VLE是研究复杂动态系统的多模型和仿真环境。 VLE基于离散事件规范DEVS。 它实现了DSDE形式（动态结构DEVS，DSDEVS与并行DEVS，PDEVS的合并）。 VLE提供了一套完整的C ++库，称为VFL（VLE基础库），用于开发DEVS模型，获取仿真结果，在集群上启动仿真。 可以使用DEVS形式主义或经典数学形式主义来开发模型：带有Euler的常微分方程，Range-Kutta或QSS积分器，有限状态自动机（FDDEVS，UML状态图，混合Petri网）。 VLE环境提供了一个IDE，用于开发C ++模型，DEVS耦合模型。 VLE还具有三个端口，可将VFL与Python，Java和R编程语言一起使用。

1、imm（交互多模型卡尔曼滤波器）是采用的对个卡尔曼滤波器模型同时做跟踪， 然后利用模型概率综合出，对每个模型的可行度，对每个模型输出的预测值和协方差，进行加权求平均 2、imm重点的核心在于，多个滤波器的概率的更新的方法，imm采用的是最大似然估计。 3、imm滤波器应该考虑的因素： a、选择一定个数的imm滤波器，包括较为精确的模型和较为粗糙的模型，imm滤波算法不仅描述了目标的连续运动状态 还描述了目标的机动性 b、马尔科夫链状态转移概率的选择，对imm滤波器的性能较大影响。 c、imm算法具有模块化的特性，当运动模型较为精确的时候，可以采用比较精确的运动模型。 当无法预料目标的运动规律的时候，那就应该选择更一般的模型，使得该模型具有更强的鲁棒性。

目标跟踪

交互多模型算法，采用Kalman滤波器，实现CA和CV的混合机动目标跟踪

一篇该方面比较好的论文，将人工智能技术和导航技术联系在一起，适用于想做学科交叉和学科融合的同学，这方面的文献比较少

针对铝土矿连续磨矿过程球磨机节能降耗问题以及铝土矿来源复杂、品位差异大等特点,提出了球磨机多目标多模型预测控制方法.该方法首先建立状态空间浓度预测模型和粒级质量平衡加权多模型细度预测模型.然后构建了包含磨机排矿浓细度区间控制和经济性能指标的多目标优化结构的多模型预测控制策略.最后采用乘子罚函数法求解控制器局部最优解.仿真及现场试验结果表明了该方案的有效性.

多模型预测控制在磨矿分级过程中的应用

卡尔曼滤波原理及应用仿真

基于二次仿射传播聚类的非线性系统多模型LSSVM建模

对局部节点状态估计间误差相关性的处理是分布式估计融合或航迹融合的关键要素;针对当前分布式融合理论中关于混合多模型估计融合研究的空白,首先推导得出了采用相同模型成分的各局部节点交互多模型状态估计的误差互协方差矩阵的递推计算方法;其次,讨论了所得非对称实误差互协方差矩阵的正定特性,并分析了此类误差相关性与混合多模型估计算法中模型过程噪声之间的变化关系;上述结果使得基于互协方差组合融合算法的交互多模型状态估计融合成为可能,仿真实验亦验证了其有效性,相对其它不考虑误差相关性的融合算法,融合结果也更为真实.