针对传统的交互多模型滤波算法中存在模型概率固化导致跟踪精度不高的问题, 提出了基于改进交互多模型滤波的目标跟踪波形优化算法。首先,通过联合前后两个时刻的模型概率对概率转移矩阵进行加权来改进交互多模型滤波; 然后,基于帐篷映射以及高斯扰动对秃鹰搜索算法进行改进; 最后,在多目标场景下根据最大互信息准则, 利用改进的交互多模型滤波建立目标函数, 使用改进的秃鹰搜索算法设计出最优发射波形。仿真结果表明, 使用所提算法可显著降低跟踪误差。

针对相控阵雷达在多目标跟踪过程中的波束调度管理问题, 以及传统的波束调度问题中仅优化所有目标中误差最小的目标, 面对高机动目标会导致一些误差较大的目标不收敛甚至丢失的问题, 提出一种基于最大平均协方差的雷达波束调度算法, 并结合交互式多模型滤波(IMM)算法和相控阵雷达无惯性采样的优势, 实现对多目标的稳定跟踪的波束调度, 并探究期望协方差与过程误差协方差(噪声误差)对跟踪过程的影响。仿真实验表明: 该算法可以有效实现多个高机动目标的协方差保持在期望范围内以及实现动态收敛, 并可以通过调节期望协方差与过程误差协方差来影响跟踪过程的置信度与收敛速度, 实现多目标稳定跟踪。

针对高能闪光X射线图像线性重建结果受系统模糊影响的问题，提出一种随机扰动优化和多模型融合的非线性重建算法。构建非线性正向模型并推导相应的雅可比矩阵形式，结合贝叶斯理论考虑该反演问题的求解及不确定量化，引入基于弱信息先验的超参数构建非线性分层贝叶斯模型。通过加速求解随机扰动的优化问题对条件分布进行采样，结合雅可比矩阵投影约束该优化问题的求解，并设计目标参数的提议分布以减小样本统计偏差。此外，提出一种多模型融合策略，在最小方差准则下融合线性与非线性贝叶斯模型的样本值，提高样本估计效率的同时确保重建结果呈现清晰的边缘和较高的精度。实验结果表明，该算法可以有效抑制系统模糊及噪声的影响，相比于线性重建算法可以得到更加准确的重建结果。

针对近红外光谱分析技术中未充分利用预测模型光谱数据的问题，提出了一种可充分利用光谱数据和有效预测蚕丝含量占比的新方法。以5种类型共145个样本的蚕丝含量占比以及相应的所有蛋白质基光谱数据为研究对象，将这些样本分别划分为校正集和验证集，并采用偏最小二乘回归（Partial Least Squares Regression， PLSR）方法和提出的偏最小二乘回归多模型（multi--model Partial Least Squares Regression， multi--PLSR）方法建立了预测模型。然后对比和观察了两种方法的预测效果。以类型2的蚕丝样本为例，选用13个主成分并对比两种模型后发现，multi--PLSR模型的相关系数由0.594增至0.9784，平均相对误差由0.4866降至0.1384。实验结果表明，新方法充分利用了光谱数据中的信息，提高了蚕丝含量占比预测模型的精度，为建立近红外光谱预测模型提供了一种新思路。

针对一类参数未知的非线性离散系统, 提出一种基于改进型BP神经网络的多模型控制方法。首先将非线性系统表示为线性部分和非线性部分。当非线性部分对系统影响较小时, 则直接采用基于固定模型和自适应模型而设计的鲁棒控制器对系统进行控制；而当非线性部分对系统影响较大时, 则采用基于改进的BP神经网络的自适应控制。其次, 利用切换准则对控制输入进行平滑切换并给出了稳定性证明。最后, 仿真结果表明所提方法能提高系统控制品质、减少控制信号的振荡。

针对传统的非线性滤波算法EKF在高机动、低数据率下跟踪精度下降较快和UKF在低数据率下线性化误差小但实时性差的缺点, 提出了一种基于数据率控制的交互式多模型滤波算法。该算法根据不同作战模式下目标的探测率和系统非线性大小, 自适应地分配EKF和UKF两种非线性滤波算法的加权比例, 有效克服了以往算法中仅选用单一滤波处理模型的缺陷。通过仿真验证, 所提算法有效解决了传统EKF算法在目标机动时数据率下降导致的系统跟踪精度和稳定性下降太快的问题, 相比UKF算法在机动段目标跟踪精度下降不多的情况下大大缩短了运行时间, 减少了雷达资源消耗。

针对广播式自动相关监视(ADS-B)航迹跟踪精度低以及目标跟踪模型与目标运动模型匹配效率低的问题, 结合自适应算法对经典交互多模型(IMM)算法的运动模型集进行改进。将经典交互模型(IMM)运动模型集中的匀加速运动(CA)模型, 改进为“当前”统计模型(CS)和修正转弯(MCT)模型。利用改进的模型集对目标当前位置、速度和加速度进行滤波估计。并对模型转移概率进行修正, 提高IMM算法的自适应能力, 实现快速目标跟踪。利用模拟航迹数据及实际设备接收的实测数据对算法进行验证。结果表明: 运动模型集改进后的IMM算法滤波结果优于经典IMM算法, 跟踪结果稳定, 改进的算法可适应复杂的目标航迹实时跟踪。

为了避免景深和遮挡的干扰, 提高人群计数的准确性, 采用了LeNet-5,AlexNet和VGG-16 3种模型, 提取图像中不同景深目标的特性, 调整上述模型的卷积核尺寸和网络结构, 并进行了模型融合。构造出一种基于多模型融合的深度卷积神经网络结构, 网络最后两层采用卷积核大小为1×1的卷积层取代传统的全连接层, 对提取的特征图进行信息整合并输出密度图, 极大地降低了网络参量且取得了一定提升的数据, 兼顾了算法效率和精度, 进行了理论分析和实验验证。结果表明, 在公开人群计数数据集shanghaitech两个子集和UCF_CC_50子集上, 本文中计数方法的平均绝对误差和均方误差分别是97.99和158.02,23.36和41.86,354.27和491.68, 取得比现有传统人群计数方法更好的性能; 通过迁移实验证明所提出的人群计数模型具有良好的泛化能力。该研究对人群计数精度的提高是有帮助的。

针对空中红外运动小目标检测虚警率较高的问题，提出了利用多种模型联合判决来实现红外运动小目标的检测方法。首先依据红外小目标的成像模型特点，采用背景预测算法逐像素判断是否为疑似目标点；然后依据目标知识模型，用支持向量机（ Support Vector Machine，SVM）分类器对疑似目标点进行二次判决，进一步滤除虚假目标点；最后依据运动模型来判断目标点在相邻帧之间的相对运动，筛除掉相对静止的虚假目标点，最终检测结果即为红外运动小目标。实验表明，该方法能有效降低对空红外运动小目标检测的虚警率，可用于强杂波环境下的红外运动小目标检测。

为提高非高斯噪声条件下机动目标跟踪的精度，提出基于交互式多模型极限迭代无偏有限脉冲响应滤波（IMM-极限迭代UFIR）算法。采用对噪声统计特性不敏感的极限迭代无偏有限脉冲响应滤波（UFIR）作为其子滤波器，对各模型进行状态估计，最后通过对各模型的输出结果综合得到机动目标状态。仿真结果表明，在噪声条件复杂的情况下，该算法比交互式多模型卡尔曼滤波（IMM-KF）具有更高的跟踪精度和稳定性，计算量小于IMM-PF，算法能较好地兼顾跟踪精度和计算量两方面性能。