1.未知概率Skew及重尾噪声下的目标跟踪方法,其特征在于:包括包括以下步骤:S1:多传感器共同跟踪同一目标的物理场景,在目标跟踪过程中综合考虑目标状态过程噪声、传感器量测噪声和系统偏差的影响,故建立目标的状态模型、量测模型和系统偏差模型;
S2:设置k-1时刻变分迭代求解参数的初值和初始化期望,k=1,2,3...,ts,ts为仿真总时间;
S3:建立k时刻传感器s的目标状态一步预测概率密度P(xk,s∣z1:k-1)模型、量测似然概率密度P(zk,s∣xk,s)模型和对数联合概率密度模型;
S4:变分贝叶斯近似后验:
步骤S3构建的模型参数之间存在相互耦合,无法解析求解未知参数的后验,引入变分贝叶斯方法近似求解S3中的未知参数的后验,其求解公式如下:其中,表示关于求期望操作,表示取集的某一个元素,是集中除外剩余元素,相对未知参数是不相关的常数,表示以自然常数为底的对数近似后验概率密度;
S5:设置变分迭代总次数为i表示变分第i次迭代,
S6:更新求解状态预测协方差矩阵Pk|k-1,s和量测噪声协方差矩阵Rk,s;
S7:更新求解形状参数βk、系统偏差ηk,s和目标状态xk,s;
S8:更新求解辅助变量λk、γk及其对应自由度参数ωk、νk;
S9:更新求解随机变量ξk和Skew噪声发生概率πk;
S10:重复步骤S6-S9,直到达到预先设定变分迭代总次数或满足迭代终止条件:取1e-15,则迭代结束;
S11:输出变分迭代结果:
输出迭代结果:和Σk|k,s,并赋值作为k+1时刻变分迭代初始值;
S12:多传感器分布式融合反馈:
在分布式网络中,在其局部滤波器完成偏差配准后仅依赖单个传感器进行目标跟踪往往很难达到预期的精度,故需将步骤S11变分迭代求解得到的各局部滤波器状态值以及其协方差矩阵Pk|k,s信息进行融合并将融合后的最优目标状态及其协方差矩阵反馈给各局部滤波器。
2.根据权利要求1所述的未知概率Skew及重尾噪声下的目标跟踪方法,其特征在于:所述步骤S1中离散目标状态模型、量测模型和系统偏差模型的贝叶斯理论统计公式具体如下所示:xk,s=Fk-1xk-1,s+wk-1
zk,s=Hkxk,s+ηk,s+vk,s
ηk,s=ηk-1,s+nk-1,s s=1,2,3,...,S其中,xk,s是k时刻传感器s的目标状态,k=1,2,3...,ts,(xk,yk)为位置坐标,表示对应的速度,Fk-1为k-1时刻到k时刻状态转移矩阵,wk-1为k-1时刻过程噪声,其噪声协方差矩阵为Qk-1;zk,s为k时刻传感器s的量测值,Hk为k时刻量测转移矩阵;vk,s为k时刻传感器s的量测噪声,其噪声协方差矩阵为Rk,s;ηk,s为k时刻传感器s的系统偏差,nk-1,s为k-1时刻传感器s的系统偏差噪声,其噪声协方差矩阵为Qη,k-1。
3.根据权利要求1所述的未知概率Skew及重尾噪声下的目标跟踪方法,其特征在于:所述步骤S2变分参数设置及初始化期望,具体如下所示:S2.1:设置k-1时刻变分参数初值如下:
初始估计状态及其误差协方差矩阵量测噪声协方差矩阵Rk-1,s的自由度参数和尺度矩阵为自由度参数ωk-1,νk-1的形状参数和速率参数和Skew噪声发生概率πk-1的形状参数系统偏差ηk-1,s的均值及其协方差矩阵Σk-1|k-1,s;标称过程噪声协方差矩阵和标称量测噪声协方差矩阵形状参数βk-1的均值及其协方差矩阵Pg,k-1|k-1;k时刻传感器s的量测值zk,s;
S2.2:k时刻参数时间更新:
