基于改进IMM的机动目标跟踪算法
基于RBF网络和IMM的机动目标跟踪方法
Ａｄ ｓｍｅ ｔｉ ｍ ｅａｉｇ ｔ ｉｔｒｎ ｒｏ ｓａ ｐ ｎ ｅ ｎｔ ｅｗｅｇ ｔｃ ｒｅ ｔ ｇｆ ｒ ｕａｉ ｊ ｔ ｎ ｔ ｒ ｌｔｎ ｏ ｆ ｅ ｉｇｅ ｒ ｒｉ ｐ ｅ ｄ ｄ ｉ ｈ ｉｈ ｏ ｒｃｉ ｏ ｍ ｌ ｎＲＢＦ ｌａ ｎｎ ｌｏ ｉｈ ．１ｒ ｕ ｅ ｌ ｎ ｅ ｒ ｉｇａｇ ｒ ｍ ａ — ｔ
的 幅 度 也 相 应 增 大 。仿 真 结 果 表 明 ． 目标 发 生 机 动 转 弯 处 ． 正 后 的 Ｉ 在 校 ＭＭ 算 法 的 跟 踪 误 差 要 明 显 小 于 标
准 Ｉ ＭＭ 算 法 的 跟 踪 误 差 ． 跟踪 精 度 较 高 。
［ 键 词 ］ 机 动 目标 ； 踪 ； 尔 曼 滤 波 ； Ｆ神 经 网 络 关 跟 卡 ＲＢ ［ 图分 类 号 ］Ｔ ９ ３ 中 Ｎ ５ ［ 文献 标 识 码 ］ Ａ
络 输 出结 果 和 直 接 由 卡 尔 曼 滤 波 求 解 得 到 的结 果 相 加 ． 以得 到 更 为 准 确 的 滤 波 值 。 同时 ． 网 络 的 学 习 算 可 在 法 中 ． 网 络 权 值 矩 阵 的修 正 公式 中增 加 了 反 映 滤 波 残 差 的 调 整 项 ． 卡 尔 曼 滤波 的 残 差 较 大 ， 络 调 整 权 值 在 若 网
维普资讯
第 ２ ６卷 第 ３期
弹 箭 与 制 导 学 报
・ ２ ・ ３ ９
基于 Ｒ Ｆ网络 和 Ｉ Ｂ ＭＭ 的 机 动 目标 跟 踪 方 法
朱 志 宇 ， 炜 ， 晓 强 刘 戴
（ 苏 科 技 大 学 电子 信 息 学 院 ． 苏 镇 江 江 江 ２２０） １０ ３
［ 要 ］ 文 中 提 出 了一 种 应 用 Ｒ Ｆ神 经 网络 对 标 准 Ｉ 摘 Ｂ ＭＭ 算 法 中 的 卡 尔 曼 滤 波 结 果 进 行 校 正 的 方 法 。 网络 输 人 为预 测 误 差 、 尔 曼 增 益 以 及测 量 值 与估 计值 之 差 ． 卡 网络 输 出反 映 了 由 于 目标 机 动所 带 来 的 滤 波 误 差 ． 网 将
基于IMM-UKF的纯方位机动目标跟踪算法
基于IMM-UKF的纯方位机动目标跟踪算法顾晓东;袁志勇;周浩【期刊名称】《数据采集与处理》【年(卷),期】2009(024)0z1【摘要】In nonlinear maneuvering target tracking,filters are liable to diverge or have large tracking errors.To solve the problem,an interacting multiple model with unscented Kalman filter(IMM-UKF)algorithm is designed by introducing UKF into IMM algorithm based on bearings-only tracking for multi-stations.The algorithm is not affected by the linearization