基于模型概率的自适应交互式多模型算法

合集下载

关于大模型自适应算法的综述

关于大模型自适应算法的综述随着人工智能技术的不断发展，大模型已经成为机器学习领域的一个重要研究方向。

大模型是指包含大量参数的深度学习模型，通常用于自然语言处理、图像识别、语音识别等任务。

自适应算法则是为了提高大模型的性能和泛化能力而提出的一种优化方法。

本文将对大模型自适应算法进行综述，介绍其基本原理、应用场景和优缺点。

大模型自适应算法的核心思想是根据不同的任务和数据集，自动调整模型的参数和结构，以获得最佳的性能。

具体来说，自适应算法会根据模型的输出结果和误差反馈，不断调整模型的参数和结构，使得模型能够更好地适应不同的数据集和任务。

常用的自适应算法包括随机搜索、网格搜索、贝叶斯优化等。

大模型自适应算法在机器学习领域有着广泛的应用场景。

以下是一些常见的应用场景：1. 图像分类：在图像分类任务中，自适应算法可以根据不同的图像数据集和标签分布，自动调整模型的参数和结构，提高分类准确率。

2. 自然语言处理：在自然语言处理任务中，自适应算法可以根据不同的语料库和任务类型，自动选择合适的模型结构和参数配置，提高文本分类、情感分析等任务的性能。

3. 推荐系统：在推荐系统中，自适应算法可以根据用户的历史行为和偏好，自动调整推荐算法的参数和模型结构，提高推荐准确率和召回率。

4. 强化学习：在强化学习中，自适应算法可以根据环境的变化和智能体的行为，自动调整策略函数的参数和结构，提高智能体的探索和利用能力。

大模型自适应算法具有以下优点：1. 自动化程度高：自适应算法可以根据数据和任务自动调整模型参数和结构，减少了人工干预的需求。

2. 性能提升明显：通过不断调整模型参数和结构，自适应算法可以获得更好的性能和泛化能力。

3. 适用范围广：自适应算法可以应用于各种类型的数据和任务，具有较强的适应性。

然而，大模型自适应算法也存在一些缺点：1. 计算成本高：自适应算法需要大量的计算资源和时间来调整模型参数和结构，对于大规模数据集和复杂任务来说，计算成本较高。

基于机动转弯目标的自适应交互式多模型算法

第３Ｏ卷第４期
文章编号：１００６—９３４８（２０１３）０４— ０１６９一ｏ４
计
算
机
仿
真
２０１３年４月
基于机动转弯目标的自适应交互式多模型算法
王硕，刘丽
（北京航空航天大学飞行器控制一体化技术重点实验室，北京１００１９１）摘要：在车辆转弯性能优化控制问题的研究中，针对转弯机动目标跟踪，由于控制模型为单模型，造成跟踪性能差。为解决
上述问题，设计了一种利用自适应网格方法对模型集合进行自适应计算的方法。利用自适应网格，通过设定初始粗略网格，将转弯模型的转弯速率作为网格值进行自适应的调整，以期能够符合目标当前时刻的运动状态。然后与交互式多模型算法相结合，对模Байду номын сангаас型进行滤波计算，以达到跟踪目标的目的。最后，通过仿真比较自适应网格交互式多模型算法与三种常规交互式多模型算法的跟踪效果，验证了算法的优越性，证明改进算法跟踪精度高、速度快，能够接近理想的模型设计。
ａｄａｐｔｉｖｅ
ｔｉｎｇｍｕｌｔｉｐｌｅｍｏｄｅｌａｌｇｏｉｒｔｈｍ（ＩＭＭ）ｔｏｃｏｎｄｕｃｔｉｆｌｔｅｒｃｌａｃｕｌａｔｉｏｎ．Ｔｈｕｓｗｅｃａｎｔｒａｃｋｔｈｅｔａｒｇｅｔｓ．Ｓｉｍｕｌａｔｉｏｎｏｆｔｈｅ

基于模糊推理的自适应交互多模型目标跟踪算法

较小的模型，选取整个模型集合中最能反映目标 “ 仅当前 ”机动的一个模型子集进行运算，而减少了模型数从
目；时采用模糊方法计算模型概率，而降低了算法的计算量；一步。过二级模糊推理，据模型参考加同从进通根
（ｃｏｌｆＥｌｃｒｎｃｎｎｏｍａｉｎ。ＪａｇｕＵｎｖｒｉｆＳｉｃｎｅｈｏｏｙ．ＪａｇｕＺｅｊｎ１０３ＳｈｏｅｔｏｉｓａｄＩｆｒｔｏｏｉｎｓｉｅｓｔｏｅｅａｄＴｃｎｌｇｙｃｎｉｎｓｈｎｉｇ２２０，Ｃｈｎ）ａｉａ
中图分类号：Ｐ８Ｔ３１Ｔ１：Ｐ９文献标志ｎｇｒｔｍｓｄｏｚｙＩｅｅｃａｔｖＭＴｒｃｉｇＡｌｏｉｈＢａｅｎＦｕｚｎｆｒｎｅ
ＺＨＵｉＺｈｙｕ
ａｌｅＯａｐｔｖｌｈｓｍａｍａａｕｖｒｎｇａｃｌｒｉｎ口ｐｐｉｄｔｄａｉｅｙｃｏｏｅｘｉｌｍｎｅｅｉｃｅｅａｔｏａｎ口一… ｄａｃｄｉｇＯｒｆｒｎｃｃｅｅａｉｎ，ｏｃｏｒｎｔｅｅｅｅａｃｌｒｔｏＵｆ
维普资讯
第２８卷
第１期
弹
箭
与
制
导
学
报
Ｖｏ＿８ＮＯ１ｌ２．
Ｆｅ０８ｂ２０
２００８年Ｏ２月
ＪｕｎｌｆＰｏｅｔｅ．Ｒｏｋｔ．ＭｉｓｌｓａｄＧｕｄｎｅｏｒａｒｊｃｉｓｏｌｃｅｓｓｉｎｉａｃｅ

