交互式多模型的转移概率自适应算法研究及应用

摘要

交互式多模型(lnteracting Multiple Model，IMM)兼具低计算量与高精度的优势，是最主流、最具费效比的多模型算法，在混合系统状态估计领域有着广泛的应用。转移概率矩阵(Transition Probability Matrix，TPM)是IMM算法中的重要参数，往往根据先验信息被设置为固定的常数矩阵，这是一种保守而折中的参数设定方法，导致IMM算法不能达到预期性能。本文分析了IMM算法估计混合系统状态时，不同系统状态下对TPM的需求，针对其转移概率自适应算法的研究与应用展开了如下工作： 1、由于模型概率的斜率中蕴含着系统模型模型跳转趋势，因此根据该斜率构造了转移概率修正函数，提出了一种基于模型概率斜率修正的转移概率自适应交互式多模型算法，并通过仿真实验验证了算法的性能。2、根据后项差分思想，构造了基于模型概率后项差分的转移概率修正函数，提出一种基于模型概率N阶后项差分的转移概率自适应交互式多模型算法，分析了差分阶数N对算法性能的影响，并通过仿真实验验证算法的性能。 3、针对上述根据模型概率信息修正的IMM算法不能适时判断系统当前模型状态，导致算法响应模型跳转能力弱化的问题，提出了一种基于似然函数比的模型跳转判断方法，通过该方法提供的当前模型信息重新构造了转移概率修正函数，提出一种基于转移概率自适应的并行交互式多模型算法，采用仿真实验验证了该算法的性能。模型切换阈值是该算法的重要参数，通过理论分析与仿真实验给出了该参数的设置准则。 4、运行列车的运动状态分析实际上是一种混合系统状态估计问题，针对动力学模型集参数难确定的问题，提出一种基于受力分析的列车动力学模型集建模方法，并将本文所提的转移概率自适应IMM算法应用于列车运动状态分析中，仿真实验证明了本文所提建模方法、转移概率自适应交互式多模型算法在列车运动状态分析中的可行性与有效性。

目录

声明

1 绪论

1.1. 选题背景与意义

1.2 国内外研究现状

1.3 主要研究内容

1.4 本文的组织结构

2 机动目标跟踪动力学模型以及状态估计算法

2.1 动力学模型

2.1.1匀速运动模型

2.1.2 匀加速运动模型

2.1.3 协同转弯模型

2.2 贝叶斯理论以及最优滤波

2.2.1贝叶斯公式

2.2.2 最优滤波器

2.3 混合系统以及交互式多模型算法

2.3.1 混合系统以及广义伪贝叶斯算法

2.3.2交互式多模型算法

2.4 本章小结

3基于惯性抗噪的转移概率自适应IMM算法

3.1 影响IMM算法性能的主要因素

3.1.1 模型集

3.1.2 转移概率矩阵

3.2基于概率信息修正的转移概率自适应IMM算法

3.2.1 基于模型概率斜率修正的转移概率自适应IMM算法

3.2.2 基于模型概率N阶差分修正的转移概率自适应IMM算法

3.3本章小结

4基于转移概率自适应的并行交互式多模型算法

4.1模型跳转判断方法及转移概率修正函数

4.2转移概率自适应的并行交互式多模型算法

4.3 模型切换阈值对ATPM-PIMM算法性能的影响

4.4仿真实验

4.5 本章小结

5转移概率自适应的交互式多模型在列车运动状态分析中的应用

5.1列车牵引力及牵引特性曲线

5.2列车运行阻力

5.3基于受力分析的列车动力学模型建模

5.4 基于转移概率自适应IMM算法的列车运动状态分析

5.5本章小结

6 结论与展望

6.1 论文总结

6.2 论文展望

致谢

参考文献

攻读硕士期间研究成果