基于EMA算法的变结构交互多模型算法
基于变维交互作用的IMM-CKF算法
更 一般 的 目标 跟踪环境 。仿真结果表 明， 该 算法的跟踪精度 明显高于变维交互作用 下的交互 多模 型不敏卡尔曼滤波 （ Ｉ ＭＭ． Ｕ Ｋ Ｆ ） 算 法， 验证 了该 算法的可行性和有效性。
共 键 词 中图分类号 容 积卡 尔曼 滤 波 变 维 交 互 作 用 交互 多模型算法 Ｔ Ｐ ３ 文献标识码 Ａ
Ｊ ｉ ａ ｎ ｇ Ｗｅ ｉ Ｌ ｔ ｉ Ｚ ｅ ｊ ｕ ｎ Ｌ ａ ｎ Ｙ ａ ｏ
（ Ｎ ａ ｔ ｉ ｏ ｎ ａ ｌ Ｋ ｅ ｙ Ｌ ａ ｂ ｏ ｒ ａ ｔ ｏ ｒ ｙ ｏ ｆ‘ ４ Ｔ ｒ ａ ｆ ｉｃ ｆ Ｃ ｏ ｎ ｔ ｒ ｏ ｌ Ａ ｕ ｔ ｏ ｍ ａ ｔ ｉ ｏ ｎ Ｓ ｙ ｓ ｔ ｅ ｍ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｃ ｏ ｌ ｅ ｆＣ ｏ ｏ ｍ ｐ ｕ ｔ ｅ ｒ ， Ｓ ｉ ｃ ｈ ｕ ａ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ，Ｃ ｈ ｅ ｎ ｇ ｄ ｕ ６ １ ０ ０ ６ ５， Ｓ ｉ ｃ ｈ ｕ ａ ｎ． Ｃ ｈ ｉ ｎ ａ ）
ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ ｗ ｉ ｔ ｈ ｖ ａ ｉａ ｒ ｂ ｌ ｅ ｄ ｉ ｍｅ ｎ ｓ ｉ ｏ ｎ ｉ ｎ ｔ ｅ ｒ ａ ｃ ｔ ｉ ｏ ｎ ｍｏ ｄ ｅ ｌ ｉ ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ．Ｔ ｈ ｅ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ ｃ ｏ ｍｂ ｉ ｎ ｅ ｓ ｔ ｈ ｅ ｆ ｉ ｈ ｅ ｒ ｉ ｎ ｇ ｍｅ ｔ ｈ ｏ ｄ ｏ ｆ Ｉ ＭＭ ｗ ｉ ｔ ｈ ｖ ａ ｉａ ｒ ｂ ｌ ｅ ｄ ｉ ｍｅ ｎ ｓ ｉ ｏ ｎ ｉ ｎ ｔ ｅ ｒ ａ ｃ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｔ ｈ ｅ ｃ ｕ ｂ ａ ｔ ｕ ｒ ｅ Ｋ ａ ｌ ｍａ ｎ ｉ ｆ ｌ ｔ ｅ ｉ ｒ ｎ ｇ ｍｅ ｔ ｈ ｏ ｄ，ｅ ｘ ｔ ｅ ｎ ｄ ｓ ｔ ｈ ｅ Ｉ ＭＭ— Ｃ ＫＦ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ ｗ ｉ ｔ ｈ ｓ ａ ｍｅ ｄ ｉ ｍｅ ｎ ｓ ｉ ｏ ｎ ｍｏ ｄ ｅ ｌ ｍａ ｋ ｅ ｓ ｉ ｔ ｂ ｅ ａ ｂ ｌ ｅ ｔ ｏ ａ ｐ ｐ ｌ ｙ
交互式多模型算法仿真与分析
交互式多模型算法仿真与分析交互式多模型算法仿真与分析是一种基于不同算法的交互式模型仿真和分析方法。
多模型算法是指使用多种不同的算法来解决同一个问题，通过对比不同算法的性能表现，选择最优的算法进行应用。
交互式模型仿真是指通过模拟实验来验证和评估算法的性能和效果。
在交互式多模型算法仿真与分析中，首先需要选择适合的多个算法来解决待解决的问题。
这些算法可以来自于不同的领域和方法，例如传统的统计学算法、机器学习算法、深度学习算法等。