自适应转移概率交互式多模型跟踪算法

自适应转移概率交互式多模型跟踪算法许登荣;程水英;包守亮【摘要】针对标准的交互式多模型算法(Interacting Multiple Model,IMM)存在模型集设计困难和采用固定转移概率矩阵导致模型切换缓慢、跟踪精度下降的不足,提出一种自适应转移概率IMM算法.首先,提出了一种新的模型集设计方法,将强跟踪修正输入估计(Strong Tracking Modified Input Estimation,STMIE)模型和匀速运动(Constant Ve-locity,Cv)模型作为IMM算法的模型集,利用STMIE算法对高机动目标的跟踪能力以及CV模型对非机动目标跟踪的高精度,实现对目标的全面自适应跟踪.其次,提出一种依据模型似然函数值对Markov转移概率进行实时修正的方法,增强匹配模型的作用,削弱不匹配模型的影响.仿真结果表明,依据模型似然函数修正转移概率的方法使IMM算法的模型切换速度和跟踪精度都得到提高,提出的IMM-STMIECV算法的跟踪精度高于IMM-CVCA、IMM-CVCACT以及IMM-CVCS算法.%There are two shortcomings in the standard interacting multiple model (IMM) algorithm:one is that designing models is difficult,the other is that the application of constant transition probability matrices makes the model switching speed slow and tracking accuracy decreased.To overcome these shortcomings,an IMM algorithm with adaptive transition probability is proposed.Firstly,a new model-set design method is proposed,and the strong tracking modified input estimation (STMIE) model and constant velocity (CV) model are adopted as the model sets of the IMM algorithm.By using the capability of STMIE model to track high maneuvering targets and the precision of CV model to track non-maneuvering targets,this algorithm can be comprehensively adaptive intarget tracking.Secondly,a new method is proposed to modify the Markov transition probability in real time based on the likelihood values of the models,which enhances the effect of the matching model,and weakens the influence of the mismatched model.Simulation results show that the new method improves model switching speed and tracking precision of IMM algorithm,and the tracking precision of IMM-STM1ECV algorithm is higher than that of IMM-CVCA,IMM-CVCACT and IMM-CVCS algorithms.【期刊名称】《电子学报》【年(卷),期】2017(045)009【总页数】8页(P2113-2120)【关键词】机动目标跟踪;交互式多模型算法;Markov转移概率;修正的输入估计法;强跟踪【作者】许登荣;程水英;包守亮【作者单位】国防科技大学电子对抗学院,安徽合肥230037;国防科技大学电子对抗学院,安徽合肥230037;国防科技大学电子对抗学院,安徽合肥230037【正文语种】中文【中图分类】TN95机动目标跟踪[1～5]是目标跟踪领域的重点和难点问题，相关学者对此问题展开了广泛的研究.最开始采用的是自适应单模型算法对机动目标进行跟踪，然后发展为带机动检测的单模型跟踪算法，紧接着的是多模型算法，并逐渐成为机动目标跟踪的主流方法.多模型算法总结起来可分为三代[6]：自主多模型(AutonomousMultiple Model,AMM)估计、协作式多模型(Cooperating MultipleModel,CMM)估计、变结构多模型(Variable-Structure Multiple Model,VSMM)估计.在所有的多模型算法中，IMM算法通过合理的假设管理，一般被认为是混合系统中有效的混合估计方式，并得到了广泛的应用[7～9].虽然IMM算法被成功地应用，但是IMM算法跟踪性能仍受两个方面的限制.第一，由于IMM采用固定模型集，而现有的目标跟踪算法大多是基于模型的，因而IMM算法跟踪性能的好坏很大程度取决于所选的模型集.模型集的选择存在这样一个困境，即为了提高滤波精度需要尽可能多的增加模型，但是太多的模型除了大大增加计算量之外，反而降低了估计器的性能.第二，IMM算法中的Markov转移概率矩阵决定着输入交互的作用程度，一般根据先验信息人为选取为固定的主对角占优矩阵[10]，不能依据后验信息对转移概率进行实时调整，不符合实际情况.当先验信息不确定时，采用固定Markov转移概率矩阵会造成跟踪精度的下降，因此，对Markov转移概率的实时估计一直是国内外研究的一个热点问题[10～13].本文针对IMM算法性能受限的两个方面而展开研究.首先，为了弥补IMM算法在模型集设计方面的不足，提出一种新颖的模型集设计方法.将STMIE算法与IMM算法相结合，把STMIE模型和CV模型作为IMM算法的模型集，利用STMIE算法对高机动目标的跟踪能力以及CV模型对非机动目标跟踪的高精度，实现对目标的全面自适应跟踪；同时针对STMIE算法采取扩维方法估计目标机动加速度导致与CV模型的状态向量维数不一致，采用无偏混合[14]方法.其次，针对采用IMM算法采取固定Markov转移概率矩阵会造成跟踪精度的下降的问题，提出一种简单有效的依据模型似然函数值在线修正转移概率的方法，并给出相应的递推公式.仿真结果校验了本文算法的优越性.2.1 修正的输入估计(Modified Input Estimation,MIE)算法在无先验信息条件下，假设机动目标离散的状态方程和量测方程可表示为：式中：Fk为状态转移矩阵；Gk为输入控制矩阵；Γk为过程噪声分布矩阵；Hk+1为量测矩阵；uk为目标未知的加速度；wk、vk分别为零均值的白色过程噪声和量测噪声序列，协方差矩阵分别为Qk和Rk，且任意时刻的wk与vk不相关.以二维情况为例，假设为k时刻目标的状态向量，zk=[xk yk]T为观测向量，则：其中T为采样间隔，由于Fk、Gk、Γk、Hk+1为时不变矩阵，为方便起见，省略时间下标，下文中简写为F、G、Γ、H.若将未知输入向量uk扩展为状态向量xk的一个新的分量，就可将式(1)的机动目标状态方程转化为非机动的目标状态方程，扩展的状态方程为[4]：量测方程为：zk+1=Hxk+1+vk+1=H(Fxk+Guk+Γwk)+vk+1=[HF HG][xkuk]T+HΓwk+vk+1定义HΓwk+vk+1.则可得扩维后的状态方程和量测方程：由式(6)、(7)即可利用卡尔曼滤波对目标的状态进行递推估计.2.2 强跟踪多重渐消因子在目标高机动或连续机动时，目标的加速度幅度变化大，容易造成滤波器发散.文献[5]结合强跟踪思想对MIE算法进行了改进.即引入强跟踪滤波器时变的多重渐消因子对滤波器的预测协方差矩阵进行调整，进而调节滤波器的增益矩阵.引入多重渐消因子的一步预测协方差矩阵的计算公式为：而可采用如下计算方法：式中：tr为求矩阵迹的算子；αi≥1(i=1,2,…,n)均为预先选定的常数，由先验信息确定；η为弱化因子，可以使状态估计值更加的平滑，通常根据经验选取；为矩阵Mk+1的对角线元素；Vk+1为实际输出残差序列的协方差矩阵，在实际中是未知的，可通过下式进行估算：式中为理论输出的残差序列，0<ρ≤1为遗忘因子，通常取ρ=0.95.2.3 强跟踪输入估计算法滤波步骤由上面的分析可以得到STMIE算法滤波流程如下[4,5]：步骤1 一步预测状态的一步预测：协方差的一步预测为：步骤2 一步更新状态的一步更新协方差的一步更新其中=HΓQk+1ΓTHT+Rk+2由式(19)可知，扩维后滤波器的增益由预测协方差矩阵和共同决定.通常当目标高机动时，滤波器的残差迅速增大，一步预测协方差可以通过多重渐消因子矩阵λk+1而及时调整，进而使滤波增益能得到合理地调整，显著增强了MIE算法对高机动目标的跟踪能力.3.1 IMM-STMIECV算法模型集的设计是多模型估计中最重要的问题之一，传统的IMM算法一般选用CV 模型和匀加速度(Constant Acceleration,CA)模型的组合作为模型集进行混合估计或者选用CV模型、CA模型以及转弯速率未知的协同转弯(Coordinate Turn,CT)模型[15]作为模型集进行混合估计，来实现对目标非机动时的精确跟踪以及目标加速或转弯机动时的跟踪.另外采用相关噪声模型(如当前统计(Current Statistical,CS)模型)和CV模型的组合也比较常见，但当目标高机动时或者连续机动时，往往会因为模型竞争或模型不匹配导致滤波估计精度不理想.STMIE算法在目标多种机动情况下相比其他通用型跟踪算法拥有更高的跟踪精度，但降低了对非机动目标的滤波精度，因而从理论上来说，选用STMIE模型和CV模型的组合的作为IMM算法的模型集就能实现对目标的全面自适应跟踪，并记采用这种模型集设计的IMM算法为IMM-STMIECV算法.