1.一种WSN中基于模型概率实时修正的IMM目标跟踪方法，其中无线传感器网络WSN由Ns个随机分布在监控区域位置已知的锚节点组成，运动目标携带一个信号接收器，在运动过程中接收由Ns个锚节点发送的信号，所述监控区域中具有一处理器，该处理器能与无线传感器网络WSN中的传感器相互通信，其特征在于，所述跟踪方法包括：步骤S1、构建RSSI指纹库，根据所述RSSI指纹库以及SVR算法得到观测方程；

步骤S2、由目标上一时刻目标的状态估计 和上一时刻每个滤波器的模型的概率μi(k‑1)，计算当前时刻交互作用各滤波器输入的混合状态估计和协方差；

步骤S3、将所述混合状态估计和协方差，输入到相应的滤波器计算，得到对应的状态估计值 以及残差vj(k)和残差协方差Sj(k)；

步骤S4、更新滤波器的模型的概率；

步骤S5、基于模型的概率，对每个滤波器的输出结果进行加权合并，得到总的状态估计和 和总的协方差估计P(k|k)；

步骤S6、对测量噪声协方差矩阵进行修正，具体实施步骤如下：

6a)确定模糊输入量；

IMM算法输出的系统残差为

系统残差协方差矩阵的理论值为

T

T(k)＝HP(k|k)H+R

系统残差协方差矩阵的统计值为

式中，N为移动估计窗口的大小，k0＝k‑N+1；

理论协方差矩阵和实际协方差矩阵之间的差定义为Di＝T(k)‑E(k)

从上述公式可知，当测量噪声协方差矩阵R主对角线元素增加或者较少时，矩阵Di主对角线的元素也作相应的变化；输入输出语言变量定义如下：Di:负(N),零(Z),正(P)

ΔRi:减小(D),不变(M),增加(I)

6b)制定模糊规则、确定输入输出隶属度函数；

由此可定义如下的模糊系统的规则，使得理论协方差与统计残差协方差之间的差异最小：if diag(Di)＝0,then ΔRi＝0if diag(Di)＞0,then ΔRi＜0if diag(Di)＜0,then ΔRi＞0

6c)训练隶属度函数的参数；

给定数据集{(D1,ΔR1),(D2,ΔR2),…,(Dk,ΔRk)}，定义网络输出残差为式中， 为给定输入D1下模糊神经网络的输出；隶属度函数的参数可由梯度下降算法学习得到，即式中，λ＞0为学习速率，m为迭代次数，θ表示隶属度；

6d)解模糊；

根据最大‑最小原则进行解模糊，可得到网络的最终输出为‑1 ‑1 ‑1

式中，I (α1)、M (α2)和D (α3)表示其对应的反函数，α1,α2,α3分别表示隶属度函数的输出；

因此，在每次迭代中观测噪声协方差矩阵R自适应调整Ri(j,j)＝Ri‑1(j,j)+ΔRjRk(j,j)表示k时刻观测噪声协方差矩阵第j行第j列的元素，Rk‑1(j,j)表示k‑1时刻观测噪声协方差矩阵第j行第j列的元素；

6e)将网络输出反馈至步骤3；

步骤S7、根据IMM子模型中连续时间点之间的模型概率的比值，对Markov转移概率进行修正，将修正后的值反馈至步骤S2，具体实施步骤如下：假设k‑1时刻模型j的概率为μj(k‑1)，模型i切换至模型j的转移概率为pij(k‑1)，k时刻模型i和模型j的概率分别为μi(k)、μj(k)；

