Dans cet article, on propose un filtre de consensus adaptatif pour la surveillance des cibles de manœuvres. Combinée avec des modèles statistiques de courant adaptatifs pour gérer l`incertitude dynamique, la véritable accélération d`une cible de manœuvre est estimée plus précisément. Le problème de non-linéarité est résolu à l`aide d`une transformation non parfumée, ce qui évite les erreurs de linéarisation des expansions de la série Taylor dans le filtre Kalman étendu et réduit le coût de calcul. Le protocole de consensus pondéré par l`information et les modèles multiples d`interaction adaptative sont appliqués pour améliorer la précision de l`estimation et unifier les estimations des cibles de manœuvre dans l`ensemble du réseau de capteurs, ce qui rend une image de situation partagée dans chaque nœud du capteur. Les résultats de la simulation illustrent que l`IMAM-UICF proposé surpasse l`IMAM, l`IMAM-DUIF et l`IMM-UICF en ce qui concerne l`exactitude de l`estimation et l`accord des estimations dans l`ensemble du réseau de capteurs. Pour résoudre l`incertitude de modèle de la cible par la technique d`estimation en entrée, un filtre de particules adaptatifs pour le suivi de la cible de manœuvre [21] est proposé. Le modèle de mesure multiplicatif est utilisé pour traiter le bruit de mesure (lié à l`État) dans le réseau de capteurs. En outre, toutes les mesures des capteurs sont envoyées au centre de fusion. Dans les réseaux de capteurs, IMM est toujours un excellent algorithme pour faire face à la manœuvre de la cible [22]. Les probabilités des modèles sont communiqués au Tracker de niveau central avec les mesures, de sorte que les effets des biais de capteur peuvent être réduits. L`estimation de l`État distribué avec l`incertitude du modèle est examinée par [23].
Le mélange distribué Kalman filtre est une méthode efficace pour gérer le système non linéaire et la cible de manœuvre. Basé sur une architecture distribuée, le consensus moyen est exécuté pour améliorer la précision de tous les capteurs. Pour tester l`efficacité de l`IMAM-UICF proposé, un simple problème de suivi de la cible de manœuvre est envisagé. Le mouvement cible bascule entre le modèle à vélocité constante et le modèle d`accélération constante. Un vecteur 6-D est choisi pour exprimer l`état de la cible, y compris la position 2D (x, y), la vitesse 2-D (υx, υy) et la vitesse accélérée 2-D (ax, ay). L`état de vérité initial de la cible est x (0) = [10080, 8000, − 5.8, − 11.6, 0, 0] T. De 1s à 60s, la cible se déplace à vitesse constante. De 61s à 110s, la cible se déplace à l`accélération constante. De 111s à 170s, la cible se déplace à vitesse constante. De 171s à 220s, la cible se déplace à une accélération constante. De 221s à 300s, la cible se déplace à la vitesse constante.