基于交互式多模型的目标跟踪算法研究(4)
当期统计（CS）模型，这一类分布拥有这样的一个优势：分布由于平均值的变化而发生改变，方差由均值决定。因此，该模型可以实现闭环自适应跟踪，它在估计目标状态的同时，可以识别出机动加速的均值。
状态向量 ，由于采用加速度均值自适应，CS模型的状态方程略有不同：
其中， 为机动频率，取0.1s， 为机动加速度方差， 为机动时可能出现的最大加速度，取100m/s2，q11~q66的计算需参考有关文献。
“当前”统计模型可以依据上一时刻的加速度估计值来及时调整过程噪声的。许多的实验都得出这一结论，每当进行机动目标跟踪时，这一模型都表现出很好的跟踪成果。同时我们也可以得到，每当跟踪匀速运动的目标或小机动的目标时，这种方法的偏差仍然是非常大的，在跟踪比较大的机动目标的时候，它的速度和加速度估计的动态延迟很明显。
2.2 目标跟踪卡尔曼滤波
目前的大部分目标跟踪算法都和卡尔曼滤波算法有关，可见其具有的重要性，而比起其他的算法，它具有以下特征：
1）算法是递归的，它对多文随机过程的估计非常合适，由于其在时间域内利用状态空间设计滤波器。不同时间的量测结果没必要被储存，一般是通过实时处理提炼出对应的数据信息，随着滤波步数越来越多，所提取出的信息可靠性也在不断的提高。
2）利用状态方程估计的动态变化，状态方程和激励白噪声的统计信息共同确定被估计量的动态信息。不需要知道在不同的时间被估计量和量测量的一阶或两阶矩阵，只需知道驱动噪声的统计特性以及系统状态方程和量测噪声的统计特性。
3）连续和离散两种算法，离散化算法可直接在计算机上进行。
正是由于以上这些特点，在机动目标的跟踪这一领域，卡尔曼滤波获得了广泛的应用。在所有方向上的理想目标跟踪应该是线性的，但事实上，在雷达测量噪声的每个方向的直角坐标系统是非线性的。