✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。
🍎个人主页：Matlab科研工作室
🍊个人信条：格物致知。
更多Matlab仿真内容点击👇
⛄ 内容介绍
1 算法原理
IMM（Interacting Multiple Model）多模滤波器是一种用于目标跟踪和估计的滤波器方法。它通过同时多个滤波器模型来表示可能的目标运动模式，并通过相互交互来提高跟踪的准确性和鲁棒性。
IMM多模滤波器的基本原理如下：
- 模型选择：
- 定义一组不同的滤波器模型，每个模型对应一种特定的目标运动模式或动力学模型。
- 这些模型可以包括线性模型（如卡尔曼滤波器或扩展卡尔曼滤波器）或非线性模型（如粒子滤波器）等。
- 预测步骤：
- 对于每个滤波器模型，根据当前模型的状态估计和过渡模型，进行目标状态的预测。
- 测量更新：
- 对于每个滤波器模型，将实际观测数据与预测结果进行比较，并计算观测残差。
- 使用观测残差和相应模型的测量模型，更新目标状态的估计。
- 权重更新：
- 对于每个滤波器模型，在预测步骤和测量更新步骤之后，根据模型之间的相似度、观测残差的拟合程度等因素，更新模型权重。
- 权代表了每个模型在整体目标跟踪献程度，适的模型会具有更高的权重。
- 混合估计：
- 使用模型权重对各个模型的状态估计进行加权平均，得到最终的目标状态估计结果。
- 可以通过根据模型权重选择具有最高权重的单个模型来进行单模滤波。
全局最近邻GNN（Global Nearest Neighbor）算法是在多目标跟踪问题中常用的关联算法，用于将预测的目观测的目标进行匹配和关联。
GNN算法的基本原理如下：
- 建立关联候选集每个预测的目标和每个实际观测的目标，计算它们之间的距离或相似度，并建立关联候选集 初始化关联矩阵：
- 创建一个初始的关联矩阵，记录预测目标与观测目标之间的关联情况。
- 将关联矩阵初始化为全部为0。
- 依次选择关联：
- 在关联候选集中，选择具有最小距离或最高相似度的预测-观测对作为初始关联。
- 将该关联添加到关联矩阵中，表示这两个目标已关联。
- 进行唯一关 - 对于每个预测目标和观测目标，检查是否存在其他关联，其距离或相似度比当前最小矩阵。
- 执行关联更新：
- 对于每个未被关联的目标，选择其与预测目关联。
- 返回最终关联结果。
全局最近邻GNN算法基于目标之间的距离或相似度来寻找最佳匹配关系。它能够考虑所有的测目标和观测目标之间的关系，避免了局部极距离或相似度度量、设置匹配阈值以及考虑目标数量多的情况等问题，来提高算法的性能和鲁棒性。此外，GNN算法通常会与滤波器方法（如卡尔曼滤波、粒子滤波等）结合使用，以进一步提升跟踪的准确性和稳定性。
2 算法流程
基于IMM（Interacting Multiple Model）多模滤波器和全局最近邻GNN（Global Nearest Neighbor）算法可以实现雷达多机动目标的自适应跟踪。这个方法结合了多模滤波器的模型切换能力和GNN算法的目标关联性来实现高效准确的目标跟踪。
下面是一个大致的流程：
- 模型预测：
- 使用IMM多模滤波器，为每个目标模式构建相应的状态空间模型，包括线性和非线性模型，并根据历史观测数据对其进行预测。
- 目标关联：
- 使用全局最近邻GNN算法来关联预测结果和实际观测值。这通过计算预测目标与观测目标之间的距离并应用某种阈值或相似度度量来完成。
- 状态更新：
- 对每个关联的目标目标使用IMM多模滤波器的状态更新步骤来更新目标的状态估计。
- 这可以涉及卡尔曼滤波、扩展卡尔曼滤波、粒子滤波等常见的滤波器技术，具体取决于所选择的模型。
- 状态切换：
- 基于IM滤波器的模型切换能力，在每次预测步骤或状态更新后，根据观测残差，评估目标当前所处的模式，并决定是否切换到其他模式。
- 目标舍弃：
- 对于未关联的目标，可以通过一定的阈值或相关度度量来确定其是否应该被舍弃或保留以供后续的跟踪。
通过这种方式，结合IMM多模滤波器和全局最近邻GNN算法，可以实现对雷达多机动目标的自适应跟踪。该方法提供了较好的准确性和鲁棒性，允许在不同的目标运动模式下进行自适应跟踪，并能够在面临目标丢失或新目标出现时采取相应的措施。然而，具体的实施细节还需要根据特定的问题和需求进行定制化设计和优化。
⛄ 部分代码
function [currentjob,jobq] = getCurrentRadarTask(jobq,current_time)
searchq = jobq.SearchQueue;
trackq = jobq.TrackQueue;
searchidx = jobq.SearchIndex;
num_trackq_items = jobq.NumTrackJobs;
% Update search queue index
searchqidx = mod(searchidx-1,numel(searchq))+1;
% Find the track job that is due and has the highest priority
readyidx = find([trackq(1:num_trackq_items).Time]<=current_time);
[~,maxpidx] = max([trackq(readyidx).Priority]);
taskqidx = readyidx(maxpidx);
% If the track job found has a higher priority, use that as the current job
% and increase the next search job priority since it gets postponed.
% Otherwise, the next search job due is the current job.
if ~isempty(taskqidx) % && trackq(taskqidx).Priority >= searchq(searchqidx).Priority
currentjob = trackq(taskqidx);
for m = taskqidx+1:num_trackq_items
trackq(m-1) = trackq(m);
end
num_trackq_items = num_trackq_items-1;
searchq(searchqidx).Priority = searchq(searchqidx).Priority+100;
else
currentjob = searchq(searchqidx);
searchidx = searchqidx+1;
end
jobq.SearchQueue = searchq;
jobq.SearchIndex = searchidx;
jobq.TrackQueue = trackq;
jobq.NumTrackJobs = num_trackq_items;
⛄ 运行结果
⛄ 参考文献
[1] 王永生,范洪达.机动目标跟踪的IMM和IMMF-LS自适应滤波算法[J].计算机仿真, 2002, 19(5):5.DOI:CNKI:SUN:JSJZ.0.2002-05-014.
[2] 陆新东,胡振涛,刘先省,等.基于IMM多传感器顺序粒子滤波跟踪机动目标算法[J].传感器与微系统, 2012, 31(4):4.DOI:10.3969/j.issn.1000-9787.2012.04.041.
[3] 韩宏亮.基于IMM的雷达目标跟踪算法研究[D].南京信息工程大学,2011.DOI:10.7666/d.y1891509.
[4] 秦雷,李君龙,周荻.基于AGIMM的临近空间机动目标跟踪滤波算法[J].系统工程与电子技术, 2015, 37(5):6.DOI:10.3969/j.issn.1001-506X.2015.05.05.