在选择算法之后，需要搭建一个交互式的模型仿真系统。
这个系统可以是一个软件系统，也可以是一个硬件系统。
模型仿真系统需要能够根据输入的参数和算法来模拟出系统的运行状态和结果。
在模型仿真系统搭建完成之后，可以通过不同的参数设置和算法选择来进行多次模拟实验。
实验结果可以用来评估不同算法的性能和效果，从而决定选择哪种算法来解决问题。
在进行模拟实验时，可以通过交互式的方式来对模型进行调整和改进。
例如可以对参数进行动态调整，或者改变算法的实现方式。
这样可以更加全面地评估算法的性能和效果。
在模拟实验完成之后，需要对实验结果进行分析。
可以使用统计学方法、数据挖掘等技术对实验结果进行分析和比较。
通过分析实验结果，可以找出算法的优劣之处，并对算法进行改进和优化。
总之，交互式多模型算法仿真与分析是一种基于不同算法的交互式模型仿真和分析方法，通过对比不同算法的性能表现，选择最优的算法进行应用。
这种方法可以提高算法的性能和效果，为实际应用提供更好的解决方案。
交互式多模型算法仿真与分析
交互式多模型算法仿真与分析随着科学技术的不断发展，仿真技术在各个领域都得到了广泛应用，尤其是在算法研究和分析中。
交互式多模型算法仿真与分析是一种将多模型算法与仿真技术相结合的方法，通过建立一系列的模型来模拟算法运行的过程，并通过交互的方式对模型进行调整和优化，以便更好地理解和分析算法的性能。
交互式多模型算法仿真与分析的关键是建立合适的模型，这些模型可以基于不同的抽象级别和计算模型。
例如，在计算机网络中，可以通过建立网络拓扑模型、流量模型和路由选择模型来模拟算法的行为；在机器学习中，可以通过建立数据模型、模型训练和评估模型来模拟算法的训练和推断过程。
基于建立的模型，可以使用仿真工具对算法进行仿真运行。
仿真工具可以根据模型的参数和输入条件来模拟算法的运行过程，并提供详细的运行结果和性能指标。
在算法仿真运行的过程中，可以通过交互方式对模型进行调整和优化，从而改进算法的性能。
交互式多模型算法仿真与分析的优势在于可以提供更加准确和可靠的算法性能评估，同时帮助研究人员更好地理解和分析算法的行为。
通过建立多种模型和对模型的交互调整，可以从不同的角度和抽象级别研究算法的性能，帮助研究人员更好地发现算法的优缺点，并提出针对性的改进和优化措施。
此外，交互式多模型算法仿真与分析还可以帮助促进算法的开发和应用。
通过对算法的仿真运行和性能分析，可以及早发现算法中潜在的问题和瓶颈，并在实际应用中提前做出调整和优化，从而提高算法的可靠性和效率。
然而，交互式多模型算法仿真与分析也存在一些挑战和限制。
首先，建立合适的模型需要对算法的内部原理和行为有深入的理解，这对研究人员的专业知识和经验要求较高。
其次，模型的建立和调整也需要大量的时间和资源投入。
最后，模型的抽象和简化程度也会影响仿真结果的准确性和可靠性。
综上所述，交互式多模型算法仿真与分析是一种有力的工具和方法，可以帮助研究人员更好地理解和分析算法的性能，并提出改进和优化措施。
变结构交互式多模型滤波和平滑算法
第４５卷 第１２期２０２３年１２月系统工程与电子技术ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓＶｏｌ．４５ Ｎｏ．１２Ｄｅｃｅｍｂｅｒ２０２３文章编号：１００１ ５０６Ｘ（２０２３）１２ ４００５ ０８ 网址：ｗｗｗ．ｓｙｓ ｅｌｅ．ｃｏｍ收稿日期：２０２２０９２０；修回日期：２０２３０３１２；网络优先出版日期：２０２３０４２７。