errot in extended Kalman filter(EKF)filter.Finally,the algorithm is compared with EKF,IMM-EKF algorithms.Simulations show that the IMM-UKF algorithm is more stable and effective,thus improving the convergence speed and tracking precision.%针对在非线性机动目标跟踪中存在的滤波器易发散、跟踪误差大等问题,本文在多站纯方位跟踪的基础上,把Unscented卡尔曼滤波(Unscented Kalman filter,UKF)引进到交互多模型算法(Interacting multiple model,IMM)中,设计了交互多模型UKF滤波算法,克服了EKF中引入的较大线性化误差对机动目标跟踪算法性能的影响.最后将该算法与扩展卡尔曼滤波(EKF)、IMM-EKF算法进行了比较,仿真结果表明:IMM-UKF 算法增强了EKF滤波器的稳定性,提高了滤波收敛速度和跟踪精度.【总页数】4页(P88-91)【作者】顾晓东;袁志勇;周浩【作者单位】海军工程大学兵器工程系,武汉,430033;海军工程大学兵器工程系,武汉,430033;海军工程大学兵器工程系,武汉,430033【正文语种】中文【中图分类】TN911【相关文献】1.基于IMM—UKF的纯方位机动目标跟踪算法 [J], 顾晓东;袁志勇;周浩2.一种新的双基阵纯方位机动目标跟踪算法 [J], 徐本连;王执铨3.基于MDA-MHT的纯方位多目标跟踪算法 [J], 丁振平;陈秀英;薛雯4.基于MDA-MHT的纯方位多目标跟踪算法 [J], 丁振平; 陈秀英; 薛雯5.基于纯方位的多无人机协同目标跟踪算法 [J], 辛沙欧;陈可;宋震林;桂欣颖;戚国庆因版权原因，仅展示原文概要，查看原文内容请购买。
基于IMM-MHT算法的杂波环境多机动目标跟踪
基于IMM-MHT算法的杂波环境多机动目标跟踪邵俊伟;同伟;单奇【摘要】针对杂波环境下多机动目标的跟踪问题,提出将交互多模型(IMM)算法与多假设跟踪(MHT)算法结合,并运用Murty算法和假设树修剪方法进行假设生成和假设管理,提高IMM-MHT算法的实用性.仿真结果表明,IMM-MHT算法具有较高的正确关联率和较好的跟踪稳定性,且与只使用单模型的MHT算法相比,具有更好的跟踪精度.【期刊名称】《舰船电子对抗》【年(卷),期】2014(037)002【总页数】5页(P87-90,93)【关键词】数据关联;多假设跟踪;交互多模型【作者】邵俊伟;同伟;单奇【作者单位】中国电子科技集团公司第38研究所,合肥230088;陆军驻中电集团38所军事代表室,合肥230088;中国电子科技集团公司第38研究所,合肥230088【正文语种】中文【中图分类】TP957.510 引言随着战场环境的日趋复杂以及目标机动性能的日益提升，如何在杂波环境下跟踪机动目标正成为雷达数据处理系统要应对的关键问题之一。