但由于二维空间中CV模型的状态维数为4，而STMIE模型扩维后状态向量的维数为6，状态维数不一致，而IMM算法要实现状态和协方差的混合交互，所有状态向量必须转换成一致的状态变量[16].模型状态维数不同以及状态元素不一致时如何实现IMM算法的混合估计在文献[14,16,17]都有所提及，本文采用的是文献[14]提出的无偏混合方法，该算法在混合估计过程中不会带来偏差，且具有更好的一致性.3.2 IMM-STMIECV算法步骤IMM估计算法是递推进行的.每步递推包括4个步骤，即模型条件重初始化、模型条件滤波、模型概率更新、估计融合.现给出IMM-STMIECV算法由k-1时刻到k 时刻的递推步骤.步骤1 模型条件重初始化首先计算混合概率，然后采用2.1节介绍的无偏混合方法进行混合估计，即可得到重初始化的状态和协方差矩阵.步骤2 模型条件滤波由步骤1得到CV模型和STMIE模型估计的初始条件.然后每个模型按如下步骤进行递推其中式(22)～(27)中，上标j表示其中的第j个模型，下同，j∈{1,2,…,M}，M为模型总个数，此处M=2.步骤3 模型概率更新=Pr{rk=j|Zk}==式中步骤4 估计融合需要注意的是由于STMIE算法中因此估计的状态向量取决于zk+1，造成了一个采样间隔的延迟；而基于CV模型的滤波器k时刻的状态更新值取决于zk.即模型条件滤波中STMIE模型是利用k+1时刻的量测更新k时刻的状态和协方差，而CV模型是利用k时刻的量测进行状态和协方差更新.因此模型似然函数的计算分别利用了k时刻和k+1时刻的量测，因而实际上对式(28)的模型概率计算进行了近似处理.由于量测值为位置信息，在采样间隔不是太大且目标离传感器较远时，其相对大小改变较小，这种近似是合理的.上述IMM算法中假定系统模型切换过程是一个Markov过程，即模型跳变服从Markov链[7]，设Markov概率转移矩阵为则：式中：M为模型的总个数，rk=j表示k时刻系统匹配的模型为j模型表示模型i转移到模型j的概率，且对于任意i∈{1,2,…,M}有标准的IMM算法中Markov转移概率是预先给定的，但是由于目标的机动性和先验信息不确定，这种预先设定的Markov矩阵并不能很好的反应目标真实运动模式的切换，造成估计误差增大[11].因此在滤波过程中需要利用后验信息对IMM算法的转移概率进行自适应修正，使之符合实际情况.文献[10]和文献[13]分别提出利用模型概率变化的后验信息和利用误差压缩率[13]的后验信息对模型转移概率进行修正，而本文提出一种根据模型似然函数值对模型转移概率进行修正的方法.模型似然函数值中包含了当前的量测信息，其大小很好的反应了模型与目标真实运动模式匹配程度.假设k时刻子模型j的模型似然函数值为其值相对其他模型似然函数值越大说明子模型j与目标真实运动状态越匹配，则其他模型向这一匹配模型的转移概率就应越大，反之，其他模型转向这一模型概率就应越小，而本文就是基于这思想对转移概率进行自适应调整.其具体方法为：对Markov概率转移矩阵的元素利用如下方法进行修正，即：式中为调节因子，控制调节的快慢.考虑到k时刻某一模型转向其他模型的概率总和为1，因此需要利用这一性质对式(33)进行修正.即：从式(34)可以看到，若k时刻模型j的模型似然函数值比模型i的大，即子模型j比子模型i与目标真实状态更匹配，通过修正后由模型i转移到模型j的概率也随之增大，因而在下一时刻滤波前的模型交互中，模型似然函数值大的子模型在交互估计输出中所占的比重更大；相反，若k时刻模型j的模型似然函数值比模型i的小，通过修正后由模型i转移到模型j的概率也随之减小，模型似然函数值小的子模型在交互估计输出中所占的比重减小.通过这种利用量测信息实时自适应地修正模型转移概率的方法，增强了匹配模型的作用，压缩了非匹配模型的影响.但是式(34)的转移概率设计仍存在不足，可能导致矩阵主对角元素的某些值越来越大，而某些值会越来越小，即匹配模型转移到自身的概率会越来越大，而不匹配模型转移到自身的概率会越来越小.但当目标机动使得不匹配模型变成匹配模型时，会导致当前匹配模型转移到之前的匹配模型的概率仍很大，转移到自身的概率仍较小，造成模型切换比较缓慢.鉴于此，对式(34)做如下调整，在自适应调整转移概率的同时保持Markov矩阵的主对角占优.对Markov矩阵的主对角线元素设定一个阈值Th，若主对角线元素则对其所在行的元素作如下修改：若则其所在行的元素保持不变.显然，经过修正后仍满足且的要求.同时经过式(34)、(35)修正，模型切换过程中不仅能更多地利用匹配模型的信息，削弱非匹配模型的影响，而且能增强算法的稳定性，使跟踪精度和收敛速度都得到提高.图1为提出的自适应转移概率IMM-STMIECV算法流程图.从两个方面来验证本文提出算法的性能，首先验证本文提出的转移概率自适应算法的性能，然后验证本文提出模型集设计方法性能的好坏.5.1 转移概率自适应修正算法性能分析选择文献[6]中的机动场景3来测试本文提出的自适应转移概率算法的性能，并同时与标准的IMM算法、文献[10]提出的依据模型概率的变化修正转移概率以及文献[13]提出的根据误差压缩率修正转移概率的方法进行对比分析.目标从x0=[8000,600,8000,600](m,m/s,m,m/s)出发，并在开始的20s匀速运动.接下来，目标在21～110s内进行协同转弯运动，转弯速率为1/30(rad/s).在此之后，目标保持匀速直线运动50s直至运动结束.此处目标只有两种运动模式，即匀速运动和协同转弯运动.为了测试这4种算法的性能，同时考虑到需要比较模型切换速度以及模型概率估计，所有算法都采用匹配模型集，即所有IMM算法都采用CV模型和转弯角速度已知( ω= 1/30(rad/s))的CT模型作为IMM算法的模型集.CV、CT模型过程噪声协方差矩阵为QCV=ΓCVdiag(qcv1,qcv2)(ΓCV)T,QCT=ΓCTdiag(qct1,qct2)(ΓCT)T其中：qcv1=qcv2=qct1=qct2=0.01m2·s-4.本文算法的调节因子γ=1/2，Markov概率转移矩阵主对角线元素的阈值Th=0.7.4种算法的初始Markov概率转移矩阵及模型初始概率为：量测为线性量测，即zk=[xk yk]T，量测协方差矩阵为R=diag(1002, 1002)，采样间隔T=1s.采用两点初始化[18]的方法，Monte Carlo仿真实验100次.图2为4种方法的均方根误差(RMSE)曲线，图3给出了单次实验中各算法的模型概率变化曲线.仿真结果表明，3种时变转移概率算法的跟踪性相比标准的IMM算法都用不同程度的提升.但相对来说，本文方法拥有更好的跟踪性能，具体表现在：(1)拥有更高的跟踪精度，从图2可以看到，无论是位置均方根误差还是速度均方根，本文方法的稳态误差都是最小的，跟踪精度较标准的IMM算法有大幅度提升，且好于文献[10]和文献[13]方法.(2)模型切换更迅速，收敛速度更快，模型概率估计更加准确.本文方法完成模型切换所用的时间平均只有7s左右，标准的IMM算法和文献[10]方法需要15s左右的时间才能完成模型切换，而文献[13]方法需要30s左右的时间才能实现从一个模型到另一个模型的过渡.在模型概率估计方面，本文方法拥有绝对的优势，远好于其他三种方法，除最开始10s左右滤波器在调整导致模型概率估计不太准确外，其他时间模型概率变化与目标真实的模式的变化十分接近.说明算法增强了匹配模型的作用，削弱了非匹配模型的影响.本文方法的缺陷在于峰值误差(最大误差)较大，尤其是当目标转弯运动变为匀速运动时，误差增大明显.原因在于本文提出的自适应转移概率IMM算法极大的削弱了非匹配模型的作用，但当目标机动非匹配模型变成匹配模型时，模型切换有一定时间的滞后，导致模型切换过程中误差较大.5.2 本文算法模型集设计性能分析上述实验为已知目标真实运动模式的情况下采用匹配模型集验证本文提出的自适应转移概率方法对标准的IMM算法性能的提高.但是现实情况中，目标的机动类型，机动强度以及何时机动都是未知的，因而IMM算法存在模型集设计的难题.但目标可能的运动模式概括起来又是已知的，即主要有匀速运动，匀加速运动，以及转弯运动.因而传统的IMM算法采用CV、CA模型的组合或CV、CA、CT模型的组合实现对机动目标跟踪，利用相关噪声模型与CV模型的组合也比较常见.但是由于目标的机动程度未知，上述几种方法的性能通常不太理想，为此本文提出一种新颖的模型集设计方法，下面对本文提出模型集设计的性能进行验证.选取了包含三种运动模式的目标连续机动的运动场景，用本文提出的IMM-STMIECV算法、IMM-CVCA算法、IMM-CVCACT算法以及IMM-CVCS算法分别对目标进行跟踪，并以均方根误差为性能评价指标.需要指出的是，这里的CT模型是转弯角速度未知的转弯模型，其状态方程是非线性的，利用扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法进行滤波.假设目标初始状态x0=[10000,-160,2000,50](m,m/s,m,m/s)，在二维平面内运动120s.分别在0～20s、40～60s、110～120s进行匀速运动，20～40s和60～80s进行匀速转弯运动，80～110s进行匀加速运动，20～40s，60～80s时角速度分别为π/18 (rad/s)和-π/20 (rad/s)，80～110s时两个方向的加速度分别为5m/s2，5m/s2.图4为目标运动的真实航迹图.各算法的参数设置如下：CV模型的噪声协方差与4.1节相同，CA模型的过程噪声协方差为QCA=ΓCAdiag(qca1,qca2)(ΓCA)T，CT模型的过程噪声协方差为QCT=ΓCTdiag(qct1,qct2,qct3)(ΓCT)T，式中：qca1=qca2=10m2·s-4；qct1=qct2=0.01m2·s-4，qct3=0.001rad2·s-4；STMIE中wk的方差为预先选定的常数αi=1，弱化因子η=1.同时为了比较的公平性，4种IMM算法都采用本文提出的自适应转移概率方法.IMM-STMIECV、IMM-CVCA、IMM-CVCS的模型初始概率都为[0.5,0.5]T、IMM-CVCACT算法模型初始概率为[1/3,1/3,1/3]T.4中算法的初始Markov概率转移矩阵分别为：自适应转移概率算法的调节因子γ=1/3，Markov概率转移矩阵主对角线元素的阈值Th=0.7.