网络优先出版地址：ｈｔｔｐｓ：∥ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．２４２２．ＴＮ．２０２３０４２７．１３５１．０１０．ｈｔｍｌ 通讯作者．引用格式：陈维义，何凡，刘国强，等．变结构交互式多模型滤波和平滑算法［Ｊ］．系统工程与电子技术，２０２３，４５（１２）：４００５ ４０１２．犚犲犳犲狉犲狀犮犲犳狅狉犿犪狋：ＣＨＥＮＷＹ，ＨＥＦ，ＬＩＵＧＱ，ｅｔａｌ．Ｖａｒｉａｂｌｅｓｔｒｕｃｔｕｒｅｉｎｔｅｒａｃｔｉｖｅｍｕｌｔｉｐｌｅｍｏｄｅｌｆｉｌｔｅｒｉｎｇａｎｄｓｍｏｏｔｈｉｎｇａｌｇｏｒｉｔｈｍ［Ｊ］．ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓ，２０２３，４５（１２）：４００５ ４０１２．变结构交互式多模型滤波和平滑算法陈维义１，何 凡１， ，刘国强２，毛伟伟２（１．海军工程大学兵器工程学院，湖北武汉４３００３０；２．海军士官学校兵器系，安徽蚌埠２３３０００） 摘 要：针对机动目标跟踪问题，提出了一种变结构交互式多模型滤波和平滑算法。
首先，对多模型滤波和平滑问题进行了简单描述，并给出了前向交互式多模型滤波和后向交互式多模型平滑的数学模型；然后，建立了变结构交互式多模型算法的精确模型，模型子集之间并行独立运行，通过选取概率最高的模型子集的状态估计作为最终的估计结果；最后，对变结构交互式多模型算法的滤波数据进行平滑处理，得到了变结构交互式多模型滤波和平滑算法。
所提算法将前向滤波和后向平滑相结合，提高了目标跟踪精度。
基于最大期望算法的蛋白质交互关系识别
基于最大期望算法的蛋白质交互关系识别
蔡松成;牛耘
【期刊名称】《计算机技术与发展》
【年(卷),期】2018(028)008
【摘要】针对基于远监督的方法中训练数据存在噪音的问题,采用了一种基于最大期望(EM)算法的多实例多标记的方法来进行蛋白质关系的抽取.首先通过对大规模生物医学文本的自动搜索建立目标蛋白质对的签名档,提取出签名档中的词法和语法等特征,作为蛋白质对签名档的向量空间模型(VSM);然后引入隐变量,将蛋白质对的签名档及其标签构建为多实例多标记学习模型,利用最大期望算法来迭代消除训练数据中的噪音;最后通过有监督的方法来预测未知蛋白质对的交互关系.针对蛋白质对描述中还存在的其他蛋白质名称会对交互关系的判断产生影响,改进了蛋白质对的特征表示.实验结果表明,该方法较原始的最大期望算法取得了更高且均衡的精确度和召回率.
【总页数】5页(P48-52)
【作者】蔡松成;牛耘
【作者单位】南京航空航天大学计算机科学与技术学院,江苏南京 211106;南京航空航天大学计算机科学与技术学院,江苏南京 211106
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于分布式假设的弱监督蛋白质交互关系识别 [J], 毛宇薇;牛耘
2.基于词频统计的蛋白质交互关系识别 [J], 蔡松成;牛耘
3.基于关键词的蛋白质交互关系识别 [J], 毛宇薇;牛耘