7a)Markov转移概率修正如下

式中，γ为比例系数，其值的选取视情况而定；λi表示模型i连续时间点之间的模型概率的比值，λj表示模型j连续时间点之间的模型概率的比值；

7b)考虑到k时刻某一模型向其它模型切换的概率为1，归一化为

7c)增加限定条件，在算法迭代过程中，判断自适应调整后的Markov概率转移矩阵是否满足:pi,i＞0.5,i＝1,…,m

如果满足，则更新转移概率，反之，则不更新；

7d)将更新后的Markov概率转移矩阵反馈至步骤2。

2.根据权利要求1所述的一种WSN中基于模型概率实时修正的IMM目标跟踪方法，其特征在于，所述构建RSSI指纹库，根据所述RSSI指纹库以及SVR算法得到观测方程，包括：在监控区域中选取个参考点，其位置记为pl，l∈{1,...,Np}，测量所有所述参考点的RSSI，记为 则RSSI指纹库为(ρl,pl)，在k时刻目标节点接收到的由锚节点发射信号的RSSI，位置指纹信息记为根据所收集到的位置指纹信息，利用SVR构建一个输入为ρ(k)，输出为传感器节点位置pl的函数ψ(·)，则因此传感器的观测模型为：z(k)＝ψ(ρ(k))+n(k)

其中，n(k)为传感器测量噪声。

3.根据权利要求2所述的一种WSN中基于模型概率实时修正的IMM目标跟踪方法，其特征在于，所述由目标上一时刻目标的状态估计 和上一时刻每个滤波器的模型的概率μi(k‑1)，计算当前时刻交互作用各滤波器输入的混合状态估计和协方差，包括：计算模型i到模型j的混合概率μij(k‑1|k‑1),式中，μi(k‑1)为模型i在k‑1时刻的概率，pij表示Markov概率转移矩阵，根据目标上一时刻目标的状态估计 和混合概率μij(k‑1|k‑1)计算混合状态估计根据状态估计 和混合状态估计 以及混合概率μij(k‑1|k‑

1)计算协方差为Poj(k‑1|k‑1)，

4.根据权利要求3所述的一种WSN中基于模型概率实时修正的IMM目标跟踪方法，其特征在于，利用下式对测量噪声协方差矩阵进行修正，Rk(j,j)＝Rk‑1(j,j)+ΔRjRk(j,j)表示k时刻观测噪声协方差矩阵第j行第j列的元素，Rk‑1(j,j)表示k‑1时刻观测噪声协方差矩阵第j行第j列的元素。

5.根据权利要求4所述的一种WSN中基于模型概率实时修正的IMM目标跟踪方法，其特征在于，采用下式对Markov转移概率进行修正，其中，γ为比例系数，λi表示模型i连续时间点之间的模型概率的比值，λj表示模型j连续时间点之间的模型概率的比值；

采用下式对修正后的Markov转移概率进行归一化，

6.根据权利要求5所述的一种WSN中基于模型概率实时修正的IMM目标跟踪方法，其特征在于，判断修正后的Markov概率转移矩阵是否满足pi,i＞0.5,i＝1,…,m如果满足，则更新转移概率，反之，则不更新。

7.一种WSN中基于模型概率实时修正的IMM目标跟踪装置，其中无线传感器网络WSN由Ns个随机分布在监控区域位置已知的锚节点组成，运动目标携带一个信号接收器，在运动过程中接收由Ns个锚节点发送的信号，所述监控区域中具有一处理器，该处理器能与无线传感器网络WSN中的传感器相互通信，其特征在于，所述跟踪装置包括：观测方程构建模块，用于构建RSSI指纹库，根据所述RSSI指纹库以及SVR算法得到观测方程；

状态变量及协方差计算模块，由目标上一时刻目标的状态估计 和上一时刻每个滤波器的模型的概率μi(k‑1)，计算当前时刻交互作用各滤波器输入的混合状态估计和协方差；

第一估计模块，用于将混合状态估计和协方差，输入到相应的滤波器计算，得到对应的状态估计值 以及残差vj(k)和残差协方差Sj(k)；

更新模块，用于更新滤波器的模型的概率；

第二估计模块，用于基于模型的概率，对每个滤波器的输出结果进行加权合并，得到总的状态估计和 和总的协方差估计P(k|k)；

第一修正模块，用于对测量噪声协方差矩阵进行修正，具体实施步骤如下：

6a)确定模糊输入量；

IMM算法输出的系统残差为

系统残差协方差矩阵的理论值为

T

T(k)＝HP(k|k)H+R

系统残差协方差矩阵的统计值为

式中，N为移动估计窗口的大小，k0＝k‑N+1；

理论协方差矩阵和实际协方差矩阵之间的差定义为Di＝T(k)‑E(k)