传统数据关联算法，如最近邻［1］（NN）、概率数据关联［2］（PDA）、联合概率数据关联［3］（JPDA）等，以当前扫描周期内的量测为基础进行数据关联，若某一扫描周期内的关联结果与真实情况有较大差别，则之后的跟踪过程常会发生错误，甚至丢失目标。
多假设跟踪［4］（MHT）的关联结果不仅取决于当前扫描周期内的量测数据，而且还与历史量测信息有关。
对不能确定的关联，会形成多种逻辑假设，并用后续的量测数据来解决这种不确定性。
在理想条件下，MHT是最优的数据关联算法，可以有效地解决杂波环境下的数据关联问题。
但是，MHT算法所需的计算和存储资源会随着量测数和跟踪步数的增长呈指数增加，若要实际应用，还需要有效的假设管理技术。
对机动目标，以单一的运动模型来刻画其运动过程，往往和实际情况有偏差，最终会由于模型失配导致跟踪误差增大甚至跟踪失败。
马尔可夫参数自适应imm算法在列车定位中的应用
马尔可夫参数自适应imm算法在列车定位中的应用
随着交通信息化的日益普及，定位技术在智能交通中起着越来越重要的作用。
列车定位技术尤其非常重要，它可以提供列车准确的实时位置信息。
为了准确识别列车的位置，提出了一种基于马尔可夫参数自适应的列车定位算法IMM（并行状态空间模型）。
该方法主要是通过自适应更新和融合方法更新状态参数，并且通过概率和模糊处理来改进定位精确度。
在改进传统定位算法的基础上，IMM算法引入了概率过程和模糊处理，使用三个专家组合的马尔可夫模型来实现状态粗略和信息融合。
给定一个车辆状态向量，IMM算法可以分别设定三个专家的路线估计器，路线估计器可以实现路线的粗略估计，根据实际的路径状况和车辆的运动状况，准确估计车辆的状态，形成车辆的定位信息。
然后，引入一套融合逻辑来实现状态参数的融合。
该融合逻辑可以实现应用多个传感器的定位参数的自动扩展和混合，增强列车定位的准确性。
同时，通过自适应更新分析的方法，动态的调整模型的参数，达到状态空间中参数的最佳调整，实现准确的位置估计。
因此，采用基于马尔可夫参数自适应的IMM算法，可以通过融合传感器定位系统已有的信息，准确提供列车的实时位置，从而提高列车定位的准确性和可靠性。
基于IMM-UKF的非线性机动目标跟踪仿真研究
整 个跟 踪 过程 中 ，运 动 由水 平 匀 速 运 动 、俯 冲运 动 和 爬 升 运 动 ３部 分 组 成 ， 目标 量 测 由斜 距 、 方 位 角 和 高低 角 组成 ，并 基 于此 建 立 了 目标 运 动 状 态 模 型 和 观 测 模 型 ， 给 出 了 模 型 转 换 矩 阵 ，设 计 了 基 于 Ｉ ＭＭ— Ｆ滤 波 ＵＫ
（ 北机 电工 程 研 究所 ，陕 西 成 阳 ７ ２ ９ ） 西 １ ０ ９
摘
要 ：在 处 理 非 线 性 强 机 动 目标 跟 踪 问 题 时 ，扩 展 卡 尔 曼 滤 波 方 法 跟 踪 误 差 大 、容 易 引 起 滤 波 发 散 ，
同 时 其 系 统 模 型 可 能 随 时 间变 化 ，不 能 应 用 传 统 的 线 性 滤 波 方 法 以 及 单 一 状 态 模 型 来 处 理 该 类 问题 。假 设 在 学 报 Ｊ ＯＵＲ Ｌ Ｏ ＵＮ Ｌ ＮＣ ＆ Ｃ ＮＴ ＯＬ ＮＡ Ｆ Ｇ ＡＵ Ｈ Ｏ Ｒ
２１ ０ ０年 ９ 月