4.基于循环最大期望修正算法的与文本无关话者识别研究 [J], 谢建平;成新民
5.基于交互关系分组建模融合的组群行为识别算法 [J], 王传旭;刘冉
因版权原因，仅展示原文概要，查看原文内容请购买。
EMA与MA－理解公式算法
EMA与MA－理解公式算法如何理解EMA(2009-01-17 12:37:03)macd dea ema 理解公式杂谈EMA与MA－理解公式算法－EMA与MA2008/03/07 13:08计算：有一组数据（收盘价为）：1,2,3,4,5,6,7，求其EMA（c，5）解答：对应上面数据，X1，X2，X3，X4，X5分别对应3、4、5、6、7则EMA（c，5）＝5/15*X5+4/15*X4+3/15*X3+2/15*X2+1/15*X1＝(5*X5+4*X4+3*X3+2*X2+1*X1)/15=5.67而，MA(c,5)=(3+4+5+6+7)/5=5理解公式算法－EMA与MA（理解了公式算法，才能更好的应用公式）MA和EMA的数学表达式：1、MA(X，N)，求X的N日移动平均值。
算法是：(X1+X2+X3+…..+Xn)/N例如：MA(C，20)表示20日的平均收盘价。
C表示CLOSE。
2、EMA(X，N)求X的N日指数平滑移动平均。
算法是：若Y=EMA(X，N)，则Y=［2*X+(N-1)*Y’］/(N+1)，其中Y’表示上一周期的Y值。
EMA引用函数在计算机上使用递归算法很容易实现，但不容易理解。
例举分析说明EMA函数。
X是变量，每天的X值都不同，从远到近地标记，它们分别记为X1，X2，X3， (X)如果N=1，则EMA(X，1)=［2*X1+(1-1)*Y’］/(1+1)=X1如果N=2，则EMA(X，2)=［2*X2+(2-1)*Y’］/(2+1)=(2/3)*X2+(1/3)X1如果N=3，则EMA(X，3)=［2*X3+(3-1)*Y’］/(3+1)=［2*X3+2*((2/3)*X2+(1/3)*X1)］/4=(1/2)*X3+(1/3)*X2+(1/6)*X1=3/6*X3+2/6*X2+1/6*X1如果N=4，则EMA(X，4)=［2*X4+(4-1)*Y’］/(4+1)=2/5*X4+3/5*((1/2)*X3+(1/3)*X2+(1/6)*X1)=4/10*X4+3/ 10*X3+2/10*X2+1/10*X1=2/5*X4+3/10*X3+3/15*X2+3/30*X1如果N=5，则EMA(X，5)=2/(5+1)*X5+(5-1)/(5+1)(2/5*X4+3/10*X3+3/15*X2+3/30*X1)=(1/3)*X5+(4/15)*X4+(3/15)*X3+(2/15)*X2+(1/15)*X1=5/15 *X5+4/15*X4+3/15*X3+2/15*X2+1/15*X1…………循环下去吧：）EMA（X，6）＝6/21*X6+5/21*X5+4/21*X4+3/21*X3+2/21*1/21X1注意到上面我标记的颜色部分，应该发现一个规律：即任何时候系数之和恒为1（如果X是常量，每天的X值都不变，则EMA(X,N)=MA(X,N).），但系数该如何确定呢？这个你还是自己观察一下吧（提示，系数的分母是各个系数分子之和，而系数的个数就是EMA(X,N)中的N，还有一个需要注意的就是系数的分子和系数后参数的下标是一致的）使用总结：从以上的例举分析中，我们可以看到时间周期越近的X值它的权重越大，说明EMA函数对近期的X值加强了权重比，更能及时反映近期X值的波动情况。