参数时间更新如下:状态一步预测:及其预测状态误差协方差矩阵:Pk|k-1,s的自由度参数和尺度矩阵Tk|k-1,s=τpPk|k-1,s;量测噪声协方差矩阵Rk,s的自由度参数和尺度矩阵Uk|k-1,s=ρUk-1|k-1,s;自由度ωk、νk的形状参数和速率参数Skew噪声发生概率πk的形状参数系统偏差的均值及其协方差矩阵Σk|k-1,s=(Σk-1|k-1,s+Qη,k-1)/ρ;
其中,(·)T表示求转置操作,ρ表示变分遗忘因子,起自适应调节参数的作用,取1-exp(-4),τp表示预测误差协方差的调谐因子;
S2.3:初始化k时刻期望值:
初始期望状态及其协方差矩阵:初始化如下期望值:辅助变量λk、γk期望E0[λk]=E0[γk]=1;自由度参数ωk、νk的期望E0[ωk]、E0[νk];伯努利变量ξk的期望E0[ξk]=1;系统偏差及其协方差的期望:E0[ηk]、E0[Pη,k];上标E0[·]表示求第0次变分迭代的期望。
4.根据权利要求1所述的未知概率Skew及重尾噪声下的目标跟踪方法,其特征在于:所述步骤S3中建立P(xk,s∣z1:k-1)和P(zk,s∣xk,s)先验模型,具体包含以下步骤:S3.1:建立状态一步预测概率密度P(xk,s∣z1:k-1)先验模型:在实际工程应用中,由脉冲干扰、异常值和建模伪影引起的多种非高斯噪声通常具有Student-t分布或偏斜(Skew)分布,若状态过程噪声wk-1遵循Skew分布,其概率密度函数P(wk-1)被表示为高斯-伽马混合分布的形式,具体如下所示:其中,N(·;μ,Σ)表示高斯分布,其均值μ,协方差矩阵为Σ,G(·;a,b)表示伽马分布,其形状参数a,速率参数b,s(·)和δ(·)分别是正偏斜和尺度函数,λk>0为混合参数,ωk为自由度参数,形状参数βk控制Skew分布的对称性和偏度;βk≠0是非对称的,若s(λk)=δ(λk)=λk为典型Skew分布;βk=0是对称的,若δ(λk)=λk,Skew分布退化为典型Student-t分布;
为了判别k时刻目标状态xk服从Student-t分布还是Skew分布,引入二元伯努利随机变量ξk,根据未知参数所服从的特性和步骤S1贝叶斯统计理论公式,对状态预测协方差矩阵Pk|k-1,s、随机变量ξk、Skew噪声发生概率πk以及自由度参数ωk建立先验模型以及结合过程噪声概率密度函数P(wk-1),则P(xk,s∣z1:k-1)被表示为:其中,IW(·;t,T)表示逆威沙特分布,其自由度为t,尺度矩阵为T;Bn(·,πk)表示伯努利分布,其取值为1的概率为πk;Be(·;a,b)表示贝塔分布,其形状参数为a和b,常作为二元伯努利分布的共轭先验;ξk取值为0和1,ξk=1表示状态xk服从Skew分布,否则ξk=0表示状态xk服从Student-t分布;
S3.2:建立量测似然概率密度P(zk,s∣xk,s)先验模型:考虑量测噪声为异常重尾噪声,以Student-t分布建模,引入辅助变量γk写成高斯-伽马混合分布形式,根据未知参数所服从的特性和步骤S1贝叶斯统计理论公式,对量测噪声协方差矩阵Rk,s、系统偏差ηk,s和自由度参数νk建立先验模型,则P(zk,s∣xk,s)被表示为:S3.3:构建对数联合概率密度模型
根据步骤S3.1建立的状态一步概率密度P(xk,s∣z1:k-1)先验模型和步骤S3.2建立量测似然概率密度P(zk,s∣xk,s)先验模型,重写成分层高斯的形式,则对数联合概率密度被表示为:其中,表示未知参数集合,Z表示传感器s的量测数据集,表示以自然常数为底的对数联合概率密度。
