(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111659699.9 (22)申请日 2021.12.3 0 (71)申请人 西北工业大 学 地址 710072 陕西省西安市友谊西路127号 (72)发明人 闫永胜　韩世华　王海燕　申晓红　 张天佑　 (74)专利代理 机构 西北工业大 学专利中心 61204 专利代理师 顾潮琪 (51)Int.Cl. G06T 7/246(2017.01) G06K 9/62(2022.01) (54)发明名称 一种KL交 互式多模型水下目标跟踪方法 (57)摘要 本发明提供了一种KL交互式多模型水下目 标跟踪方法， 针对海水介质的物理特性对量测信 息存在的干扰， 引入KL散度来计算模型概率加权 系数， 使用KL散度来计算运动模型集中某 一运动 模型和目标真实运动模式的匹配度的大小， 结合 标准IMM算法中基于新息似然 函数的模 型概率更 新方法， 使得该模型选择更加贴合目标的真实运 动模型， 进而提高目标的位置估计精度。 本发明 不仅能够满足水下目标运动模型的建立既要能 够描述机动目标复杂多变的运动状态， 还能够满 足计算量小、 易于处 理的要求。 权利要求书1页 说明书7页 附图3页 CN 114494340 A 2022.05.13 CN 114494340 A 1.一种KL交 互式多模型 水下目标跟踪方法， 其特 征在于， 包括以下步骤： 步骤1， 构建IM M模型的模型集M， 模型集中包 含若干运动子模型； 步骤2， 对全部运动子模型的初始状态根据模型转移概率进行交互运算， 得到目标混合 状态输入 和协方差矩阵 其中， N表示模型集M中的运动子 模型数量， 和 分别为模型集M中第i个运动子模型在k时刻的目标状态和协方差矩 阵， 为预测模型转换概 率； 步骤3， 当目标进入监测区域内， 唤醒感知范围内的传感器节点， 被唤醒的传感器节点 对目标进行TOA量测， 获得量测数据Zk+1； 步骤4， 将目标混合状态向量 协方差矩阵 和量测信息Zk+1作为对应第i个运 动子模型下的扩展卡尔曼滤波器的输入进 行条件滤波预测和估计， 计算k +1时刻第i个运动 子模型下的目标状态估计 和协方差矩阵估计 步骤5， 构建k+1时刻第i个运动子模型匹配的似然函数 其中， 和 分别为扩展卡尔曼滤波 器中间产物新息和新息协方差矩阵； 通过第i个运动子模 型的似然函数 确定k+1时刻模 型i的概率 步骤6， 计算模型集M中的运动子模型 和真实运动模式sk之间的KL散度 取 的倒数作为调节模型概 率的系数， 从而模型匹配度得到新的模型概 率 步骤7， 利用更新后的模型概率 对步骤4的各个子滤波器输出的状态估计 进行加权求和， 得到融合后的目标状态估计和协方差矩阵。 2.根据权利要求1所述的KL交互式多模型水下目标跟踪方法， 其特征在于， 所述的步骤 6 中 ，模 型 集 M 中 的 运 动 子 模 型 和 真 实 运 动 模 式 sk之 间 的 K L 散 度 其中 ， n 表示量测数据Zk+1的维数， Zk+1在模型集M中的模型 下的均值和协方差分别表示为 和 在真实运动模式sk下的均值和协方差分别表示 为 和 权　利　要　求　书 1/1 页 2 CN 114494340 A 2一种KL交互式 多模型水下目标跟踪 方法 技术领域 [0001]本发明属于水声传感器网络目标跟踪领域， 涉及统计信号处理、 信息融合、 目标跟 踪理论， 用于在水 下复杂环境中对水 下目标进行高精度地跟踪。 背景技术 [0002]水下目标跟踪技术目前已经成为一个十分前沿的研究领域。 水下目标跟踪技术对 于水下作战、 海底目标监视以及海洋资源开发等领域具有重大战略意义。 无论在军事国防 领域还是普通民用领域， 保证高可靠性和高精度的目标跟踪 是目标跟踪系统设计和改进的 主要指标。 在目标跟踪系统中， 对目标运动进行建模是非常重要的一部分。 [0003]Blom和Bar ‑Shalom提出了交互式多模型(Interacting  Multiple  Model， IMM)算 法在强机动目标跟踪中具有很大的优势， 标准IMM算法中， 模型转移 概率和模型概率的选择 是调整IM M性能的关键因素。 [0004]徐登荣等人提出了一种自适应转移概率IMM算法， 将强跟踪修正输入估计   (STMIE)模型和匀速运动模型作为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模型对非机动目标的跟踪精度高， 实现对目标的全面自适应跟踪， 但是该算法 计算量大。 发明内容 [0005]为了克服现有技术的不足， 本发明提供一种KL交互式多模型水下目标跟踪方法， 针对海水介质的物理特性对量测信息存在的干扰， 引入KL(Kullback ‑Leiber)散度来计算 模型概率加权系数， 使用KL散度来计算运动模型集中某一运动模型和目标真实运动模式的 匹配度的大小， 结合标准IMM算法中基于新息似然函数的模 型概率更新方法， 使得该模型选 择更加贴合 目标的真实运动模型， 进而提高目标的位置估计精度。 本发明不仅能够满足水 下目标运动模型的建立既要能够描述机动 目标复杂多变的运动状态， 还能够满足计算量 小、 易于处 理的要求。 [0006]本发明解决其 技术问题所采用的技 术方案包括以下步骤： [0007]步骤1， 构建IM M模型的模型集M， 模型集中包 含若干运动子模型； [0008]步骤2， 对全部运动子模型的初始状态根据模型转移概率进行交互运算， 得到目标 混合状态输入 和协方差矩阵 其中， N表示模型集M中的运动子 模型数量， 和 分别为模型集M中第i个运动子模型在k时刻的目标状态和协方差矩 阵， 为预测模型转换概 率； [0009]步骤3， 当目标进入监测区域内， 唤醒感知范围内的传感器节点， 被唤醒的传感器 节点对目标进行TOA量测， 获得量测数据Zk+1；说　明　书 1/7 页 3 CN 114494340 A 3