基于 Ｉ ＭＭ— ＵＫＦ的非线 性 机 动 目标 跟踪 仿 真研 究
杨 凯 。倪 龙 强 。 张 丽 华 。姚 新 涛 ，屈 武 斌
器 ，并 进 行 了仿 真 。结 果 表 明 ，该 方 法 可 以 以较 高精 度 跟 踪 非 线 性 机 动 目标 运 动 状 态 ，同 时 具 有 较 高 的 收敛
速 度
关 键 词 ：自动 控 制技 术 ；机 动 目标 跟 踪 ；卡 尔 曼 滤 波 器 ；交 互 多 模 型
中 图分 类号 ：ＴＪ ５ ３ 文献 标 志 码 ：Ａ 文 章 编 号 ：１ ７ — ５ ４ （ ０ ０ ０ — ０ ２０ ６ ３６ ２ ２ １ ） ３０ １ — ５
基于IMM多传感器顺序粒子滤波跟踪机动目标算法
， 衍生 出 Ｉ 并 ＭＭ
特点， 提出一种基于 Ｉ 的顺 序粒子 滤波算 法 ， ＭＭ 进一 步提
取 和利用多量测 的冗余 和互补 信息 ， 提高系统 状态估计 精
度
卡 尔 曼 一 子 滤 波 器 等 改 进 算 法 ， 善 强 非 线 性 对 跟 踪 粒 改 精 度 的影 响 。
收 稿 日期 ：０ １ｏ ＿ ９ ２ １＿ ９ ２
（） ８ （ ９ ）
上 即标准 Ｉ ＭＭ算 法 的基本 实现过程 。Ｉ 中各 个子 滤波 ＭＭ 器匹配粒子滤波算法就构成 Ｉ Ｆ滤波 器 ， 滤波器可 以 ＭＭＰ 此 有效处 理 系统 非线 性 和非 高斯 问 题。与 Ｉ ＭＭ算 法 相 比， Ｉ ＭＭＰ Ｆ算法是通过粒子来逼 近状态 的后验分 布 ， 反映各 为 模 型对粒 子的影 响 ， 初始 化时 每个粒子 都需 要与其 他模 型 的状 态估计值进 行交互 运算 ， 同样 Ｉ ＭＭＰ Ｆ的其他 步骤 ， 也 需要 细化到单个粒 子 的运算 ， 详 细 的过程 参考 文献 ［ ， 更 ９ １ ］ Ｏ。
的子 滤波 器， 出 Ｉ 提 ＭＭ 粒 子 滤 波 （ｎｅａｔ ｇ ｍ ｌｐｅ ｉｔ ｃｎ ｕｔ ｌ ｒ ｉ ｉ
估 计问题 ， 而对多模 式运动的 目标 ， 估计精度不能保证 。基 于以上分析 ， 本文在 Ｉ ＭＭＰ Ｆ基 础上 ， 结合 多传感 器量 测的
ｍ ｄｌ ａ ｉ ｅｆｔ ｎ ，ＭＭＰ ）算 法 ｏ ｅ ｐ ｒｃ ｌｒ ｇ Ｉ ｔ ｌｉｅ ｉ Ｆ
Ｍ ａ ｕ ｅ ｉ ａ ｇ ｔｔ ａ ｋ ｎ ｌ ｏ ｉｈ ｓ ｄ ｏ ｎｅ ｖ ｒｎｇ ｔ ｒ ｅ ｒ ｃ ｉ ｇ ａ ｇ ｒｔ ｍ ｂａ ｅ ｎ Ｉ Ｍ ｕ ｔ－ｅ ｓ ｒ ｓ ｑ ｅ ｔａ ａ ｔｃ ｅ ｆｌｅ ｉ ｇ Ｍ ｍ ｌｉｓ ｎ ｏ ｅ ｕ ｎ ｉ ｌｐ ｒｉ ｌ ｔ ｒｎ ｉ
基于分块地形的道路约束IMM目标跟踪方法
转化 关 系为
ｒ ｐｋ＝
针对 Ｇ ＭＴ Ｉ 雷 达 多 目标 跟 踪 系 统 特 点 和 目 标跟 踪发生环境 ， 通过分析 机载伪 Ｄ ｏ ｐ ｐ ｌ ｅ ｒ 量 测
Ｄ Ｏ Ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． ２ ０ ９ ５ — ５ ８ ３ ９ ． ２ ０ １ ３ ． ０ ２ ． ０ １ ３
基于分块 地形的道路约束 Ｉ ＭＭ 目标跟踪 方法
刘军伟 ， 钮俊 清， 王志红 ， 任 清安