量测为线性量测，即zk=[xk yk]T，量测协方差矩阵为R=diag(1002, 1002)，采样间隔T=1s.采用三点初始化[18]方法，Monte Carlo实验200次.图5分别显示的是这四种算法的位置和速度均方根误差曲线，同时对各算法观测时间内平均均方根误差，峰值误差(20s以后)等进行了统计，结果如表1所示.表1统计的结果表明，本文算法的平均位置均方根误差和位置峰值误差都最小，而平均速度均方根误差和速度峰值误差和IMM-CVCACT算法相当，但小于IMM-CVCA算法以及IMM-CVCS算法.从图5可以看到，无论目标在哪种运动模式，本文算法的位置均方根误差几乎都是这几种算法中最小的，而速度均方根误差只有在目标转弯机动时稍大于IMM-CVCACT算法，说明采用STMIE模型和CV模型的组合的IMM算法具有良好的适应性，能实现对目标的全面自适应跟踪，跟踪精度较传统的模型集设计方法得到了显著的提高.而在收敛速度方面，虽然当目标机动时，本文方法的跟踪误差也明显增大，但能迅速收敛，误差保持在一个较小的值，而其他方法收敛速度相对较慢，且目标机动时跟踪精度低.另外，采用STMIE模型和CV模型组合的设计，在量测误差相同但机动性更强的条件下，算法的峰值误差较4.1节得到了改善，原因在于STMIE也能实现对匀速目标的跟踪，而转弯角速度已知的CT模型不能实现对匀速目标的跟踪.综上，本文提出的自适应转移概率IMM-STMIECV算法由于采用新颖的模型集设计同时依据量测信息实时修正转移概率，算法能实现对目标全面的自适应跟踪，无论目标是否机动，相比其他三种算法跟踪精度更高，模型切换迅速，收敛速度快，同时只采用两个跟踪模型，算法复杂度相对较低.算法的跟踪性能较传统方法有较大的提高，是一种性能较为优越的机动目标跟踪算法.本文针对机动目标跟踪问题，在分析标准IMM算法存在的不足的基础上，提出一种自适应转移概率的交互式多模型算法.仿真结果表明采用STMIE模型和CV模型的组合，能提高IMM算法的适应性，无论目标是否机动以及机动程度如何，在无目标任何先验信息的条件下相对其他通用型跟踪算法拥有更高的跟踪精度.采用自适应转移概率算法，能根据量测信息实时对转移概率进行修正，增强匹配模型的作用，削弱非匹配模型的影响，使模型切换更迅速更合理，对模型概率的估计更加准确，收敛速度更快，算法的跟踪精度得到了显著的提高.【相关文献】[1]Xu L,Li X R,Duan Z.Hybrid grid multiple-model estimation with application to maneuvering target tracking[J].IEEE Transactions on Aerospace and Electronic Systems,2016,52(1):122-136.[2]Sithiravel R,Mcdonald M,Balaji B,et al.Multiple model spline probability hypothesis density filter[J].IEEE Transactions on Aerospace and Electronic Systems,2016,52(3):1210-1226.[3]Nemeth C,Fearnhead P,Mihaylova L.Sequential monte carlo methods for state and parameter estimation in abruptly changing environments[J].IEEE Transactions on Signal Processing,2014,62(5):1245-1255.[4]Khaloozadeh H,Karsaz A.Modified input estimation technique for tracking maneuvering targets[J].IET Radar Sonar Navigation,2009,3(1):30-41.[5]杨金龙,姬红兵,樊振华.强跟踪输入估计概率假设密度多机动目标跟踪算法[J].控制理论与应用,2011,28(8):1164-1170.Yang Jin-long,Ji Hong-bing,Fan Zhen-hua.Strong tracking modified input estimation probability hypothesis density for multiple maneuvering targets tracking [J].Journal of Control Theory and Applications,2011,28(8):1164-1170.(in Chinese)[6]Lan J,Li X R,Mu C.Best model augmentation for variable-structure multiple-model estimation[J].Aerospace and Electronic Systems,IEEE Transactions on,2011,47(3):2008-2025.[7]Li W,Jia Y.An information theoretic approach to interacting multiple model estimation[J].IEEE Transactions on Aerospace and Electronic Systems,2015,51(3):1811-1825.[8]刘先省,胡振涛,金勇,等.基于粒子优化的多模型粒子滤波算法[J].电子学报,2010,38(2):301-306. Liu Xian-xing,Hu Zhen-tao,Jin Yong,et al.A novel multiple model particle filter algorithm based on particle optimization[J].Acta Electronica Sinica,2010,38(2):301-306.(in Chinese) [9]万九卿,梁旭,马志峰.基于自适应观测模型交互多模型粒子滤波的红外机动目标跟踪[J].电子学报,2011,39(3):602-608.Wan Jiu-qing,Liang Xu,Ma Zhi-feng.Infrared maneuvering target tracking based on IMM-PF with adaptive observation model[J].Acta Electronica Sinica,2011,39(3):602-608.(in Chinese)[10]郭志,董春云,蔡远利,等.时变转移概率IMM-SRCKF机动目标跟踪算法[J].系统工程与电子技术,2015(1):24-30.Guo Zhi,Dong Chun-yun,Cai Yuan-li,et al.Time-varying transition probability based IMM-SRCKF algorithm for maneuvering target tracking[J].Journal of Systems Engineering and Electronics,2015(1):24-30.(in Chinese)[11]Wang G.ML Estimation of transition probabilities in jump markov systems via convex optimization[J].IEEE Transactions on Aerospace and Electronic Systems,2010,46(3):1492-1502.[12]Guo R,Shen M,Huang D,et al.Recursive estimation of transition probabilities for jump Markov linear systems under minimum Kullback-Leibler divergence criterion[J].Iet Control Theory & Applications,2015,9(17):2491-2499.[13]臧荣春,崔平远.马尔可夫参数自适应IFIMM算法研究[J].电子学报,2006,34(3):521-524. Zang Rong-chun,Cui Ping-yuan.Research on adaptive markov parameter IFIMM algorithm[J].Acta Electronica Sinica,2006,34(3):521-524.(in Chinese)[14]Yuan T,Bar-Shalom Y,Willett P,et al.A multiple IMM estimation approach with unbiased mixing for thrusting projectiles[J].IEEE Transactions on Aerospace Electronic Systems,2012,48(4):3250-3267.[15]Zhu L,Cheng X.High manoeuvre target tracking in coordinated turns[J].IET Radar Sonar Navigation,2015,9(8):1078-1087.[16]Blackman S S,Popoli R.Design and Analysis of Modern TrackingSystems[M].Boston:Artech House,1999.224-240.[17]Farrell W.Interacting multiple model filter for tactical ballistic missile tracking[J].IEEE Transactions on Aerospace and Electronic Systems,2008,44(2):418-426.[18]何友,修建娟,关欣,等.雷达数据处理及应用(第三版)[M].北京：电子工业出版社,2013.44-47.。

