改进的GMM聚类-合并算法：解决非高斯系统中的效率与精度问题

在目标跟踪领域，本文探讨了一种针对高斯混合模型在估计非高斯系统时存在的问题的创新方法——相似分布特性准则下的高斯混合项聚类-合并算法。作者徐洋、方洋旺、伍友利和张丹旭来自空军工程大学航空工程学院，他们针对高斯混合模型在处理非线性和非高斯性目标运动状态时计算复杂度增加的问题，提出了一个关键改进。 算法的核心在于首先分析高斯混合项的分布特性，通过扩展积分均方误差（Extended Integral Square Error, EISE）代价函数来寻找最优的置信区间。这种方法有助于减少模型中的冗余高斯混合项，从而避免计算上的指数级增长。接着，作者采用高斯聚类技术，将具有相似分布特性的混合项分组，形成不同的高斯簇。这一步骤有助于组织和优化模型结构，提高计算效率。 为了避免高斯簇间的交叉项重复利用，引入了局部最近邻思想，对可能产生冲突的高斯子项进行重新分配，确保每个簇内的混合项是唯一的。然后，利用并行多元素合并策略，对这些高斯簇内的混合项进行有效的合并，保持统计无偏性的同时，进一步减少下一时刻的混合项数量。 通过在《国防科技大学学报》2019年第41卷第004期的9页（P156-164）发表，该研究展示了在保持跟踪精度的同时，改进的高斯混合模型能显著提升算法的效率和实用性，特别是在实时性和资源受限的环境中，如战时平台。 这项工作提供了一种有效的方法来处理非高斯系统中的目标跟踪问题，通过结合分布特性分析、高斯聚类和合并策略，优化了模型的复杂度，对于实际应用具有重要的理论和实践价值。