（ 中国电子科技集团公 司 第 ３ ８ 研究所 ， 合肥 ２ ３ ０ ０ ８ ８ ）
地 面 动 目标 指 示 （ Ｇ ＭＴ Ｉ ） 雷 达 可 以 对 地 面 静
果表 明 ， 本 文方 法 可 以大 大 提 高 Ｇ ＭＴ Ｉ 雷 达地 面 慢速 目标 跟踪 精 度 ， 达 到 应用 要 求 ．
止 目标进 行 成像 和定 位 ， 亦 可 对 动 目标 进行 连 续 跟踪 ， 形成稳定航迹 ， 近 几 十年 几 次 国 际战 争 中 的成 功 应 用 …表 明 Ｇ ＭＴ Ｉ 雷 达 在 战 场情 报 获 取 、 地 面 战 场 态 势 评估 等 方 面 具 ， 并 对 定 位 和 跟踪 精 度 提 出了越 来 越 高 的要 求 ． Ｇ ＭＴ Ｉ 战 场 监 视 与 攻 击 雷 达 和 传 统 地 面 警 戒 雷 达 多 目标 跟 踪 系统 具有 很 大 的不 同 ， 如最 小 可 检 测 速度 的限 制 、 地 表 环境 复 杂 地杂 波 污染 严 重、 目标数 量 多 密 度大 且 相互 之 间 间 隔很 小及 目 标 速 度 慢 但 机 动 持 续 时 间短 且 又相 对 机 动灵 活 等因素都给机载 Ｇ ＭＴ Ｉ 雷 达 系 统 的 核 心 技 术 地 面 动 目标 跟 踪 技术 ， 带 来 很 大 的 困难 ．对
基于OPN的变结构IMM目标跟踪算法仿真设计
第２卷 第９ ３ 期
文章编号 ：０ ６— ３８ ２０ ） ９－ ０ ８— ４ １０ ９ ４ （０ ６ ０ ０ ５ ０
计
算
机
仿
真
２６ 月 ０ 年９ ０
基 于 ＯＰ 的变 结 构 Ｉ Ｎ ＭＭ 目标 跟 踪 算 法 仿 真 设计
陈康 ， 刘静 ， 刘翔 ， 罗雪 山
ＡＢＳ ＲＡＣＴ ： ａ ｇ ｔｔ ｃ ｉ ｇ ｔ ｅ ｒ ｓａ ｄ ａ ｃ ｄ ｔ ｅ ｒ ，ｔｈ ｓｂ ｏ ｄ ａ ｐ ｉａ ｉｎ ｏ ｔ ｏ ｎ ｍｉ ｔ ｒ ｅｄ ａ ｄ ｃｖｌ Ｔ Ｔ ｒ ｅ ｒ ｋｎ ｈ ｏ ｉ ｎ ａ ｖ ｎ ｅ ｈ ｏ ｉ ａ ｒａ ｐ ｌ ｔ ｕ ｌ ｋ ｉ ｌ ａ ｆ ｌ ｎ ｉｉ ａ ｙ ｙ ｃ ｏ ｏ ｉｙｉ ｉ ｄ Ｗ ｔ ｔ ｅ ａ ｐｉ ｔ ｆ ｍｐ ｔ ｒｔ ｃ ｎ ｌｇ ａ ｄ ｎ ｗ ｍａｅ ａ ｅ ｈ ｏｏ ｉ ｉｃａｔ ｔ ｅ ｍａ ｅ ｖ ｒ ｅｆｒ ｆ ｌ ． ｉ ｈ ｐ ｌ ａｉｎ ｏ ｏ ｕ ｅ ｅ ｈ ｏｏ ｎ ｅ ｔ ｒ ｌｔ ｃ ｎ ｌｇ ｎ ａｒ ｒ ｆ，ｈ ｎ ｕ ｅ ｉ ｇ ｐ ｒｏ — ｅ ｈ ｃ ｏ ｃ ｙ ｉ ｙ ｎ ｍ ａ ｃ ｆ ｎ ｕ ｅ ｎ ａｇ ｔ ｅｓ ｂ ｔ ｒ ｎ ｅｔ ｒ Ｔ ａ ｉ ｏ ａ ａ ｋ ｎ ｌｏ ｔ ｍ ｒｍａ ｅ ｖ ｒ ｇ ｔｒ ｅ ｓｈ ｒ ｄ ｐ ｎ ｅ ｏ ｍａ ｅ ｖ ｒ ｇ ｔｒ ｅ ｔ ｅｔ ｄ ｂ ｔ ． ｒ ｄｔ ｎ ｌｔ ｃ ｉ ｇ ａｇ ｒ ｈ ｆ ｎ ｕ ｅ ｎ ｇ ｔ ａ ｄ ｔ ａ ａ ｔ ｉ ｇ ｅａ ｅ ｉ ｒ ｉ ｏ ｉ ａ ｉ ｏ ｔ ｅｃ ａ ｇ ． ａ ｅ ｉ ｈ ｉ ａｉ ｎ，ｈｓ ｐ ｐ ｒｒ ｓ ａ ｃ ｅ ｎ ｎ ｌｓ ｓｔ ｅ ｂ ｓｃ ｉ ｅ ｆｖ ｒ ｂ ｅ ｓｒ ｃｕ ｅ ｉｔ ｒ ｃｉｅ ｈ ｈ ｎ ｅ Ｆ ｃ ｄ ｗ ｔ ｔ ｅｓｔ ｔ ｈ ｕ ｏ ｔ ｉ ａ ｅ ｅ ｅ ｒ ｈ ｓａ ｄ ａ ａ ｙ ｅ ｈ ａ ｉ ｄ ａ ｏ ａ ｉ ｌ ｔ ｔ ｒ ｎ ｅ ａ ｔ ａ ｕ ｖ ｍｕ ｔ ｌ ｄ ｌ ｐ ｔ ｏ ｗ ｒ ｎ ｖ ｒ ｂ ｅ ｓｒ ｃｕ ｅ ｉ ｔｒ ｃ ｉｅ ｍｕ ｔ ｌ ｄ ｌａ ｇ ｒ ｈ ｂ ｓ ｄ ｏ ｄ ｌｇ ｏ ｐ ｓ ｉ － ｌ ｐ ｅ ｍｏ ｅ ， ｕ ｓ ｆｒ ａ ｄ ａ ａｉ ｌ ｔｕ ｔ ｒ ｎ ｅａ ｔ ｌ ｐｅ ｍｏ ｅ ｌｏ ｔ ｍ ａ ｅ ｎ ｍｏ ｅ ｒ ｕ ｗ ｔ ｉ ａ ｖ ｉ ｉ ｃ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于改进IMM的机动目标跟踪算法
针对地面机动目标跟踪，提出了一种改进的交互式多模型算法，该算法在多模型中使用了基于新息的模型选取策略，解决了先验知识缺失情况下的机动目标跟踪问题。
同时，基于新息的变化对“当前”统计模型进行改进，使之能够自适应调整最大加速度的大小。
改进后的算法有效地处理了对未知目标先验知识不足的问题，更利于工程的实现。
最后进行了Monte Carlo仿真，仿真结果表明所提出的算法保证跟踪精度的同时能够有更好的反应时间。
标签：机动目标跟踪；卡尔曼滤波；交互式多模型算法
1 算法的模型集合
IMM算法需要对目标运动状态模式有一个评估并选择若干个恰当的模型。
文章设计的模型集合采用CV模型、“当前”统计模型和CA模型。
“当前”统计模型的过程噪声同加速度的方差有着直接的联系，因此系统的加速度的方差受到加速度的极限值Amax的影响，而该值又需要进行人为的设定，不同加速度极限值的大小对目标加速度的方差有着直接的影响，进而对系统的过程噪声产生影响[5]。
根据卡尔曼滤波的基本原理，当目标发生机动时，原有模型的不匹配会导致滤波新息的增加。
因此可以将目标的新息作为算法的特定输入参数，通过检测到的新息的大小变化来实时地调整算法中的当前模型的最大加速度数值，从而进一步调整模型的过程噪声。
鉴于此，参考模糊控制的基本思想，以目标的新息作为一个算法的输入参数，根据不同情况下新息的值来实时对最大加速度的值进行调整，进而优化目标的过程噪声。
在本算法中目标的机动状态使用新息来进行表述，设计出一个参数称为目标的机动值？浊，算法工作过程中根据目标机动值的大小来设置对应于其所代表的目标机动状态下的加速度最大值，进而调节目标的过程噪声，经过数学变换，在得到不同的机动值？浊之后便可以判定目标最大加速度的大小，从而进一步对系统的过程噪声进行调节。
为了避免跟踪过程中一些多余的干扰和对算法复杂度的过度增加，本系统中将变换函数设置为阶梯型函数。
2 改进的IMM算法
（1）初始化。
初始化，包括初始状态向量X0（0|0），初始协方差矩阵P0（0|0）。
（2）各模型独立并行滤波。
通过坐标转换，将量测到的角度信息和距离信息转换到直角坐标系中进行处理。
各模型之间相互独立，采用去偏转换测量卡尔曼滤波算法，得到每一时间节点的相应滤波数值。
（3）基于新息变化判断选择相应的模型滤波结果计算输出。
3 仿真分析
通过仿真实验对上述的算法进行验证，并与IMM算法进行比较。