如何在强化学习算法中处理不确定性(七)

在强化学习算法中处理不确定性强化学习是一种通过试错学习的方法，通过与环境交互，智能体能够学习最佳的行为策略。

然而，在实际应用中，很多情况下环境的不确定性会对强化学习算法的效果产生影响。

因此，如何在强化学习算法中处理不确定性成为一个重要的问题。

一、探索与利用之间的平衡在强化学习算法中，探索和利用是一个经典的平衡问题。

当环境不确定性较高时，过度的利用会导致算法陷入局部最优解，而过多的探索又会导致算法的效率降低。

因此，对于不确定性较高的环境，需要在探索和利用之间进行平衡。

二、使用概率模型在处理不确定性时，使用概率模型是一个常见的方法。

通过建立概率模型，可以更好地对环境的不确定性进行建模和预测。

例如，可以使用贝叶斯方法来更新环境模型的概率分布，从而更好地适应不确定性环境的变化。

三、引入奖励函数的不确定性除了环境的不确定性外，奖励函数的不确定性也是一个重要的问题。

在处理不确定性时，可以引入奖励函数的不确定性，通过概率分布来表示奖励的不确定性，从而更好地引导智能体的学习过程。

四、集成学习方法在处理不确定性时，集成学习方法也是一个有效的手段。

通过结合多个模型的预测结果，可以降低不确定性带来的影响，提高算法的稳定性和鲁棒性。

例如，可以采用Bagging或Boosting等集成学习方法来处理不确定性问题。

五、自适应学习算法针对不确定性环境，可以设计自适应学习算法，根据环境的不确定性程度自动调整算法的探索和利用策略，从而更好地适应不同的环境情况。

例如，可以根据环境的不确定性程度来调整探索的概率，使得算法能够更好地适应环境的变化。

总结在强化学习算法中处理不确定性是一个复杂而重要的问题，需要综合考虑环境的不确定性、奖励函数的不确定性以及算法自身的不确定性。

通过平衡探索与利用、使用概率模型、引入奖励函数的不确定性、集成学习方法以及自适应学习算法等手段，可以更好地处理不确定性，提高算法的性能和鲁棒性。

随着深度学习和强化学习的发展，处理不确定性的方法也在不断丰富和完善，相信在不久的将来，会有更多更有效的方法出现，帮助我们更好地处理不确定性问题。

【国家自然科学基金】_交互式多模型_基金支持热词逐年推荐_【万方软件创新助手】_20140731

推荐指数 10 4 3 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2010年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49
2011年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
2011年科研热词机动目标跟踪交互式多模型粒子滤波目标跟踪多模型算法高脉冲重复频率马尔可夫参数量测不确定运动学分析跟踪算法距离模糊融合算法蒙特卡罗自适应交互式多模型脉冲间隔数统计距离累加弦长算法电子混合滤波有向图切换无迹卡尔曼滤波当前统计模型弹道识别平方根无迹卡尔曼滤波导航多模型交互多传感器融合多传感器组合导航多传感器信息融合声网络场面监视雷达噪声分布后验信息变结构多模型双波段农田地形信息学交互式多模型算法交互式多模型滤波器推荐指数 5 5 3 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2009年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37

自适应模型集交互式多模型算法

ＡｂｔａｔＩｉｗｆｔｅｔａｋｐｒｏｍａｃｆｔｅｉｔｒｃｉｇｍｕｔｌｏｅＩＭ）ａｇｒｔｍｎｓｒｃ：ｎｖｅｏｈｒｃｅｆｒｎｅｏｈｎｅａｔｎｌｐｅｍｄｌ（Ｍｉｌｏｉｈｉ
ｔｅｔｒｅｒｃｉｇ，ａｄｐｉｅＩＭｌｏｉｈｆｏｅｓｔｉｐｅｅｔｄｈａｇｔｔａｋｎｎａａｔＭｖａｇｒｔｍｏｄｌｅｓｒｓｎｅ．ＴｈｍｅｉｌａｉｎｏｈｍｐｉｔｆｅｃｏｔｍｏｅｒｂｂｌｙｉｈＭＭｌｏｉｍｓｕｉｚｄｔｅｉｎｔｅｓｒｔｈｎａｔｒｏｈｏｅｄｌｐｏａｉｔｎｔｅＩｉａｇｒｔｈｉｔｌｅｏｄｓｇｈｔｅｃｉｇｆｃｏｆｔｅｍｄｌｉ
ＭｕｔｐｌｏｅｇｒｔｓｄｏａｔｖｎｅａｔｏｆＭｏｅｅｌｉｅＭｄｌＡｌｏｉｈｍＢａｅｎＡｄｐｉｅＩｔｒｃｉｎｏｄｌＳｔ
ＬｉｉｎｈｕＪａｓｕ，ＬｉｎｏＲｅｈｕ，ＬｉｎｏｇｕＹｕｌｎ
ｓｔｅ．Ｔｈｓｈｄｌｓｔｃｎｂｄｕｔｄａａｔｅｙｂｏｖｒｉｇｉｔｈｅｔｒｍｏｅ，ｉｕ，ｔｅｍｏｅｅａｅａｊｓｅｄｐｉｌｙｃｎｅｇｎｔｏｔｅｃｎｅｄｌｎｖ
ｗｈｃｈｅｌｔｅｏｓｒａｉｎｒｔｉｅｆｉｉｎｌ．Ｓｍｕａｉｎｒｓｌｓｓｏｔａｈａｅ — ｉｈｔｅｒａ — ｉｂｅｖｔｓａｅｕｉｚｄｅｆｃｅｔｙｍｏｌｉｌｔｅｕｔｈｗｈｔｔｅｍｎｕｏｖｒｎａｇｔｓｅｆｃｉｅｙｔａｋｄｂｓｎｈｒｐｓｄａｇｒｔｍｎｈｒｃｃｕａｙｉｉｈｅｉｇｔｒｅｆｅｔｖｌｒｃｅｙｕｉｇｔｅｐｏｏｅｌｏｉｉｈａｄｔｅｔａｋａｃｒｃｈｇ — ｓｅｏｐｒｄｔｏｖｎｉｎｌＭＭｌｏｉｍ．Ｔｈｉｉａｉｎｏｈｌｏｉｍｈｔｔｅｐｉｒｉ — ｒｃｍａｅｏｃｎｅｔａｏＩａｇｒｔｈｅｌｔｔｆｔｅａｇｒｔｍｏｈｉｔａｈｒｏｓｎｆｒｔｏｂｕｈａｇｔｍａｅｖｒｎｏｅｍｕｔｂｎｗｎｏｍａｉｎａｏｔｔｅｔｒｅｎｕｅｉｇｍｄｌｓｅｋｏ．Ｋｅｗｏｄ：ｉｔｒｃｉｇｍｕｔｌｄｌｄｐｉｅｍｏｅｅ；ｔｒｅｒｃｉｇｙｒｓｎｅａｔｌｉｅｍｏｅ；ａａｔｄｌｔａｇｔｔａｋｎｎｐｖｓ

基于机动检测的自适应IMM目标跟踪算法

会造成滤波器发散. 根据目标 Байду номын сангаас 同的运动状态,常用的运动模型有
匀速运动模型、匀加速运动模型、Singer模型和当前统计模型等.对于出现转弯、急停等高机动性能的目标,匀速和匀加速运动模型无法适用于其运动状态 .Singer模型和当前统计模型均为机动目标自适应的跟踪算法,Singer模型把机动控制项作为相关
２０１９年４月第４２卷第２期
舰船电子对抗
SHIPBOARD ELECTRONIC COUNTERMEASURE
Apr．２０１９
Vol．４２ No．２
基于机动检测的自适应IMM 目标跟踪算法
邓丽颖 ,陈磊
(中国电子科技集团有限公司第三十八研究所,安徽合肥２３００８８)
摘要:针对机动目标跟踪中,单一模型无法描述目标复杂时变的运动过程,提出了一种基于机动检测的自适应交互
式多模型(IMM)算法.通过匀速运动模型和基于机动检测的自适应参数 Singer模型的组合,不仅能够根据目标的机动状态,实时地调整模型概率,选择与目标运动相匹配的模型,还能够根据目标机动强弱来调整 Singer模型的参数.仿真结果表明,相比于单个自适应参数 Singer模型跟踪算法和固定参数的交互式多模型算法,基于机动检测的自适应交互式多模型算法有效地提高了机动目标的跟踪精度 ,实现了机动目标的稳定跟踪 .

