补偿式变结构交互式多模型算法在高机动目标跟踪中的应用

"这篇论文是2015年发表在北京工业大学学报上的，主题是‘基于高机动目标跟踪的改进变结构IMM算法’。作者包括毛征、孟凡刚、孟灿、赵齐月和龚萍。文章指出，传统的交互式多模型(IMM)算法在追踪高机动性目标时，由于模型集合与实际系统模式匹配不足，导致状态估计的质量下降。为解决这一问题，论文提出了补偿式变结构交互式多模型算法(CPVSIMM)，该算法结合了变结构思想、图论知识和协方差匹配技术。在处理直线加速状态估计时，CPVSIMM算法通过将加速度和角速度作为模型参数，改进了传统VSIMM模型仅使用角速度导致的估计性能不佳的问题。此外，论文还建立了模型集合间的有向图连通关系和模型子集的自适应调整原则。通过理论分析和对比仿真，证明了提出的算法能提供更精确的融合估计结果，且能减轻因模型匹配不佳和切换延迟造成的机动累积误差。" 本文主要讨论的是在高机动目标跟踪领域中，如何改进交互式多模型算法以提高状态估计的准确性。交互式多模型（IMM）是一种常用的多模态估计方法，它结合了不同的动态模型来跟踪目标，但当目标机动性极高时，传统的IMM算法可能会出现匹配不准确的问题。论文引入了变结构控制的理论，变结构控制在处理非线性和不确定性问题时有良好的性能，通过引入这种思想，可以改善模型与实际系统的匹配。 此外，论文还利用了图论的概念，构建了模型集合之间的有向图，这有助于理解模型间的相互关系和切换逻辑。同时，通过结合加速度和角速度作为模型参数，使得算法在处理直线加速状态时的估计性能得到提升。模型集合的自适应调整原则则是为了动态优化模型组合，确保算法能够适应目标行为的变化。 协方差匹配技术的应用进一步优化了状态估计，它可以调整模型的权重，以更好地反映不同模型的贡献程度。通过这种方式，算法能够更好地应对高机动目标的快速变化，减少累积误差。 这篇论文提出了一个创新的方法来改进高机动目标跟踪中的状态估计，通过综合运用多种理论和技术，提高了算法的跟踪性能和适应性。这对于军事、航空航天等领域中高机动目标的追踪具有重要意义。