×
侯博文;王炯琦;何、张明;秦永瑞;周海音;王大一;李、董

基于加权Kullback-Leibler散度的不确定目标跟踪系统的新型交互多模型滤波器。 （英语） Zbl 1454.93281号

J.富兰克林研究所。 357，17号，13041-13084（2020）.
摘要：交互式多模型（IMM）滤波器是一种在混合环境下跟踪目标的经典方法。然而，当模型相关或系统存在不确定性时，它可能会表现出发散性。基于加权Kullback-Leibler（K-L）散度的广义协方差求交方法可以解决相关估计的散度问题。基于与加权K-L散度相互作用的模型，提出了一种新的交互多模型（NIMM）滤波器，该滤波器结合了自适应衰落卡尔曼滤波器和最大相关熵卡尔曼滤波器两种不同的算法，以解决系统的不确定性问题。设计了NIMM滤波算法，并对其稳定性和准确性进行了分析。仿真结果表明，对于经典算例和弹道跟踪场景，该滤波器可以有效提高不同不确定性条件下的精度。

MSC公司：

93E11号机组 随机控制理论中的滤波
93立方厘米 信息不完整的控制/观测系统

关键词：

交互多模型过滤器;不确定目标跟踪系统;自适应衰落卡尔曼滤波器;最大相关熵卡尔曼滤波器
PDF格式BibTeX公司 XML格式引用
\textit{B.Hou}等人，J.Franklin Inst.357，No.17，13041--13084（2020；Zbl 1454.93281）
全文： 内政部