一种基于IMM的自适应跟踪数据率算法

【要】针对交互式多模型（ＭＭ）提出一种自适应跟踪数据率的算法。该算法利用Ｉ摘Ｉ，ＭＭ
模型更新概率对各模型产生的采样间隔时间进行混合估计，生系统的自适应采样间隔时间。在产
保证跟踪精度的基础上，有效地降低了跟踪采样次数。仿真结果表明了方法的有效性。
ｒｃａｙ。ｔｅｔａｋｎａｐｉｇｔｍｅｒｅｒａｅｆｅｔｅｙＴｈｉｕａｉｎｒｓｌｓｏｈｆｅｔｖｎｓｈｒｃｉｇｓｍｌｉｓａｅｄｃｅｓｄｅｆｃｉｌ．ｎｖｅｓｍｌｔｏｅｕｔｈｗｓｔｅｅｆｃｉｅｅｓ
ｐｅ．ＴｈａｐｌｎｎｔｒａｉｅｏｆｅｃｏｌｃｕｓｄｂｙＩＭｎｎａｔｖｏａｂｌｔｓｈｙｂｉｓｉａｅｏｓｄｅｓｍｉｇｉｅｖｌｔｍａｈｍｄｅａｅＭｉｏｖｉｅｐｒｂｉｉｙｉｒｄｅｔｍｔｄ
ｍａｎ和Ｄｍｐｔｒｅｓｅ［在研究了交互式多模型（ＭＭ）Ｉ的位置预测误差协方差后，过和预定门限的不断比较，通
给出了预测误差协方差门限法。这些研究都极大地推进了相控阵雷达自适应跟踪数据率算法的发展。对于ＩＭＭ中的各模型来说，如何协调好各模型间的自适应跟踪数据率是个问题。本文采用ＩＭＭ算法的思想，对各模型按适合自身特点的算法独立计算出各自的采样间隔时间，用Ｉ利ＭＭ模型更新概率对各模

基于宏观概率模型的群机器人系统自适应建模研究

ｄｆｒｎｅｏｏｏｓｒａｅｒｓｉｇｔｈｅｈｌｎｕｌｅｔｇｔｈｅｈｌｒｎｒｄｃｄＴｅｓａｅｏｏｉｅｅｃｆｒｂｔ，ｐｖｔｅｔｉｔｒｓｏｄａｄｐｂｉｒｓｉｉｔｒｓｏｄａｅｉｔｕｅ．ｈｔｔｆｒ — ｆｉｎｍｅｃｎｍｅｏ
的概率模型中。
和分别为第ｉ个机器人的搜索时ｎｌ等人提出来研究协作聚ａｔｏｉｉ类问题。微观概率模型的中心思想是将机器人之间以及
机器人与环境之间的交互作用描述为一系列随机事件。每
息进行动态调节。设ｉ１２，（， …Ｎ）表示每个机器人的标号，
除此之外，作为微观和宏观建模法的特殊情形，群机在器人系统分析中引入微观概率模型和宏观概率模型。通过给机器人行为（微观模型）系统状态（观模型）间的变或宏之迁概率赋值，以方便地将系统行为和环境噪声集成到系统可
２ＨｅａｎｖｒｉｆｂｎＣｎｔｃｉｎ，Ｐｎｄｎｓａｎｎ４７３．ｎｎＵｉｅｓｙｏａｏｓｒｔｔＵｒｕｏｉｇｉｇｈｎＨｅａ６０６，Ｃｉａｈｎ；
３ｒｔｏｏｃａｏｔｙＵｉｅｉｆｈｓｏｎｌｄｒｔｌＵ）．ＢｓｌｂｔｓＬｂｒｏ，ｎｖｒｔｏｅＷｅｔｆｇｎ，Ｂｓ，ＫｉｏＲｉａｒｓｙｔＥａｉｏ
器人的建模方法主要可分为四大类” １基于传感器一行：）执器的建模法。机器人的传感器和执行及环境物体是群机器人系统的主要组成部分，因此该方法的中心思想是引入传感器、执行器和环境物体的模型后，对机器人间的交互及机再器人与环境的交互行为进行建模。２微观建模法。微观建）模法是用数学方法对个体机器人及其交互建模。将机器人的行为定义为若干个状态及状态问的变迁组合，这些状态由机器人的内部事件和环境中的外部事件触发。通常用于个

模型转移概率自适应的交互式多模型UKF算法

（ａｊｇＲｓａｃｓｔｔＯｌｔｎｃｃｎｌｇ，ｎｉｇ１０３ＣｉａＮｎｉｅｅｒｈＩｔｕｅｆｅｒｉｓｅｈｏｏｙＮａｊ０１ｈ）ｎｎｉＥｃｏＴｎ２ｎ
Ａｂｓｒｃ：ｉａｅｒｓｎｓａｌｉｔｒｃｉｇｍｕｔｌｏｅｔａｔＴｈｓｐｐｒｐｅｅｔｌｎｅａｔｎｌｉｅｍｄｌＵＫＦｌｏｉｍｔｄｐｉｅｍａｋｖｔａｓｔｎｐｏａｉｔｅ，ｐａｇｒｔｈｗｉｈａａｔｖｒｏｒｎｉｏｒｂｂｌｉｓｗｈｃｉｉｉｈ
１引言
机动目标跟踪是当前跟踪技术研究的热点问题，有研究人员从构造目标模型、机动检测等角度，出许多提
好的方法来解决此问题。交互多模型方法（ＭＭ）【综合Ｉ】了这些方法的优点，目前机动目标跟踪算法中广泛应是用的方法之－［，，，－刚。该方法主要思想是设计一系列的
和应用的深入，缺点也日益明显，ａｏｉ精度不高，至发散等不足。针对这甚
些不足，有研究人员提出了粒子滤波（Ｆ［等算法，Ｐ）６１但此类方法计算量过大，致其很难在工程中应用，Ｊｌｅ导而ｕｉｒ和Ｕｈｍａｎ提出的ＵＫＦ算法【６改变了这种现状。该ｌｎ１】．，方法具有运算量小，算稳定，度高，不需要计算计精和Ｊｃｂ矩阵等优点，Ｅａｏｉ是ＫＦ好的替代。在交互多模型（ＭＭ）法中，型转移概率完全是Ｉ算模

