1.具有类型概率的L‑RFS混合目标结构建模与估计方法，其特征在于，该方法具体包括以下步骤：步骤(1).设定多目标在k时刻的混合状态集合Xk：多目标在k时刻的混合状态Xk用随机有限集集合表示：Xk＝{(xk,1),(xk,2),…,(xk,N(k))}∈F(χ)；F(χ)表示状态空间χ的有限集的集合；N(k)为k时刻目标的个数，xk,i表示第i个多目标状态，每个值在状态空间χ上，i＝1,2,…,N(k)；

将带标签带类型的混合目标状态表示为：

Xk＝{(xk,1,l1,t1),(xk,2,l2,t2),…,(xk,n(k),ln(k),tN(k))}；标签 为离散分布的标签空间， 表示正整数集合，αi表示不同；混合目标的类型分量t∈(T0,T1,T2)，T0表示点目标，T1表示扩展目标，T2表示可分辨群目标；

由于GLMB滤波算法要求不同目标的标签不同且是唯一的，因此标签约束条件Δ(X)为：其中，X的标签集

表示x的标签集，x表示(x,l,t)；步骤(2).设定k时刻系统模型中的观测状态集合Zk：M(k)表示k时刻量测的个数，Zk,j表示第j个观测状态，j＝1,2,…,M(k)； 表示状态空间 的所有有限子集构成的集合；

扩展目标在k时刻的量测集 其中 表示第M'(k)个扩展目标在k时刻产生的量测集；

可分辨群目标在k时刻的量测集 其中 表示第M”(k)个可分辨群目标在k时刻产生的量测集；

Zk包含了杂波、目标量测和漏检信息；目标量测包括点目标、扩展目标和可分辨群目标的观测值；步骤(3).建立目标有限混合模型：多量测的观测数据集用以下混合分布函数来描述：其中，量测集 而 表示

第j个目标k时刻的形心点在xy轴上的位置、速度，rk+1表示k+1时刻的形心点在xy轴上的位置、速度和类型参数 是第j个目标k时刻的混合比例权重，ωk+1表示k+1时刻的混合比例权重，j是目标的指示变量，变量个数为mk，j＝0表示为杂波量测， 是第j个目标k+1时刻的形心点的量测，yk+1表示k+1时刻目标形心点的量测， 表示标签l下的第k+1时刻的观测集，yk+1,表示目标形心点的量测集；

混合比例权重约束条件为：

贝叶斯估计描述为：

‑1

为后验分布； 为似然函数， 为先验分布，C 是归一化常数， z1:k:＝{z1,…zk}；

步骤(4)建立似然函数

量测的似然函数通过如下等式计算：

其中

改写成如下等式：

其中缺失变量 并满足以下约束条件：

缺失变量 由条件均值 估计给出：

其中，

步骤(5)在混合目标跟踪工程中，三种类目标混合一起，需要进行分类跟踪，所以需要进行类型判断；

(5‑1)对于点目标来说，量测与状态点是一一对应的，即一个目标状态点只能有一个量测；

点目标服从单伯努利分布

其中PD(x)为存活概率，α∈(0,1)，量测值越靠近目标值，则该α值越大，且(|Z|‑PD)～N(0,0.1)；则认为第i个目标为点目标的概率为：(5‑2)多量测目标：能产生多个量测的目标为多量测目标，即为群目标或者扩展目标；

而不同多量测目标的参数具有不同的维数，因此可建立如下类型跳变矩阵；

上式中，元素Pr(j1,j2)表示为第j2种类型目标跳变为第j1种类型目标的跳变概率；但是并不要求该矩阵必须是对称矩阵，即Pr(j1,j2)可以不等于Pr(j2,j1)；

且类型目标跳转到各个目标的概率之和为1，即每个行向量之和为1；用如下约束条件由于该目标类型是已知的，因此用如下的类型概率向量来描述每个目标的结构类型其中，上标i表示第i个目标，下标k表示第k步，下标tj表示第tj个类型目标， 表示属于第tj个结构类型的概率；则每个目标的类型概率向量中具有最大概率值对应的分量就是多量测目标所属类型；

(5‑3)多量测目标观测空间通过 协方差得到协方差矩阵，并通过eig函数求出该矩阵的特征值和特征向量，并算出该目标的形状的长轴a和短轴b，并通过3σ标准差作为衡量扩展目标的标准；

即：

其中r为目标拟合后的圆半径；

扩展目标中的量测值服从泊松分布,则：

则对在X轴分布的Δnz,1+Δnz,2+…+Δnz,n做检验；

即，

则在3σ标准差下，求出满足扩展目标分布的类型概率密度 其中Δnz为中间变量；

(5‑4)在不可分辨体下，量测值和不可分辨体的个数来求出并对多量测下的各类目标概率进行归一化处理，处理如下：因此该混合目标的类型概率密度如下表示：其中， 再通过max准则检测出该目标类型；

(5‑5)扩展目标和群目标的类型概率的更新如下：其中，强度函数 公式如下：

每次计算完更新概率 后，需要对各类目标概率进行归一化处理，然后再循环进行预测更新过程；

步骤(6)使用GLMB滤波算法对混合目标进行跟踪，分为预测步和更新步两个部分；

δ‑GLMB的公式为：

(6‑1)预测步公式为：

在如下公式中，P(T)为类型概率，采用 表示新生标签 的权重，表示存活标签 的权重；新生目标的概率密度用pB(·,l)表示，存活目标密度 由先验密度pS(·,l)得到，存活目标的概率密度由f(·|·,l)表示；

(6‑2)更新步，可用Gibbs采样迭代学习算法来实现；

其中，θ: θ(i)＝θ(i′)＞0表示i＝i′；在一个固定的(I,ξ)中，在最大(M) (1) (M)权重 下，Θ的M个元素用Θ ＝{ξ ,…,ξ }来表示； 表示为截断后的归一化权重,P(T)表示各类型下的概率；其相关得参数定义如下；

在获得目标状态估计基础上，进一步学习出混合目标中多量测目标的形状；

步骤(7)Gibbs采样算法来估计高斯分布的均值协方差和各个高斯分布的权重，并用BIC准则来对几个高斯分布的拟合真实程度进行评价；输出得到权重，均值,协方差和BIC值,采用第nk个混合目标的等效量测 替代该混合目标量测,对多量测目标形状采用椭圆逼近建模,通过Gibbs参数学习算法不断学习出多量测目标的形状。