交互式多模型 代码
交互式多模型什么是交互式多模型？交互式多模型是指利用多个模型进行交互式的任务处理和决策。
在机器学习和人工智能领域，通常会使用多个模型来解决一个复杂的问题，每个模型负责处理问题的一个方面，然后将它们的结果进行整合，以得出最终的决策或结果。
交互式多模型可以应用于各种领域，包括自然语言处理、计算机视觉、语音识别等。
通过组合多个模型，可以提高系统的性能和准确性，解决单个模型难以处理的问题。
交互式多模型的优势交互式多模型有以下几个优势：1.提高准确性：通过将多个模型的结果进行整合，可以减少单个模型的误差，并提高整体的准确性。
不同模型的优势可以互补，弥补彼此的不足。
2.增加鲁棒性：单个模型可能对特定的输入数据或噪声敏感，而使用多个模型可以降低这种敏感性，提高系统的鲁棒性。
3.处理复杂问题：某些问题可能非常复杂，无法用单个模型完全解决。
交互式多模型可以将问题分解为多个子问题，并由不同的模型来处理，从而更好地解决复杂问题。
4.支持实时决策：交互式多模型可以在实时场景下进行决策，通过快速集成多个模型的结果，实现快速的决策和响应。
交互式多模型的应用场景交互式多模型可以应用于各种场景，下面列举了几个常见的应用场景：自然语言处理在自然语言处理领域，交互式多模型可以用于文本分类、命名实体识别、情感分析等任务。
通过将多个模型的结果进行融合，可以提高文本处理的准确性和效果。
例如，在情感分析任务中，可以使用多个模型来识别文本的情感倾向。
一个模型可以基于词袋模型进行情感分类，另一个模型可以基于深度学习模型进行情感分析。
通过将它们的结果进行整合，可以得到更准确的情感分析结果。
计算机视觉在计算机视觉领域，交互式多模型可以用于目标检测、图像分割、人脸识别等任务。
通过将多个模型的结果进行融合，可以提高图像处理的准确性和效果。
例如，在目标检测任务中，可以使用多个模型来检测图像中的目标物体。
一个模型可以基于深度学习模型进行目标检测，另一个模型可以基于传统的图像处理算法进行目标检测。
模型转移概率自适应的交互式多模型UKF算法
Ａｂｓ ｒ ｃ ： ｉ ａ ｅ ｒ ｓ ｎ ｓ ａｌｉ ｔ ｒ ｃ ｉ ｇ ｍｕ ｔ ｌ ｏ ｅ ｔ ａ ｔ Ｔｈ ｓｐ ｐ ｒｐ ｅ ｅ ｔ ｌ ｎ ｅ ａ ｔｎ ｌｉ ｅ ｍ ｄ ｌＵＫＦ ｌ ｏ ｉ ｍ ｔ ｄ ｐ ｉ ｅ ｍ ａ ｋ ｖ ｔ ａ ｓ ｔ ｎ ｐ ｏ ａ ｉ ｔｅ ， ｐ ａ ｇ ｒｔ ｈ ｗｉｈ ａ ａ ｔｖ ｒ ｏ ｒ ｎ ｉ ｏ ｒ ｂ ｂ ｌ ｉ ｓ ｗｈ ｃ ｉ ｉ ｉｈ
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 ， ａｏ ｉ 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 ）６ １ 但此 类方法 计算量过大 ， 致其很难在工程 中应用 ， Ｊ ｌｅ 导 而 ｕｉｒ 和 Ｕｈ ｍａ ｎ提出的 ＵＫＦ算法【６ 改变 了这种现状。该 ｌ ｎ １】 ．， 方 法具 有 运算量 小 ， 算稳 定 ， 度 高 ， 不需要 计 算 计 精 和 Ｊ ｃ ｂ 矩阵等优点 ， Ｅ ａｏ ｉ 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