自适应交互多模型跟踪算法的模型集设计

ＡＩＭＭ遇到了新问题，包括如何选择自适应模型集的结构，何从基于旧模型集的滤波嚣中继承如各种数据。文分析了这些问题，本并给出了ＡＩＭＭ中模型集和模型特移概率的设计方法。真结果仿
表明，改进的ＡＩＭＭ算法比普通的ＡＩＭＭ算法的跟踪性能有明显的提高。
ＡｂｔａｔＡｄｐｉｅＩｔｒｃｉｇＭｕｔｌｏｅＡＩＭ）ｅｔｍａｉｎｉａｍｅｈｄｆｒｉｐｏｉｇｓｒｃ：ａｔｖｎｅａｔｎｌｉｅＭｄｌ（ＭｐｓｉｔｓｔｏｏｍｒｖｎｏｔｅＩｔｒｃｉｇＭｕｔｐｅＭｏｅＩＭ）ｅｔｔｎｈｎｅａｔｌｉｌｄｌ（Ｍｎｓｉｍａｉ．ＢｔｏｅｎｗｒｂｅｐｅｒｉｈＩＭ，ｏｕｍｅｐｏｌｍｓａｐａｔｅＡＭｓｎ
关键词：目标跟踪；自适应；交互多７．２３２
Ｍｏｅｅｅｉｎｏｈｅａａｔｖｎｔｒｃｉｄｌｓｔｄｓｇｆｔｄｐｉｅｉｅａｔｎｇｍｕｔｐｅｍｏｅｒｃｎｌｏｉｈｍｌｉｌｄｌｔａｋｉｇａｇｒｔ
ｓｃｓｈｗｏｓｌｃｈｔｕｔｒｆｔｅａａｔｅｍｏｅｅ，ｈｗｏｉｈｒｔｔｅｄｆｅｅｔｄｔｕｈａｏｔｅｅｔｔｅｓｒｃｕｅｏｈｄｐｉｄｌｓｔｖｏｔｎｅｉｈｉｒｎａａｆｆｏｔｅｆｌｅｓｂｓｄｏｈｌｄｌｅ．Ｉｈｓｐｐｒｏｅｉｓｒｃｉｅｃｎｌｓｏｓａｄ［ｒｒｍｈｉｒａｅｎｔｅｏｄｍｏｅｔｎｔｉａｅｍｎｔｕｔｖｏｃｕｉｎｎｏｍｕｔｓｓ — ｌｓｏｈｅｉｎｏｈｄｌｅｎｈｄｌｔａｓｔｎｐｏａｉｔｒｒｓｎｅｏｓｌｅｔｅｅａｆｔｅｄｓｇｆｔｅｍｏｅｔｄｔｅｍｏｅｒｎｉｏｒｂｂｌｙａｅｐｅｅｔｄｔｏｖｈｓｓａｉｉｐｏｌｍｓＳｍｕａｉｎｒｓｌｈｗｈｔｔｅｔａｋｎｅｆｒｎｅｉｍｐｏｅｅｏｓｄｒｎｒｂｅ．ｉｌｔｅｕｔｓｏｔａｈｒｃｉｇｐｒｏｍａｃｓｉｒｖｄｗｈｎｃｎｉｅｉｇｏｓｔｅｅｆｃｏｓｈｓａｔｒ．Ｋｅｏｄ｛ｔｒｅｒｃｉｇ；ａａｔｅ；ＩｔｒｃｉｇＭｕｔｌｏｅＩＭ）ａｇｒｔｍｙＷｒｓａｇｔｔａｋｎｄｐｉｖｎｅａｔｎｌｉｅＭｄｌ（Ｍｐｌｏｉｈ

两阶段卡尔曼滤波自适应交互式多模型算法

０引言
动目标而言，有可能采取各种不同的机动，因而不可能采用较少的子滤波器来准确描述目标的机动。为
需但机动目标跟踪理论是一个比较前沿的理论，在此，要用到大量具有不同参数的子滤波器，是研究表明使用过多的子滤波器并不一定能解决问题，军事领域和民用领域都有着广泛的应用。民用方面如：上导航、中交通管制等；海空军事应用如：弹防导御、战场监视、确制导等。其中，动目标跟踪在精机
．
ａａｉｅｉｔｒｃｉｅｍｕｌｉｅｍｏｅａｇｉｈｄｐｔｖｎｅａｔｖｔｐｌｄｌｌｏｒｔｍｗｉｈｃｍｂｉｇｔｅｔｏｓａｅｔｏｎｈｗ — ｔｇＫａｍａｉｅｎｈｅｌｎｆｌｒａｄｔｔ
（．军工程大学导弹学院，１空陕西三原７３０；．３１队，京１８０２９６７部北１１０）０４０
摘要：对于机动目标跟踪问题，由于目标机动能力的增强，需建立大量模型来逼近真实模式，使建立的目标
模型与目标的实际运动适配，但这使计算量增大，而且性能不一定能提高。针对这个问题，两阶段卡尔曼滤将波器与一般的交互式多模型算法相结合，计了一种自适应交互式多模型算法。该算法采用两阶段卡尔曼估设计器估计目标的加速度，然后将其反馈到由多个不同参数构成子滤波器的交互式多模型滤波算法中进行交互式多模型滤波。与自适应半交互式多模型算法进行对比的仿真验证了该算法有效地减少了子滤波器的数量，

基于交互式机器学习技术的自适应系统研究

基于交互式机器学习技术的自适应系统研究近年来，随着人工智能技术的快速发展，交互式机器学习技术也越来越受到关注。

交互式机器学习技术可以让人与机器进行更加灵活和高效的交互，使机器学习模型得以逐步提升，进而为人类提供更为智能化和个性化的服务。

基于交互式机器学习技术的自适应系统研究也逐渐成为近年来人工智能领域的研究热点之一。

所谓“自适应系统”，泛指一类可以根据环境和用户的变化，自主调整或改进自身性能的计算机系统。

这种系统的主要特点是：自适应、自主和优化。

在计算机科学、人工智能等领域中，自适应系统的研究早已开始，如神经网络和模糊控制等技术都具有一定的自适应性。

在交互式机器学习技术的基础上，自适应系统的研究更是有了长足的发展。

交互式机器学习技术的核心是人机交互，它可以让人类与机器之间进行更加灵活的交互，从而实现对机器学习模型的优化和改进。

具体而言，交互式机器学习技术主要包括以下三个方面：一、基于主动学习的交互式机器学习技术主动学习是指系统在尽可能少的人工干预下，通过优化学习器的样本选择，提高学习器的性能。

在主动学习中，学习器可以主动选择需要训练的样本，提高学习的效率和准确率。

基于主动学习的交互式机器学习技术，可以让人类在指导的同时，让机器在多个选项中做出较优的选择。

通过主动学习，机器可以在数据有限的情况下，尽可能准确地分析用户的需求和意图，进而根据用户的反馈不断优化模型，提高服务质量。

二、基于对话系统的交互式机器学习技术对话系统是近年来人工智能领域的一项研究热点。

基于对话系统的交互式机器学习技术，可以让机器与人类进行更为自然、流畅和高质量的交互，实现更个性化和智能化的服务。

通过人机对话，机器可以更好地理解用户的语句、意图和情感，并根据用户的反馈实现模型的自我学习和优化。

三、基于增强学习的交互式机器学习技术增强学习是一种用于训练智能体的无监督学习方法，被广泛应用于机器人、自然语言处理和游戏行业等领域。

基于增强学习的交互式机器学习技术，可以让机器在与用户交互的过程中，实现对模型性能的持续改进和优化。

量测不确定下多传感器交互式多模型自适应滤波算法

２Ｉｓｔｔｆｏｔｏ＆Ｉｆｒｔｎ，ｏｔｗｓｒｏｔｈｉｌｉｅｓｙＸ ’ ｎ７０７，ｈｎ）．ｎｔｕｅｏｎｒｌｉＣｎｏｍａｉＮｒｈｅｔｎＰｌｅｎｃｖｒｉ，ｉａ１０２ＣｉａｏｅｙｃａＵｎｔ
ｉｅｅｅｃ．ｈｔｉｉｄｓｎｅａｏｇｔａｕｅｅｔｉｃｎｔｃｒｄｔｊｄｅｗｅｅｔｅｉｆｅｃｆｎｒｒｎｅＦｅｓｔｔｉａｃｍｎｈｍｅｓｒｍｎｓｓｏｓｕｔｅｏｕｇｈｔｒｈｎｕｎｅｏｔｆａｓｃｔｅｒｕｈｌ
传感器交互式多模型自适应滤波算法。采用交互式多模型机制实现目标运动模式的确认；通过计算每个传感器的量测似然度完成对于不含扰动传感器量测数据的选取；利用传感器量测数据问统计距离的构建实现对于量测系统中剩余传感器量测数据是否包含扰动影响的判定，并在此基础上实现传感器量测数据的合理选取和融合。新算法量测不确定下扰动对于滤波精度的不利影响。理论分析和仿真实验验证了算
构建原理和过程。首先，依据模型的滤波中ｋ时刻量测预测值计算传感器ｌ量测的量测似然度面，，利用量测似并
然度最大化原则，完成当前时刻不含扰动量测传感器的判
别
Ｏ～）
ｌ
＿
ｊｌｋ，，
ｋ
Ｈｋｋ１］Ｘｉ／ｋＴ
处理的方式，即利用量测数据分布特性辨识和剔除含扰动

