买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜电子科技大学申请的专利一种拖尾噪声背景下的机动目标分布式状态估计方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115687890B 。

龙图腾网通过国家知识产权局官网在2025-05-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211422756.6，技术领域涉及：G06F18/00；该发明授权一种拖尾噪声背景下的机动目标分布式状态估计方法是由鲁瑞莲;甘露;高林;李改有;廖红舒设计研发完成，并于2022-11-15向国家知识产权局提交的专利申请。

本一种拖尾噪声背景下的机动目标分布式状态估计方法在说明书摘要公布了：本发明属于智能信号处理技术领域，具体的说是一种拖尾噪声背景下的机动目标分布式状态估计方法。本发明提出一种拖尾噪声背景下的机动目标分布式状态估计方法。本发明假设机动目标过程噪声与测量噪声均为拖尾噪声，通过将拖尾噪声建模为高斯‑伽马分布，并利用变分贝叶斯方法估计过程拖尾噪声、量测拖尾噪声相关分布参数，并通过对过程噪声相关分布参数进行一致性融合处理从而提高过程噪声估计精度。接下来对各个机动模型伪似然进行求解，从而解决了拖尾噪声背景下的机动目标多模型状态估计问题，最后基于GCI融合对目标状态后验估计结果进行一致性融合，从而提高目标运动状态估计精度。

本发明授权一种拖尾噪声背景下的机动目标分布式状态估计方法在权利要求书中公布了：1.一种拖尾噪声背景下的机动目标分布式状态估计方法，其特征在于，包括以下步骤：S1、初始化系统参数，初始化传感器网络参数：定义传感器网络其中传感器节点S表示接收和处理数据的节点，通信节点C表示完成数据传输的节点，连接链路表示可通信节点之间的通信链路，初始化第s个传感器的邻接节点集合为其中p表示传感器s的邻接节点，初始化传感器一致性加权系数为w；初始化离散时间状态空间转移模型：定义k时刻目标运动模型集合为其中M表示目标运动过程中包含运动模型个数，定义k时刻第s个传感器的运动状态为则有： 其中表示第k时刻模型为i，fi·表示第i个运动模型的状态转移函数；过程噪声服从拖尾分布其中p·表示概率密度函数，Stx|μ,Σ,v表示均值为μ、尺度矩阵为Σ、自由度为v的Student’s-t分布；初始化量测空间转移模型： 其中表示量测值，hs,i·表示第s个传感器中第i个运动模型对应的量测转移函数，量测噪声服从拖尾分布S2、对目标各个模型的运动状态进行模型交互：结合下式计算第s个传感器目标模型j的模型预测概率与模型交互概率 其中表示k-1时刻模型i的概率更新值由上一时刻获取，表示k时刻马尔科夫转移概率矩阵TPM，其中Pr·表示概率值；结合下式计算目标第i个模型的运动状态交互结果与状态协方差交互结果 其中，与分别表示k-1时刻模型j的状态估计值与状态估计协方差矩阵由上一时刻获取，∑·表示求和操作；S3、对目标各个模型的运动状态值、运动状态协方差矩阵进行一步预测计算：结合下式计算目标第s个传感器第i个模型的运动状态一步预测值与一步预测协方差矩阵 其中Fi·表示状态转移函数fi·的雅克比矩阵，表示k时刻模型i的过程噪声协方差矩阵，·T表示求转置操作；S4、对目标运动状态分布与量测分布进行下述概率密度函数分解，对目标运动状态分布进行下述分解： 其中，表示目标从初始时刻到k-1时刻的各传感器量测集合，Nx|μ,Σ表示均值为μ、方差为Σ的高斯分布；其中服从尺度矩阵自由度为的逆-wishart分布，即Gx；a,b表示形状参数为a、尺度参数为b的伽马分布；∫·表示求积分操作；对目标量测分布进行下述分解： 其中服从尺度矩阵自由度为的逆-wishart分布，即S5、对目标各个传感器与各运动模型的相关分布先验参数进行模型交互，包括：结合下式计算步骤S4中目标i个模型的运动状态与量测相关参数逆-wishart分布与参数自由度交互结果与尺度矩阵交互结果 其中与分别表示k-1时刻逆-wishart分布与的自由度，与分别表示k-1时刻逆-wishart分布与的尺度矩阵；结合下式计算第i个运动模型的伽马分布与形状参数交互结果参数交互结果与尺度参数交互结果 S6、对目标各个模型潜变量参数进行一步预测计算，包括：结合下式计算第i个模型的逆-wishart分布与参数自由度预测值与尺度矩阵预测值 其中nx表示运动状态向量维度，表示量测状态向量维度，ρ表示遗忘因子；结合下式计算伽马分布与形状参数预测结果与尺度参数预测结果 S7、结合变分贝叶斯算法求解各传感器目标状态更新方法与相关参数分布的超参数更新方法，设定k时刻各传感器目标运动状态及分布参数集合结合下式求解上述分布参数集合对应的联合概率密度函数， 结合联合概率密度函数计算各传感器目标分布参数边缘概率密度并确定对应的超参数更新方法，结合下式计算第s个传感器目标运动状态边缘对数似然， 其中E·表示求期望操作，Eqxx＝∫xqxdx，其中·-1表示求逆操作，表示与无关的常数项，结合上式可得目标第i个模型对应的状态更新值与状态更新协方差 其中，Hs,i表示第s个传感器第i个模型量测转移函数的hs,i·的雅克比矩阵，表示新息协方差矩阵；结合下式计算边缘似然， 其中，det·表示求行列式操作，表示联合概率密度函数中与无关的期望常数项；且： 综上可得到对应的超参数更新步骤， 结合下式计算边缘似然， 其中表示与无关的常数项；假定结合下式计算超参数更新步骤， 结合下式计算边缘似然， 确定超参数更新步骤， 其中Ψ·表示双参数伽马分布；获得量测相关分布对应的超参数更新步骤：确定超参数更新步骤， 其中， 假定确定超参数更新步骤， 其中确定超参数更新步骤: 其中S8、对步骤S7中的过程噪声相关分布逆-Wishart分布与伽马分布参数结合下式进行多传感器一致性融合处理， 其中w表示融合权系数，L表示一致性融合次数；S9、计算目标各传感器与各运动模型对应的伪似然值与k时刻对应的模型概率更新值，由变分贝叶斯原理结合下式获得伪似然结果， 其中DKLp||q表示函数p与函数q之间的KL散度，结合S7结果对上式求解获得以下伪似然值， 根据获得的伪似然结果结合下式获得k时刻第i个模型的模型概率更新值 其中∝表示正比于；S10、对步骤S9中的模型概率更新值结合下式进行多传感器一致性融合处理， S11、基于目标运动模型概率更新值与状态估计协方差矩阵 其中表示第L次融合以后的模型概率更新值；得到目标在当前时刻的各传感器状态估计值与状态估计协方差矩阵，完成状态更新。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学，其通讯地址为：611731 四川省成都市高新西区西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。