从上述公式可知，当测量噪声协方差矩阵R主对角线元素增加或者较少时，矩阵Di主对角线的元素也作相应的变化；输入输出语言变量定义如下：Di:负(N),零(Z),正(P)

ΔRi:减小(D),不变(M),增加(I)

6b)制定模糊规则、确定输入输出隶属度函数；

由此可定义如下的模糊系统的规则，使得理论协方差与统计残差协方差之间的差异最小：if diag(Di)＝0,then ΔRi＝0if diag(Di)＞0,then ΔRi＜0if diag(Di)＜0,then ΔRi＞0

6c)训练隶属度函数的参数；

给定数据集{(D1,ΔR1),(D2,ΔR2),…,(Dk,ΔRk)}，定义网络输出残差为式中， 为给定输入D1下模糊神经网络的输出；隶属度函数的参数可由梯度下降算法学习得到，即式中，λ＞0为学习速率，m为迭代次数，θ表示隶属度；

6d)解模糊；

根据最大‑最小原则进行解模糊，可得到网络的最终输出为‑1 ‑1 ‑1

式中，I (α1)、M (α2)和D (α3)表示其对应的反函数，α1,α2,α3分别表示隶属度函数的输出；

因此，在每次迭代中观测噪声协方差矩阵R自适应调整Ri(j,j)＝Ri‑1(j,j)+ΔRjRk(j,j)表示k时刻观测噪声协方差矩阵第j行第j列的元素，Rk‑1(j,j)表示k‑1时刻观测噪声协方差矩阵第j行第j列的元素；

6e)将网络输出反馈至步骤3；

第二修正模块，用于根据IMM子模型中连续时间点之间的模型概率的比值，对Markov转移概率进行修正，具体实施步骤如下：假设k‑1时刻模型j的概率为μj(k‑1)，模型i切换至模型j的转移概率为pij(k‑1)，k时刻模型i和模型j的概率分别为μi(k)、μj(k)；

7a)Markov转移概率修正如下

式中，γ为比例系数，其值的选取视情况而定；λi表示模型i连续时间点之间的模型概率的比值，λj表示模型j连续时间点之间的模型概率的比值；

7b)考虑到k时刻某一模型向其它模型切换的概率为1，归一化为

7c)增加限定条件，在算法迭代过程中，判断自适应调整后的Markov概率转移矩阵是否满足:pi,i＞0.5,i＝1,…,m

如果满足，则更新转移概率，反之，则不更新；

7d)将更新后的Markov概率转移矩阵反馈至步骤2。

8.根据权利要求7所述的一种WSN中基于模型概率实时修正的IMM目标跟踪装置，其特征在于，利用下式对测量噪声协方差矩阵进行修正，Rk(j,j)＝Rk‑1(j,j)+ΔRjRk(j,j)表示k时刻观测噪声协方差矩阵第j行第j列的元素，Rk‑1(j,j)表示k‑1时刻观测噪声协方差矩阵第j行第j列的元素。

9.根据权利要求8所述的一种WSN中基于模型概率实时修正的IMM目标跟踪装置，其特征在于，采用下式对Markov转移概率进行修正，其中，γ为比例系数，λi表示模型i连续时间点之间的模型概率的比值，λj表示模型j连续时间点之间的模型概率的比值；

采用下式对修正后的Markov转移概率进行归一化，

10.根据权利要求9所述的一种WSN中基于模型概率实时修正的IMM目标跟踪装置，其特征在于，判断修正后的Markov概率转移矩阵是否满足pi,i＞0.5,i＝1,…,m；

如果满足，则更新转移概率，反之，则不更新。