栾铸徵，俞成龙，顾 兵，赵先涛

(中国船舶重工集团公司第723 研究所，江苏 扬州 225101)

0 引言

因为目标受航路、动力及环境等因素影响，目标总是在做机动运动，例如反舰导弹末端变轨，高空制导炸弹抛物线运动时受到空气阻力和重力的作用，旋翼无人机受人为控制飞飞停停等。这种机动性往往是不可预测的，使用单一固定的滤波模型很难准确跟踪机动目标状态，滤波器结果会发散，导致跟踪失败。因此由Blom 和Bar-Shalom 提出交互多模型(IMM)算法，采用基于位置、匀速、匀加速、Singer 等多种滤波并存方式，目标状态估计是多个滤波器交互作用的结果，采用马尔可夫(Markov)链控制模型间的交互，把各个模型上一时刻的滤波值进行交互作用作为各模型的下一时刻的输入，然后分别进行滤波，得到的结果进行模型概率加权输出作为最终的结果，效果比单模型的好，从而IMM 算法广泛应用到各个领域[1-4]。但在常规IMM中马尔可夫转移概率矩阵是固定值，并且模型概率是通过卡尔曼滤波(Kalman)更新过程中产生的残差来更新模型概率，模型概率更新及模型概率转移没有结合当前的目标状态分布。所以本文提出了以模型间似然函数(Likelihood Function)及多模型贝叶斯后验估计(Bayesian Estimation)融合思想，采用当前模型跟踪结果更新模型交互概率和以贝叶斯估计融合多模型输出作为目标状态更新值，与目标实际机动情况更加符合，本文对强机动目标和扰动静态目标进行了基于Kalman 滤波器的时变IMM 模型融合算法(TV-IMM)和常规IMM 方法(C-IMM)仿真，结果表明时变IMM 模型融合算法比常规IMM 方法更有效。……