假设目标在三维空间的运动轨迹为：初始位置（5000m，5000m，30m），初始速度为（5m/s，
5m/s，0m/s），地面目标在Z轴方向上的运动变化主要受到地势的影响。
目标在前5s做匀速直线运动，在之后15s内做蛇形变速机动，接着10s内做匀加速运动。
采样周期为20ms。
原IMM算法中模型转移概率和模型初始概率分别为：
仿真在Matlab 2012a版本中进行。
图1-图3分别为两种算法在三个方向上的距离均方根误差比较；表1为两种算法在三个方向上的均方根误差均值比较；表2为两种算法的仿真时间比较。
从图1-图3可以看出，在目标做匀速和匀加速运动时，两种算法的跟踪效果差别不大。
当目标进行蛇形机动时，由于量测信息发生突变，量测噪声变大，基于新息判断的简化IMM算法能够更快的收敛。
从表1中可以看出，基于新息判断的IMM 算法在滤波精度上略优于IMM算法，表2中可以看出，基于新息判断的IMM 算法的反应时间明显优于IMM算法。
表1 50次蒙特卡洛仿真的位置均方根误差均值
表2 两种算法的仿真运行时间
从算法进行分析，改进后的算法中，通过新息的大小来调整机动值参数，根据不同机动值变化来调节模型中最大加速度的绝对值，进而改变模型的过程噪声，在某一段范围内保持目标的最大加速度不改变，使得模型的过程噪声不会发生频繁的跳变，一定程度上提高了系统的稳定性，保证了系统的精度。
这表明，当先验知识缺失或者发生错误时，该算法能够有效的保证滤波跟踪效果，且更易于工程实现。
4 结束语
通过对卡尔曼滤波中的新息参数的运用，对“当前”统计模型和IMM算法进行了改进，提出了基于新息判断的IMM算法，解决了当缺少先验知识时，IMM 算法参数无法设置的问题。
仿真结果表明，针对地面目标所提出的算法滤波精度与传统IMM算法类似，但是提高了反应时间，降低了算法的实现要求。
参考文献
[1]刘建书，李人厚，刘云龙.基于“当前”统计模型的交互式多模型算法[J].系统工程与电子技术，2008，30（7）：1351-1353.
[2]Wei Mei，Zhihua He，Guanhui Liang. Iterated Debiased Kalman Filter for Target Tracking with Converted Measurements[J].IEEE International Conference on Information Science and Technology，2012，4（12）：185-189.
[3]Mo Longbin，Song Xiaoquan，Zhou Yiyu，etal.Unbiased Converted Measurements for Target Tracking[J].IEEE Transactions on Aerospace and Electronic Systems，1998，34（3）：1023-1027.
[4]丁振，潘泉，张洪才.新息滤波交互式多模型噪声辨识算法[J].电子学报，1997，25（5）：95-98.
作者简介：徐貌夫（1989-），男，江苏连云港人，南京理工大学硕士研究生，主要研究方向为目标跟踪与信息融合。