具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例：

请参阅图1至图4，本发明提供一种技术方案：

一种基于支持向量回归的交互式多模型算法，包括以下步骤：

S1:搭建基于支持向量回归的交互式多模型算法，将支持向量回归网络作为反馈网络与传统交互式多模型算法连结，获取算法的调节系数。

其中，在每一个跟踪时刻，每种模型对应的目标状态输入交互值和量测首先进入反馈网络得到当前时刻调节不同模型过程噪声协方差的系数，将该系数作为调节系数，后面交互式多模型算法按照此调节系数来估计目标当前状态值。

另外，所述向量回归网络的输入节点数与目标状态、量测维数和对应，输出层节点为1，网络关系式为：

S2:选取训练集和标签集，按照设定归一标准化规则对训练集和标签集进行预处理。

所述训练集包括多个机动等级的目标数据集，将目标数据集切分处理后获得训练集和标签集，所述标签集为每个时刻的目标真实状态，所述归一标准化规则为Min-Max标准化方式。

S3:根据支持向量回归网络模型及其训练参数，使用训练参数对支持向量回归网络模型进行训练，使其最终达到收敛。

其中，设置模型的训练参数，包括学习率和优化器参数，这些参数根据训练、测试效果可进行调整，最终选取一个最优参数值，使用MSE作为损失函数并以端到端的方式训练反向传播神经网络，其中损失函数为：

其中，m为训练数据数。

S4:将待处理的对应模型的目标状态输入交互值和量测输入到上述改进模型中得到目标当前时刻状态估计值。

为实现上述目的，本发明另外还提供一种基于支持向量回归的交互式多模型系统，其中，所述系统包括：

模型构建模块，用于搭建基于支持向量回归的交互式多模型算法，并将支持向量回归网络作为反馈网络与传统交互式多模型算法连结，获取算法的调节系数；

数据预处理模块，用于选取训练集和标签集，按照设定归一标准化规则对训练集和标签集进行预处理；

网络训练模块，用于根据支持向量回归网络模型及其训练参数，使用训练参数对支持向量回归网络模型进行训练，使其最终达到收敛；以及；

估计值计算模块，用于将待处理的对应模型的目标状态输入交互值和量测输入到上述改进模型中得到目标当前时刻状态估计值。

为实现上述目的，本发明另外还提供一种基于支持向量回归的交互式多模型存储介质，其中，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时能够实现上述的使用支持向量回归的交互式多模型算法的步骤。

所述存储介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM)、随机存取存储器(RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

所述存储介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM)、随机存取存储器(RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

为实现上述目的，本发明另外还提供一种基于支持向量回归的交互式多模型计算机设备，其中，所述设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的使用支持向量回归的交互式多模型算法的算法程序，所述使用支持向量回归的交互式多模型算法的算法程序配置为实现上述的使用支持向量回归的交互式多模型算法的步骤。

所述计算机设备可以是桌上型计算机、工业电脑、数控设备、工业机器人、服务器等计算设备。本领域技术人员可以理解，所述计算机设备包括处理器和存储器，所述存储器用于存储指令的描述仅是设备的示例，并不构成对计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。