1.基于变分贝叶斯多模型粒子滤波的机动目标跟踪方法,其特征在于:包括如下步骤:S1:对目标运动模型和量测模型,并根据先验信息、状态演化模型来设置初始状态概率密度函数p(x0),其中x0表示初始状态值;基于初始状态概率密度函数p(x0),随机产生N个初始粒子,N为衡量计算量和估计精度的值;
S2:对模型状态使用多项式分布进行建模,考虑真实模型状态未知,在k时刻对粒子模型状态隐变量rk扩维,定义其中M为最多模型个数,由分类分布决定,所以可以用多项式分布来表示:其中表示的概率,且满足δ(·)表示狄拉克函数;
S3:对转移概率矩阵使用狄利克雷分布进行建模,当模型转移概率矩阵Πk未知时,假设每行之间相互独立,则:其中πk,ij表示转移概率矩阵元素,且p(Πk)表示Πk的概率分布,用狄利克雷分布对Πk进行先验建模其中αk,iM是分布的参数,C(αk,i)是归一化常数,Dir(πk,i;αk,i)表示Πk行向量的狄利克雷分布;因此其中表示Πk第ij个元素的αk,ij次方,表示对从j=1到j=M的累乘;
S4:根据量测集Yk,在变分贝叶斯框架下建立证据下界函数,对模型状态、转移概率矩阵和目标状态求解。
2.根据权利要求1所述的基于变分贝叶斯多模型粒子滤波的机动目标跟踪方法,其特征在于:所述S1具体包含以下步骤:S1.1预先设定目标的状态模型、量测模型如下:
xk=fk-1(xk-1,rk)+wk(rk)
yk=hk(xk,rk)+vk
其中,和分别表示目标在k时刻系统的状态和量测信息,nx和ny分别是xk和yk的维数,nx>ny,和分别表示状态和量测的向量空间,f(·)和h(·)表示状态转移函数和量测转移函数,rk∈{1,...,M}表示系统在k时刻未知模型索引,M为模型总个数;wk和vk分别表示离散系统的过程噪声与量测噪声,wk和vk均服从零均值协方差分别为Qk(rk)和Rk的高斯分布;
S1.2假设运动目标系统模型切换服从马尔科夫链,其目标状态估计的贝叶斯预测与更新具体过程如下:预测:
其中p(xk,rk=j|Y1:k-1)表示在当前模型选择为j的目标状态先验分布,Y1:k-1表示从初始时刻到k-1时刻量测的集合;
更新:
其中p(yk|xk,rk=j)表示似然函数,由量测方程决定;由于在求得状态预测值后,量测值与rk无关,所以p(yk|xk,rk=j)=p(yk|xk);p(xk,rk=j|Y1:k)表示在当前模型选择为j的目标状态后验分布,Y1:k表示从初始时刻到k时刻量测的集合。
3.根据权利要求1所述的基于变分贝叶斯多模型粒子滤波的机动目标跟踪方法,其特征在于:所述S4具体包含以下步骤:S4.1使用变分分布q(xk),q(rk),q(Πk)近似目标状态分布p(xk|Y1:k),模型状态分布p(rk|Y1:k)和转移概率矩阵分布p(Πk|Y1:k)的联合分布S4.2通过比较变分分布和真实分布的KL散度来判断近似程度;
S4.3由于KL散度的非负性,因此可以将最小化KL散度转化为最大化证据下界问题;
S4.4每个变分分布基于其他变分分布的当前信息进行优化,为便于求解,对联合分布p(yk,xk,rk,Πk|Y1:k-1)求解出所有可用信息p(yk,xk,rk,Πk|Y1:k-1)=p(yk|xk,rk)p(xk|Y1:k-1)p(rk|Y1:k-1)p(Πk|Y1:k-1)其中p(yk|xk,rk)表示似然函数,p(xk|Y1:k-1)表示目标状态先验分布,p(rk,Πk|Y1:k)表示模型状态和转移概率矩阵的联合分布,p(Πk|Y1:k-1)表示转移概率矩阵分布;
S4.5通过坐标上升法对转移概率矩阵变分分布q(Πk)进行求解:其中表示对·关于rk和xk求期望,c和c1表示归一化常数;
S4.6通过坐标上升法对目标状态变分分布q(xk)求解:其中表示对·关于rk和Πk求期望,c和c2表示归一化常数。