基于期望模型的自适应IMM算法

第３２卷
第ｌ０期
现代雷达
ＭｏｅｎＲａａｄｒｄｒ
Ｖｏ．２Ｎｏ０１３．１０ｃ．２０１ｔ０
２１００年１０月
－
信号／据处理・数
中分号：９文标志Ａ图类Ｔ５Ｎ３献码：
文编１４７９０｝ —０ —５章号：０—８（１１０５００５２００６
关键词：达数据处理；动目标跟踪；雷机自适应交互式多模型算法
ＡｄｐｔｖＭＭｇｒｔｍｓｄｏｐｃｅｍｏｌａｉｅＩＡｌｏｉｈＢａｅｎＥｘｅｔｄ・ｄｅ
ＨＵＡ，ＥＧＸｎｘ，Ｉｎ —ａ，ＩｉｅｇｏＦＮｉ—ｉＬｇｙｎＱ — ｎＨｏＬｆ
个状态变量来进行估计，后利用不敏卡尔曼滤波然
模型很难准确描述目标的实际运动状态。交互式多
ｔａｈｅａｇｒｈｗｓｏｏｓｄｒｂｅｅｇｎｅｎａｕｓｉｗｓｓｐｒｏｏｔｅｓａｄｒＭＭｎｒｇｒｓｏｄｐｉｎａｄｈｔｔｅｎｗｌｏｔｍａｆｃｎｉｅａｌｎｉｅｒｇｖ］ｅａｔａｕｅｒｔｈｔｎａｄＩｉｉｉｉｅａｄｆａａｔｎｏ
ｐｏａｉｔｓａｄｌｅｉｏｄｆｎｔｎｆｍｏｅｓｏｔｉｅｎｔｅｆｔｒｇｈｄｌｓｔｏｌｖｌｅｔｅｍｏｅｓｉｄａｃｒｉｇｔｒｂｂｌｉｎｉｌｏｕｃｉｓｏｄｌｂａｎｄｉｈｌｉ，ｔｅｍｏｅｅｕｄｅｏｖｏｂｒｕｔｃｏｄｎｏｉｅｋｈｏｉｅｎｃｅ

自适应交互多模型火控跟踪算法

正确时间。１８９４年～１８９９年，ｌｍ．Ａ．ＢｏＨ．Ｐ和Ｙ．
模型很难准确描述目标的运动状态，因此人们很自
然就想到了用多个模型来描述机动目标的运动状
态，匀速、加速、ｉｇｒ以及当前统计等多种模如匀Ｓｎｅ
维普资讯
Ｖｏ．２Ｎｏ１３。．１
火力与指挥控制
ＦｉｅＣｏｎｒｌａｄＣｏｒｔｏｎｍｍａｄＣｏｔｏｎｎｒｌ
第３２卷
第１期
Ｊｎａｙ２０ａｕｒ，０７
２００７年１月
型。
ＢｒＳａｏ在广义伪贝叶斯算法基础上，出的具ａ—ｈｌｍ提
Байду номын сангаас
引言
近年来，人们已经研究过多种机动目标的跟踪技术。由于机动目标的运动特征，用单一、使固定的
多模型估计算法没考虑模型间的切换，过多个模通
型的滤波进行机动辨识，确定多个模型输出的加权系数，于每个模型的滤波器在输入时彼此之间没基有交互。辨识机动模型所带来的延迟会产生很大的跟踪误差。外，很难确定目标回到非机动模型的另也
统计模型和匀速直线模型。该算法采用后验估计的方法在线辩识及自适应调整上述两个模型的噪声方差，且采用加权系数并

基于模型误差的交互式多模型算法

维普资讯
计算机科学２０Ｖ１３Ｎ．０８ｏ．５ｏ５
基于模型误差的交互式多模型算法
曲彦文张二华杨静宇
（南京理工大学计算机科学与技术学院南京２０９）１０４
摘要本文考虑了模型与真实模式之间可能存在的差异，分析了由此引发的问题。提出一种基于模型误差的交互式多模型算法，中模型集合使用最小距离设计方法设计。Ｍｏｔ－ａｌ其ｎｅＣｒｏ仿真实验表明，方法比Ｉ能更好地新ＭＭ避免性能恶化，并且当真实模式保持不变时，从全局角度考虑新算法比ＩＭＭ优越。
遵守这种行为。
一
下标惫表示第ｋ次采样；，模式（ｄ）ｍｏｅ表示真实环境系统参数的准确值，记作ｓ模式空间（ｏｅｓａｅ表示所有模式的集；ｍｄｐｃ）合，记作Ｓ通常情况下Ｓ既可以是离散的也可以是连续的空，间，本文讨论的Ｓ为连续空间；型（ｄ１表示Ｉ子估计模ｍｏｅ）ＭＭ
一
从文献［］５中的结论看出，在使用ＩＭＭ时，ｓ中的每对个模式ｓ总有模型集合中一个模型之对应。同样，，对与每个模型 “ ∈Ｍ，存在着模式空间Ｓ上的一个子集ｏ“。
量的集合记作一｛ｌ，蕊｝高斯概率密度函数记作ＮＺ， …，；（ｔ；，ｅａＰ）其中和Ｐ分别表示随机变量ｅ的均值和方差；真实模式（ｒｅｍｏｅ表示真正起作用的模式，ｔｄ）ｕ从第ｋ次采样到第ｋ＋１次采样期间起作用真实模式记作，ＭＭ认为其是一个马Ｉ尔可夫过程，其概率转移矩阵丌如下：

基于后验信息修正的自适应交互多模型跟踪算法

模型滤波精度较高，具有一定的理论价值和实用价值。关键词：交互式多模型，马尔可夫参数，后验信息，目标跟踪
文献标识码：Ａ文章编号：０－５（０１０－２－１０２８２１）６８９５０７００
（ｎ＋１＝（，，（）＋Ｇ（，危））ｎｍ（）ｎｎｍ（，
Ｐ（。）然后重新按照传统ＩＭ算法输入交互、Ｍ模型滤波、型概率更新、出交互的四个步骤进行计模输
Ｐｎｎ：，（日Ｐｎｎ１，）（一ｎ）（ｌ—）（ｌ）『
多模型跟踪算法，该方法在滤波的过程中，根据不匹配模型误差压缩率的变化自适应调整先验的马尔可夫转移概率矩阵的参数，切换过程中较多地压缩不匹配模型的信息，放大匹配模型的信息，大大提高了系统的收敛速度。通过对仿真结果分析表明，论文提出的算法具有可靠、计算简便、快速等特点，
阵，目标跟踪过程中能够自适应修正模型参数，在改善了传统多模型算法的动态性能。
Ｐ０＞且∑Ｐ（）＝，＝，ｎ（）ｎ１１…，５ｉ
１算法描述
１１传统Ｉ．ＭＭ算法
２）滤波
Ｊ１
弓ｎ１＝∑ｐｕｎ１（）／（）（一）一）＝ｎ弓ｃ６ｉ
（）１
Ｙｎ（）：日（，ｎ）（）＋ｌｎ，（）ｎｍ（）ｎ，，ｎ）（ｎ
（）２
ＩＭＭ的工作步骤如下１）输入交互
：
工作，系统的参数估计则是各模型滤波器所做估计
的数据融合，具有很强的实用性。由于先验信息不确定，一些Ｍｒｖ程参数，：ａｏ状态转移ａｏ过ｋ如Ｍｒｖｋ概率不确定，当目标实际运动状态变化较大甚至发

一种基于序贯滤波交互式多模型的自适应采样方法[发明专利]

专利名称：一种基于序贯滤波交互式多模型的自适应采样方法专利类型：发明专利
发明人：程婷,彭瀚,苏洋,魏雪娇,陆晓莹
申请号：CN201810954716.3
申请日：20180821
公开号：CN109239704A
公开日：
20190118
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于序贯滤波交互式多模型的自适应采样方法，涉及相控阵雷达的时间资源管理领域，主要针对具有多普勒量测的相控阵雷达机动目标跟踪时采样周期的自适应问题。

该方法将预测协方差门限法嵌入到序贯滤波交互式多模型方法中，模型的更新概率由各模型的预测概率采用基于位置量测的滤波器组和基于伪量测的滤波器组输出的预测模型概率的均值获得。

该方法以交互式多模型算法为基本框架，各模型滤波器采用序贯相接的结构完成对位置量测与多普勒量测的处理。

申请人：电子科技大学
地址：611731 四川省成都市高新区(西区)西源大道2006号
国籍：CN
代理机构：电子科技大学专利中心
代理人：陈一鑫
更多信息请下载全文后查看。