5.根据权利要求1所述的未知概率Skew及重尾噪声下的目标跟踪方法,其特征在于:所述步骤S6中更新求解Pk|k-1,s和Rk,s,具体如下所示:分别令应用步骤S4变分迭代公式,由指数分布共轭性,则近似后验q(Pk|k-1,s)和q(Rk,s)分别被更新为IW分布:分别求解近似后验qi+1(Pk|k-1,s)和qi+1(Rk,s)的自由度参数:和尺度矩阵参数:由IW分布性质计算期望Ei+1[Pk|k-1,s],Ei+1[Rk,s],计算修正的状态预测协方差矩阵和量测噪声协方差矩阵其中,Ei[·]表示求第i次变分迭代的期望,上标i表示第i次变分迭代,i=0:
6.根据权利要求1所述的未知概率Skew及重尾噪声下的目标跟踪方法,其特征在于:所述步骤S7中更新求解βk、ηk,s和xk,s,具体如下所示:分别令和应用步骤S4变分迭代公式,由指数分布共轭性,
近似后验q(βk)、q(ηk,s)和q(xk,s)分别被更新为高斯分布:类似卡尔曼滤波量测更新步分别求解近似后验qi+1(βk)和qi+1(ηk,s)均值:及其对应的协方差矩阵由高斯分布性质,分别计算期望:Ei+1[βk]、Ei+1[Pβ,k];
计算期望Ei+1[ηk,s]和修正系统偏差协方差矩阵期望
由卡尔曼滤波量测更新步计算和
7.根据权利要求1所述的未知概率Skew及重尾噪声下的目标跟踪方法,其特征在于:所述步骤S8中更新求解λk、γk、ωk、νk,具体如下所示:S8.1:更新辅助变量λk和γk:
令应用步骤S4变分迭代公式,近似后验被建模成广义逆高斯分布GIG,即:求解近似后验qi+1(λk)的形状参数和由现存标准GIG分布求解公式计算期望Ei+1[λk]、Ei+1[logλk];
令应用步骤S4变分迭代公式,由指数分布共轭性,近似后验q(γk)被更新为伽马分布:求解近似后验qi+1(γk)的形状参数和速率参数:由伽马分布性质计算期望Ei+1[γk]、Ei+1[logγk];
S8.2:更新自由度参数ωk和νk:
分别令和应用步骤S4变分迭代公式,由指数分布共轭性,近似后验q(ωk)和q(νk)被更新为伽马分布:
求解近似后验qi+1(ωk)和qi+1(νk)的形状参数:和速率参数:由伽马分布性质计算期望Ei+1[ωk]和Ei+1[vk]。
8.根据权利要求1所述的未知概率Skew及重尾噪声下的目标跟踪方法,其特征在于:所述步骤S9中更新求解ξk和πk,具体如下所示:S9.1:更新随机变量ξk:
令应用步骤S4变分迭代公式,则近似后验q(ξk)被更新为伯努利分布,分别计算ξk取0的概率Pri+1(ξk=0)和ξk取1的Pri+1(ξk=1),由Bn分布性质,计算期望Ei+1[ξk];
S9.2:更新Skew噪声发生概率πk:
令应用步骤S4变分迭代公式,由指数分布共轭性,q(πk)被更新为贝塔分布:求解近似后验qi+1(πk)的形状参数:由Be分布性质,计算自然对数期望Ei+1[logπk]、Ei+1[log(1-πk)]。
9.根据权利要求1所述的未知概率Skew及重尾噪声下的目标跟踪方法,其特征在于:所述步骤S12传感器分布式融合反馈具体包含:首先,融合中心接收到各局部滤波器的状态估计,按照协方差交叉融合准则,其融合计算方法如下所示:其中,表示融合后的最优状态估计值及其对应的协方差矩阵;
其次,将状态及其协方差估计值反馈给各个局部滤波器,其反馈计算如下:其中,κk,s为反馈权重系数,随局部状态估计协方差矩阵自适应调节,满足:其中,||·||F表示Frobenius范数;即对于任意矩阵D,