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！

龙图腾网获悉吉林大学申请的专利基于滚动时域估计的变结构交互式多模型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：CN116933133B 。

龙图腾网通过国家知识产权局官网在2026-01-06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：202310879495.9，技术领域涉及：G06F18/24；该发明授权基于滚动时域估计的变结构交互式多模型估计方法是由王萍;路海宽;邓杨;胡云峰;陈虹;宫洵设计研发完成，并于2023-07-18向国家知识产权局提交的专利申请。

本基于滚动时域估计的变结构交互式多模型估计方法在说明书摘要公布了：一种基于滚动时域估计的变结构交互式多模型估计方法，属于车辆控制技术领域。本发明的目的是利用残差信息设计了一种新的分类方法，降低了对模型概率准确率依赖的基于滚动时域估计的变结构交互式多模型估计方法。本发明步骤是：确定系统模型集，在每次迭代周期中，对于模型集中的所有模型，给定一个固定时域，如果存在某一时域长度的模型只有一个，则直接输出作为交互值，从模型集到模型集的基于滚动时域估计的交互式多模型估计，定义为所有与主要模型相毗邻的模型组成的模型集。本发明降低了对模型概率准确度的依赖性，更能保证模型分类的准确性，具有更高的估计精度，解决了因各模型对应时域的起始时刻不同而导致无法交互的问题。

本发明授权基于滚动时域估计的变结构交互式多模型估计方法在权利要求书中公布了：1.一种基于滚动时域估计的变结构交互式多模型估计方法，其特征在于：其步骤是： S1、确定系统模型集，该系统的模型集由多个不同的模型组成，给定其中模型离散化的状态方程为： 式中，是系统在k时刻的状态变量，上角标i表示系统对应的模型，Fi是状态转移矩阵，下角标i表示对应模型，是系统的外部输入，是过程噪声； 模型的观测方程为： 式中，Hi是测量矩阵，yk是系统的测量值，是测量噪声； S2、在每次迭代周期中，对于模型集中的所有模型，给定一个固定时域，时域长度记为Ne_max；然后找到由该固定时域前端到固定时域末端方向上最后一个不存在信息的时刻，将其下一时刻到当前时刻的历史信息作为该模型的新时域； S3、如果存在某一时域长度的模型只有一个，则直接输出作为交互值，拥有相同时域长度的模型之间进行交互的公式如下： 式中，和为时域起始时刻各模型的状态估计值和协方差矩阵，和是交互后各模型的混合估计值和混合协方差矩阵，这里下角标中的Ne是对应模型i的时域M表示参与估计的模型数量，是模型mj过渡到模型mi的条件模型概率； 模型概率的公式为： 式中，是上一时刻的模型概率，是归一化因子，πji∈[0,1]是模型mj到模型mi的转移概率，如果πji＞0，则说明模型mj和模型mi相毗邻； S4、从模型集到模型集的基于滚动时域估计的交互式多模型估计，记为 S4.1滤波：通过滚动时域估计算法并行计算每个模型的估计值，估计问题如下： 式中，是起始状态，是起始状态的先验估计值，是协方差，Q和R是参数矩阵，前者表示对于模型精度的信心，后者表示对于测量精度的信心； 利用公式6可以计算出进而通过下述公式获得当前时刻状态估计值 协方差矩阵和通过公式9多次迭代获得； 另外，和通过如下公式计算： S4.2模型概率更新：利用残差和协方差矩阵计算当前时刻每个模型的似然函数和模型概率公式如下： S4.3估计融合：将各模型求得的估计值和协方差矩阵依据模型概率融合获得估计值和协方差矩阵Pk，其公式如下： S5、通过模型概率和残差计算出变量其公式如下： 依据和阈值t1,t2的大小关系，模型集中的模型被分为：主要模型重要模型和不太可能模型 S6、定义为所有与主要模型相毗邻的模型组成的模型集，如果不存在主要模型，则模型集为空集，进入下一步骤；否则，获得模型集这里是模型集的补集，运行算法获得新激活模型的状态估计值、协方差和模型概率：表示由模型集到模型集的IMM-MHE估计，对应公式3-15； S7、融合模型集和模型集获得当前时刻全局的融合状态估计值、协方差矩阵、下一时刻各模型起始状态估计值、协方差矩阵和模型概率更新模型集 S8、定义可丢弃模型集该模型集由不与任何主要模型毗邻的不太可能模型组成，如果可丢弃模型集为空集，则进入下一步骤；否则，让这里是为中那些具有更小概率的模型集，确保至少剩下K个模型； S9、输出并且返回步骤二。

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吉林大学，其通讯地址为：130012 吉林省长春市人民大街5988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”。

以上内容由龙图腾AI智能生成。