参考文献：

[1] 黄，I。；Seah，C.E。；Lee，S.，《交互多模型算法的稳定性研究》，IEEE Trans。自动。控制，62，2，901-906（2017）·Zbl 1364.93848号
[2] 瞿洪秋。；Pang，L.P。；Li，S.H.，一种新的交互多模型算法，信号处理。，89, 11, 2171-2177 (2009) ·Zbl 1169.94325号
[3] 邓，Z。；齐，W。；郭，Y。；Zhang，L.，多传感器协方差交集融合器和；三个加权定影器，Inf.Fusion，4，2，177-185（2013）
[4] 塞达内，M。；Lavergne，C.，用于开关动态因素分析的广义伪贝叶斯em算法，国际计算杂志。科学。Netw公司。安全。，5，A，30-37（2007）
[5] 赵，F。；Ge，S.S。；He，W.，SINS/CNS组合导航系统基于多模型的无迹粒子滤波算法，2017年美国控制会议论文集（2017）
[6] 洪，L。；Cui，N.Z.，一种用于目标跟踪的交互式多模式概率数据关联（IMP-PDA）算法，IEEE Trans。自动。控制，46，8，1223-1236（2001）·Zbl 1003.93049号
[7] 布洛姆，H.A.P。；Bar-Shalom，Y.，具有马尔科夫切换系数系统的交互式多模型算法，IEEE Trans。自动。控制，33，8，780-783（1988）·Zbl 0649.93065号
[8] 李，X.R。；Jilkov，V.P.，机动目标跟踪综述。第五部分多模型方法，IEEE Trans。Aerosp.航空公司。电子。系统。，41, 4, 1255-1321 (2005)
[9] Bar-Shalom，Y。；Li，X.R。；Kirubarajan，T.，估计及其在跟踪和导航中的应用（2001），威利：威利纽约
[10] 邵，C。；Ye，Z.多测速雷达轨迹跟踪数据处理方法及应用，J.Astronaut。，22, 6, 10-14 (2001)
[11] Wang，F。；庞，C。；Wu，H。；李毅。；Wang，X.，为同时极化雷达设计具有高多普勒容差的恒模完全互补序列，IEEE信号处理。信件，26,121837-1841（2019）
[12] Li，X.R。；Jilkov，V.P.，机动目标跟踪综述。第一部分：动态模型，IEEE Trans。Aerosp.航空公司。电子。系统。，39, 4, 1333-1364 (2004)
[13] Mehrotra，K。；Mahapatra，P.R.，跟踪高度机动目标的急速模型，IEEE Trans。Aerosp.航空公司。电子。系统。，33, 4, 1094-1105 (1997)
[14] Luo，X.B.，跟踪机动目标的α-冲动模型，信号处理。，23, 4, 481-484 (2007)
[15] 刘，Y。；X·冯。；Lu，C。；胡，Y。；Yang，Y.，自适应参数的当前统计冲动模型，J.Data Acquis。工艺。，29, 4, 587-602 (2014)
[16] Daum，F.，多目标音乐传感器跟踪；原理和技术，IEEE Aerosp。电子。系统。Mag.，11，7，39（1996）
[17] 洛杉矶约翰斯顿。；Krishnamurthy，V.，交互多模型（IMM）算法的改进，IEEE Trans。信号处理。，49, 12, 2909-2923 (2001)
[18] Wei，L.，带时间相关测量噪声的离散马尔可夫跳跃线性系统的状态估计，Automatica，76，1，266-276（2017）·Zbl 1352.93093号
[19] 邓，Z。；尹，L。；霍，B。；Xia，Y.，基于衰落因子和最大相关熵准则的自适应鲁棒无迹卡尔曼滤波器，传感器，18，8，2406（2018）
[20] Srkk，S。；Vehtari，A。；Lampinen，J.，用于多目标跟踪的Rao-Blackwellized粒子滤波器，Inf.Fusion，8，1，2-15（2007）
[21] Chang，X.，线性分数参数不确定性模糊系统的鲁棒非脆弱H_∞滤波，IEEE Trans。模糊系统。，20, 6, 1001-1011 (2012)
[22] Chang，X。；Yang，G.，连续时间模糊系统的非脆弱H_∞滤波，IEEE Trans。信号处理。，59, 4, 1528-1538 (2011) ·Zbl 1391.93134号
[23] Chang，X。；Yang，G.，标准形式T-S模糊系统的非脆弱H_∞滤波器设计，IEEE Trans。Ind.Electron公司。，61, 7, 3448-3458 (2013)
[24] Li，X.R。；Bar-Shalom，Y.，交互多模型算法的性能预测，IEEE Trans。Aerosp.航空公司。电子。系统。，29, 3, 755-771 (1993)
[25] Seah，C.E。；Hwang，I.，IMM算法性能分析算法，IEEE Trans。Aerosp.航空公司。电子。系统。，47, 2, 1114-1124 (2011)
[26] 李伟（Li，W.）。；Jia，Y.，《交互多模型估计的信息论方法》，IEEE Trans。Aerosp.航空公司。电子。系统。，51, 3, 1811-1825 (2015)
[27] Li，X.R。；Jilkov，V.P.，机动目标跟踪调查？第二部分：弹道目标模型，4473、4、423-446（2001）
[28] Boers，Y。；Driessen，H.，马尔科夫交换系统的多模型多假设滤波器，Automatica，41，4，709-716（2005）·Zbl 1061.93091号
[29] 高，B。；高，S。；钟，Y。；胡，G。；Gu，C.，基于交互多模型估计的自适应鲁棒无迹卡尔曼滤波器，Int.J.Control Autom。系统。，15, 2, 1-13 (2017)
[30] 胡，G。；高，S。；钟，Y。；高，B。；Subic，A.，用于过程模型不确定性非线性状态估计的改进强跟踪无迹卡尔曼滤波器，国际期刊Adapt。控制信号处理。，29, 12, 1561-1577 (2016) ·Zbl 1332.93350号
[31] Hou，B。；何，Z。；李，D。；周，H。；Wang，J.，基于SINS/CNS深度集成模式的弹道导弹导航系统的最大相关熵无迹卡尔曼滤波器，传感器，18，6，1724（2018）
[32] Kullback，S。；Leibler，R.A.，《信息与充分性》，《数学年鉴》。《统计》，22，1，79-86（1951）·Zbl 0042.38403号
[33] Cover，T.，《信息理论与统计》，信息理论与统计学（2002年），威利出版社：威利纽约
[34] 巴蒂斯特利，G。；Chisci，L.，Kullback-Leibler平均，概率密度共识，保证稳定性的分布式状态估计，Automatica，50，3，707-718（2014）·Zbl 1298.93311号
[35] 沈，C。；Huang，W.，基于Kullback-Leibler的未知噪声跳跃马尔可夫系统IMM信息滤波器，电路系统。信号处理。，37, 9, 1-17 (2018) ·Zbl 1428.62379号
[36] Niehsen，W.，基于快速协方差交叉滤波的信息融合，2002年信息融合国际会议论文集，901-904（2002）
[37] 朱利尔，S.J。；Uhlmann，J.K.，存在未知相关性的非发散估计算法，1977年美国控制会议论文集，2369-2373（1977）
[38] 丁杰，X.U。；鲁伊，H.E。；冯，S。；Meng，G.，基于创新协方差的自适应衰落卡尔曼滤波器，系统。电子工程。，33, 33, 2696-2699 (2011) ·Zbl 1265.93238号
[39] 陈，B。；刘，X。；赵，H。；Principe，J.C.，最大相关熵卡尔曼滤波器，Automatica，76，1，70-77（2017）·Zbl 1352.93095号
[40] Cinar，G.T。；Prncipe，J.C.，使用具有定点更新和自适应核大小的相关熵滤波器进行隐藏状态估计，《国际神经网络联合会议论文集》（2012年）
[41] 侯，B。；何，Z。；周，X。；周，H。；李，D。；Wang，J.，非高斯噪声下α-jerk跟踪模型的最大相关熵准则卡尔曼滤波器，熵，19，12，648（2017）
[42] Wang，Y。；郭，L.，关于随机Riccati方程的稳定性，科学。中国，42，2，136-148（1999）·Zbl 0940.60061号
[43] Deyst，J.J。；Price，C.，离散最小方差线性估计量渐近稳定的条件，IEEE Trans。自动。控制，13，6，702-705（1973）
[44] 夏，Q。；Rao，M。；Ying，Y。；Shen，X.，自适应衰落卡尔曼滤波器及其应用，Automatica，30，8，1333-1338（1994）·Zbl 0825.93812号
[45] 赫尔米克·R·E。；W.D.布莱尔。；霍夫曼，S.A.，《马尔科夫交换系统的固定间隔平滑》（1995），IEEE出版社：IEEE出版社，纽约·兹比尔0852.94030
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。