标跟踪的需要。仿真结果表明,改进的ATPM-PIMM算法能有效地提高对机动目标的跟踪精度。