【正文】 的點跡來修正航跡 。這種算法雖然計算簡單 ， 但是由于距離預測量測位置最近的點跡并不一定就是真實的點跡 ， 所以在密集環(huán)境下容易造成錯誤 。Fitzgerald曾經(jīng)考慮用關(guān)聯(lián)概率最大的三個點跡來更新航跡 ， 算法雖然減少了計算量 ， 但是會造成有用點跡的丟失 。 尤其當多個點跡和預測量測位置之間距離相近時 ， 會造成選取點跡的困難 ， 影響跟蹤精度 。 為克服上述問題， 給出一種選取跟蹤門內(nèi)點跡的 改進 方法。 假設(shè) k 時刻航跡it的預測量測值為)(? kz i，mi ,...2,1?，即有 m 條航跡，航跡 i的跟蹤門內(nèi)點跡為)( kz li（)(, . . .2,1 inl ?）。 定義真實量測和預測量測的距離為： )(?)()( kzkzkv ilili ?? 令： )()())(()( 1 kvkSkvka liTlili ?? 由于同一點跡可能落在多個跟蹤門內(nèi)，如果出現(xiàn)這種情況，比如分別 落在航跡kji ,中，對應有)( ka li，)( ka lj和)( ka lk， 需要做歸一化處理，處理如下： ))()()(()()(kakakakakb lkljlilili ??? （ 2 94 ） ))()()(()()(kakakakakb lkljliljlj ??? （ 2 95 ） ))()()(()()(kakakakakb lkljlilklk ??? （ 2 96 ） 這樣對于 J P D A 算法可以歸結(jié)為利用 P D A 算法進行處理。這里假設(shè)前面落在多個跟蹤門內(nèi)的點跡的)( ka li已經(jīng)歸一化。將)( ka li（)(, . . .2,1 iml ?）按從小到大排列，現(xiàn)在依次從大到小逐個去掉，直到剩下的數(shù)值之和與??)(1)(imllika之比大于某個閾值?，即： ??????)(1)(1)()(imlliklllikakai， （ 2 97 ） 這里)( kl i就是k時刻軌跡i的跟蹤門內(nèi)點跡的最終選取的個數(shù)，同時所選取的點跡也就確定了。 ?根據(jù) JPDA算法計算出個聯(lián)合概率，由于去掉了一些作用比較小的點跡，所以聯(lián)合概率之和不為 1，所以要對這個聯(lián)合概率進行歸一化處理。 ?該方法通過閾值的選取，在保證計算精度的前提下，解決了 PDA和 JPDA算法中計算量太大的問題。 圖 新的點跡選取方法的 JPDA算法仿真 ?參考文獻 ? 2． 01. Singer R A, Kanyuck A T. Computer control of multiple site track data automation. 1971,7(3):455463. ? 2． 02. BarShalom Y, Fortmann T E. Tracking and Data Association. New York: Academic Press, 1988,266272. ? 2． 03. Gul E. On the track similarity test in track splitting algorithm. IEEE Trans. On AES, 1994, AES30(2):604606. ? 2． 04. Kosoka M, et al. A track correlation algorithm for multisensor integration. Proc. Of the IEEE/AIAA 5th Digital Avionics Systems Conf. USA, 1983,? 2． 1. 何友 ， 譚慶梅 ， 蔣蓉蓉 。 多傳感器綜合系統(tǒng)中的航跡相關(guān)算法 。 火力與指揮控制 ， 1989年第 1期 。 ? 2． 21. Bowman C L. Maximum likelihood track correlation for multisensor integration. IEEE 1979,374376. ? 2． 22. Chang C B, Youens L C. Measurement correlation for multiple sensor tracking in a dense target environment. IEEE Trans. on AC, 1982, AC27(6):12501252. ? 2． 23. 何友 ， 彭應寧 ， 陸大 ， 高志永 。 分布式多傳感器數(shù)據(jù)融合中的雙門限航跡關(guān)聯(lián)算法 。 電子科學學刊 ， :721728. ? 2． 30. , , Suboptimal Joint Probabilistic Data Association. IEEE Transactions on Aerospace and Electronic Systems, , April 1993. ? 2． , . Track biases and coalescence with probabilistic data association. IEEE Transaction on Aerospace and Electronic Systems, AES21(Nov,1985),822825. 利用直接記錄或分析系統(tǒng)的輸入和輸出信號的方法估計系統(tǒng)的非參數(shù)模型。所謂非參數(shù)模型是指系統(tǒng)的數(shù)學模型中非顯式地包含可估參數(shù)。例如，系統(tǒng)的傳遞函數(shù)、頻率響應、脈沖響應、階躍響應等都是非參數(shù)模型。非參數(shù)模型通常以響應曲線或離散值形式表示。非參數(shù)模型的辨識可通過直接記錄系統(tǒng)輸出對輸入的響應過程來進行；也可通過分析輸入與輸出的自相關(guān)和互相關(guān)函數(shù) (見相關(guān)分析法建模 )，或它們的自功率譜和互功率譜函數(shù) (見頻譜分析方法建模 )來間接地估計。非參數(shù)模型是經(jīng)典控制理論中常用的描述線性系統(tǒng)的數(shù)學模型。傳遞函數(shù)反映輸入與輸出的拉普拉斯變換在復數(shù)域上的響應關(guān)系，頻率響應反映它們的傅里葉變換在頻率域上的響應關(guān)系，而脈沖響應和階躍響應則是在時域上的響應關(guān)系。它們從不同的方面反映系統(tǒng)的動態(tài)特性。非參數(shù)模型比參數(shù)化模型直觀，辨識非參數(shù)模型的方法和計算也比辨識參數(shù)化模型的簡單。脈沖響應可以用直接記錄輸入脈沖函數(shù)的輸出響應的方法來辨識；頻率響應也可以直接利用單頻正弦輸入信號的響應來辨識。但是這種直接辨識方法只能應用于無隨機噪聲的確定性系統(tǒng)。對于有隨機噪聲的系統(tǒng)或隨機輸入信號，必須使用相關(guān)分析法或功率譜分析方法。隨著快速傅里葉變換儀、偽隨機信號發(fā)生器和相關(guān)儀的問世，辨識系統(tǒng)的非參數(shù)模型已變得比較容易。但非參數(shù)模型應用于實時控制和適應性控制仍不如參數(shù)化模型方便。非參數(shù)模型在某些情形下，可以轉(zhuǎn)化為參數(shù)模型。例如，如果一個系統(tǒng)的傳遞函數(shù)可以表示為有理分式H()=K/(+)，則系統(tǒng)的模型可以用常微分方程＇ +=表示，與為待估計的模型參數(shù)，這是參數(shù)化模型。又如，對于離散系統(tǒng)的權(quán)函數(shù)序列（離散脈沖響應序列）{,=0,1,…} ，如果在充分大（如 N0），而 ││充分小時 ,則模型可以表示為 [10801]并可用最小二乘法給出有窮權(quán)函數(shù)序列 {,=0,1,…N0} 的估計。一般說來 ,由參數(shù)模型容易獲得非參數(shù)的脈沖響應或頻率響應，但由非參數(shù)模型化為參數(shù)模型則要困難得多。