- 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)。
ｉ ｉｈ ｓ ｓｅ ｎ ｉｅｍｏ ｅ—ｅ ｄ ｐ ａ ｉｎ ｉ ｉ ｌｍｅ ｔ ｙｊｉｔｙ ｕ ｉｚｎ ｄ ｌ ｏ ｔｒｏ ｒ ｂ ｂ ｌ ｙａ ｄ ｎ ｗｈｃ ｙ ｔｍ ｏｓ ｄ ｌｓ ｔａ ａ ｔ ｔ ｓ ｍｐｅ ｎ ｎ ｌ ｔｌ ｉｇｍｏ ｅ ｓｅ ｉｒｐ ｏ ａ ｉ ｔ ｎ ｏ ｂ ｏ ｉ ｐ ｉ
ｔ ｅ ｎ ｗ ｌ ｏ ｉ ｍ ｏ ｎ ｙ ｂ ｏ ｔ ｈ ｔａ ｋ ｎ ｃ ｕ ａ ｙ ｇ ｅ ｔｙ， ｂ ｔ ａ ｓ ａ ｅ ｔ ｒ ｓ ａ ｌ ｒ ｃ ｉ ｇ ｈ ｅ ａ ｇ ｒｔ ｈ ｎ ｔ ｏ ｌ ｏ ｓｓ ｔ ｅ ｒ ｃ ｉｇ ａ ｃ ｒ ｃ ｒ ａｌ ｕ ｌｏ ｈ ｓ ｂ ｔｅ ｔ ｂ ｅ ｔ ａ ｋ ｎ
空 间相对 于 处理 和计 算 资 源非 常 大 的情况 下 ， 以 可 考虑变 结构 多模 型算 法［ ］ ５ 。
噪声 辨识 、 线性 随 机 系统 的分 段线 性 化 滤波 等 领 非
域 。 互 多 模 型 （ＭＭ ） 法 Ｅａ Ｂｏ 等 在 广 义 伪 交 Ｉ 算 ｌ］ ｌｍ －是
Ｑ 志 １ ： ｕＱ ） （＋ ） ｌ （ Ｑ３尼＋１ ： ｉ （ ） （ ） Ｑ３ 志 （） ６ （） ７
量 测方 程为
Ｙ（ ） 忌 ： （ ） 是 ４ （ ） 忌 ｚ（ ） － 是
式 中 ， 志 为 ｋ时 刻 目标 状 态 矢 量 ； ｉ惫 为 ｋ ｚ（） Ｙ（）
ｉｅ ｘ ｃ ｅ — ｏ ｅ ｕｇ ｎｔ ｔｏ ｌ ｏ ｉｈｍ ，ａ ｎｅ ｍｕｌｉ ｅ ｍ ｏ ｅ ｌ ｏ ｉｈｍ ｔ ａ ｉ ｂ ｅ ｓ ｒ ｔ ｒ ｄ ａ ｏｆｅ ｐｅ ｔ ｄ ｍ ｄ ｌａ ｍｅ ａ ｉ ｎ ａ ｇ ｒｔ ｗ ｔｐｌ ｄ ｌａ ｇ ｒｔ ｗｉｈ ｖ ｒａ ｌ — ｔｕｃ ｕ ｅ，
ｐ ｒｏ ｍ ａ ｃ ｎｄ ｌｓ ｏ ｐ ａ ｉ ｎ ａ ｕｎ ｈａ ｈ ｔ ｎｄ ｒ Ｍ Ｍ ． ｅ ｆ ｒ ｎ ｅａ ｅ ｓ ｃ ｍ ｕｔ ｔｏ ｍｏ ｔｔ ｎ ｔ ｅ ｓ ａ ａ ｄ Ｉ Ｋｅ ｒ ｙ ｗｏ ｄｓ： ｎｅ ｖ ｒｎ ａ ｇ ｔｔ ａ ｋｉ ｖａ ｉｂｌ ｔｕｃ ｕｒ Ｉ Ｍ ， ｍａ ｕ ｅ ｉ ｇ ｔ ｒ ｅ ｒ ｃ ｎｇ， ｒ ａ ｅ ｓ ｒ ｔ ｅ，Ｍ ＥＭ Ａ ｌ ｏ ｉｈｍ ａ ｇ ｒｔ
Ａｌ ｏ ｉｈｍ ｔ ｒ ａ ｌ ｔ ｕ ｔ ｒ ｇ ｒｔ ｗｉｈ Ｖａ ｉ ｂ ｅ Ｓ ｒ ｃ ｕ ｅ
ＹＵＡＮ ｈ ｎ ， Ｚ ａ ＱＵ ｕ ＤＯＮＧ ｉ Ｕ Ｊ ｎ， Ｇｕ — 。 Ｘ
（ ． ａ ａ ｒ ｎ ｕ ｉａ ｎ ｔ ｏ ａ ｔｃ ｌＵｎ ｖ ｒｉ Ｙ ｎ ａ ６ ０ １， ｄ， １ Ｎ ｖ ｌＡｅ ｏ ａ ｔ ｌａ ｄ Ａｓｒ ｎ ｕ ｉａ ｉ ｅ ｓｔ ｃ ｙ， ａ ｔ ｉ ２ ４ ０ Ｃ
袁
湛， ： 于 Ｅ 等 基 ＭＡ 算 法 的 变结 构 交 互 多 模 型 算 法
（ 第 ３ 一ｉ ２ ） 总 ５ ８ １
・１ ９・ ８
自适 应 调整 的变结 构交互 多模 型算 法 。仿 真实例 表
明 了该 算法 的有效 性 。
３个模 型 的过 程 噪声 方差 ， 始设 定 时 Ｑ （ ） 初 是 可以选 取一 个 很 大 的 值 ， １ 可 以选 取 一 个 很 小 的值 ， Ｑ （）
多 模 型 （ ＭＡ— ＭＭ ） 法 。使 用 机 动 目标 跟 踪 仿 真 实 例 ， 标 准 Ｉ Ｍ 算 法 进 行 了仿 真 对 比 ， 析 了 跟踪 性 能 与 Ｒ Ｅ误 Ｅ ＶＩ 算 与 Ｍ 分 ＭＳ
差 。仿 真 结 果表 明 ， Ｍ Ａ Ｖ ＭＭ 算 法 不仅 极 大 地提 高 了 跟 踪 精 度 ， 且 与 标 准 Ｉ Ｅ —Ｉ 而 ＭＭ 算 法 相 比 ， 有 稳定 的 跟 踪性 能 和较 低 具
的跟踪 效果 ， 须设 定 很 多模 型代 表 不 同 的系统 噪 必
收稿 日期 ： ０ ９０ — ０ ２ ０ —８１
修 回 日期 ： ０ ９ １ — ５ ２ ０ — ０ １
作者简 介： 袁 湛 （ ９ ３ ） 男 ， 南 新 化 人 ， 士 ， 究 １ ８一 ， 湖 硕 研
方 向 ： 射 系统 工 程 与 集 成技 术 。 发
］
一
Ｐ｛ 志 ｌ 正 １ ， 蚪 一尢 ／ ７ ， （ ） ｍ （）ｍ （＋ ）Ｚ ） ｃ 屉 ∈
。
互独 立 的零均 值 高斯 自噪声 ， 且 （ ） 五 的方 差 尺 （ ） 是 已知 ， （ ） 五 的方差 Ｑ （ ） 五 需要 在 线辨识 。 由于 固定结构 的交互 多模 型算 法很 难协 调算 法
ｍａ ｋｏ ｒ ｎｓ ｅ ｒｎ ｒ ａ ｌｔ ｓ ｗｅｇ ｍｂｅ ｒ ｖ ｔａ ｆ ｒ ｉ ｇ ｐ ｏｂ ｂｉ ｙ ａ ｉ ｈｔｎｕ ｉ ｒ，ｉ ｏ ｏｓ ｄ．Ｆｉ ａ ｌ ｓｐｒ ｐ ｅ ｎ ｌｙ，ｔ ｅ ｔ ａ ｋｉ ｇ ｐ ｒｏｒ ｎ ｅ ａ ｄ ｔ ｈ ｒ ｃ ｎ ｅ ｆ ｍａ ｃ ｎ ｈｅ ｒ ｏ — ａ — ｑ ａ ｅ ｅ ｒ ｒ ｗｅ ｅ ａ ａ ｙｚ ｄ ｂ ａ ｕ ｒｎｇ ｔ ｒ ｔｔ ａ ｋｉ ｇ ｓｍｕｌ ｔｏｎ．Ｔｈ ｅ ｕｌｓ ｓ ｗ ｈ ｔ ｏ ｔ ｍｅ ｎ ｓ ｕ ｒ ｒ ｏ ｒ ｎ ｌ ｅ ｙ ｍ ｎｅ ｖｅ ｉ ａ ｇｅ ｒ ｃ ｎ ｉ ａｉ ｅ ｒ ｓ ｔ ｈｏ ｔ ａ
加 期 望 模 型 （ ＭＡ） 法 的 思 想 ， 出综 合 利 用 前 一 时 刻 的模 型 匹配 概 率 与 当 前 时 刻 的混 合 概 率 作 为 加权 系数 调 整 系 统 噪 声 Ｅ 算 提
模 型 集 ， 整后 的模 型 集 被 认 为 非 常 接 近 系 统实 际 噪 声 模 型 。将 该 模 型 集 自适 应 技 术 与 Ｉ 调 ＭＭ 算 法 结 合 得 到 一 种 变 结 构 交 互
Ｖ０ ． ቤተ መጻሕፍቲ ባይዱ Ｎ Ｏ １ １ ５， ． Ｏ
ｏＣ ． １ ｔ ２０ ０
火 力 与 指 挥 控 制
Ｆｉｅ ｅｏ ｔｏｌ Ｃｏ ｒ ｎｒ ＆ ｍｍａ ｄ Ｃｏ ｔｏｌ ｎ ｎｒ
第 ３ ５卷
第 １ Ｏ期
２１ 年 ｌ ００ ０月
文 章 编 号 ：０ ２０ ４ （０ ０ ｉ一 １８０ １０ —６ ０ ２ １ ）Ｏ０ ８—３
将 先 验 的模 型 匹配 概率 ； ｒ ｍ， ｉ ， 一Ｐ （ （ ｚ ） ）
交 互多 模 型算法 中 ， 第 ｉ 模 型 的状 态 方 设 个
程 为 ｚ （ ＋ １ 一 （ ） 正 ＋／ （ ） ） 走 ） 是 ｌ （ ） － 点 ｃ（ ｚ ｏ走 （） １
（） ２
２ Ｍｉ ｔｒ ｅ ｒｓｎａｉｅ ｆ ｉ ｆ Ｎａ ｙ ｉ ｈ ｎ ｑｎ Ｃ ｏ ｇ ｉｇ ４ ２ ６ ， ｈｎ ） ． ｌ ａ ｙＲ ｐ ｅｅ ｔｔ ｆｃ ｏ ｖ Ｃ ｏ ｇ ｉｇ， ｈ ｎ ｑｎ ０ ７ ０ Ｃ ｉａ ｉ ｖＯ ｅ ｎ Ａｂ ｔ ａ ｔ Ｔｉ —ｎ ａ ｉ ｎ ｄ ｌｓ ｔ ｉ ｕ ｅ ｎ Ｓ ａ ｄ ｒ ｎ ｅ ａ ｔ Ｍ ｕ ｔｐ ｅ Ｍ ｏ ｅ ａｇ ｒｔ ｍ （ Ｍ Ｍ ） ｓ ｒ ｃ ： ｍｅ ｉ ｖ ｒａ ｔ ｍｏ ｅ ｅ ｓ ｓ ｄ ｉ ｔ ｎ ａ ｄ Ｉ ｔ ｒ ｃ ｌｉ ｌ ｄ ｌ ｌ ｏ ｉｈ Ｉ ， ｗｈ ｃ ｅ ｄ ｏ ｔ ｅ ｃ ｎ ｒ ｄ ｃ ｉ ｎ ｏ ｌ ｏ ｉ ｍ ’ ｒ ｃ ｉ ｇ ａ ｃ ｒ ｃ ｎ ｅ ｌｔｍｅ ｒ ｑ ｉｅ ｎ ．Ｂ ｓ ｄ ｏ ｈ ｉｈ ｌ ａ ｓ ｔ ｈ ｏ ｔ ａ ｉ ｔ ｆａ ｇ ｒｔ ｏ ｈ Ｓ ｔ ａ ｋ ｎ ｃ ｕ ａ ｙ ａ ｄ ｒ ａ — ｉ ｅ ｕ ｒ ｍｅ ｔ ａ ｅ ｎ ｔ ｅ
（） ｋ∈
ｅ
作 为 加 权 系 数 计 算 ｋ １时 刻 期 望 模 型 ＋
¨
ｌ 的过 程 噪声 方差 Ｑ 启 ） （ ＋１
Ｑ 愚 １ ＝ Ｑ （ ） ； 忌 ＋ Ｑ。 （ ） １ 十 ） ｛ 正 ＋ Ｑ （ ） ｉ （ ） ５ （ 模 型 ： 与 ２ 过 程 噪 声 方 差 调 整 如 下 ： 的
的计算量 。
关 键 词 ： 动 目标 跟 踪 ， 结 构 ， 互 多 模 型 ， 加 期 望 模 型 算 法 机 变 交 增 中 图 分 类号 ： ２ ３２ ＴＰ ７ ． 文献 标 识 码 ： Ａ
Ｉ ｅ ａ ｔｖ ｕ ｔｐｌ － ｏ ｅ ｇｏ ｉｈｍ ｓ ｄ ｏ ｎｔ ｒ ｃ ｉ ｅ Ｍ ｌｉ ｅ ｍ ｄ ｌ Ａｌ ｒ ｔ ｂａ ｅ ｎ ＥＭ Ａ
精 度 与计 算 量 ， Ｒ． 提 出 了具 有 模 型集 自适 应 Ｘ． “ 能力 的变结 构交互 多模 型算法 Ｅ （ ＭＭ） ８ ＶＳ ３ 。其 中增
由混合 概 率 ｉ ｐ＋ ， ｌ ｌ
基于 Ｅ ＭＡ 算 法 的变 结构 交互 多模 型 算 法
袁
（． 军航空工程学院 ， 东 １海 山
摘
湛 瞿 军 董桂 旭 ， ，
２ ４ ０ ，．海装 驻 重庆 地 区导 弹 设 备 军 代 室 。 ６ ０ １２ 重庆 ４２６） ０ ７ ０
烟台
要 ： 准交 互 多 模 型 （ＭＭ ） 法 使 用 固定 数 目和 时 不 变 的 模 型 集 ， 往 不 能 兼 顾 算 法 的实 时 性 与 跟 踪 精 度 。基 于 增 标 Ｉ 算 往
Ｑ。１ 可 以 在 Ｑ （ ） Ｑ。 １ 之 间 取 一 个 适 当 的 值 ， （） １ 与 （） 这样 的设定 可 以保 证有 一个 宽广 的过 程 噪声覆 盖 目 标运 动 模式 的 突变 。
１ 过 程 噪 声模 型集 自适 应 的 交互 多模 型 算 法
１１ Ｅ ． ＭＡ变 结构交互 多模 型算 法
引 言
混合 估计 问题 广泛 存 在 于机 动 目标 跟踪 、 线 在
声 水平 ， 而增 加模 型 集 中 的模 型数 量不 仅会 增加 然
计算 的复 杂度 ， 且不 一定 能够改 善跟 踪性能 。 而 因为