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！

龙图腾网获悉电子科技大学申请的专利一种基于变分推断的非线性滤波分布式目标跟踪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：CN116596974B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202310631606.4，技术领域涉及：G06T7/277；该发明授权一种基于变分推断的非线性滤波分布式目标跟踪方法是由尚梓杰;高林;李万春设计研发完成，并于2023-05-31向国家知识产权局提交的专利申请。

本一种基于变分推断的非线性滤波分布式目标跟踪方法在说明书摘要公布了：本发明属于目标跟踪和融合技术领域，涉及一种基于变分推断的非线性滤波分布式目标跟踪方法。常规的非线性滤波分布式算法的量测噪声参数是假设已知的，本发明将其拓展为在未知量测噪声参数情况下的单目标追踪场景中的基于变分推断的非线性滤波分布式算法，分布式算法下每个传感器对目标状态的权重似然参数趋于一致，使得算法有较强的鲁棒性，计算量小，灵活性和及时性高的优点，再结合变分推断法可以很好地在未知量测噪声方差情况下的分布式多传感器场景中实现精度较高的目标跟踪，与量测噪声方差已知的分布式粒子滤波算法拥有接近的跟踪精度，增强其实用性。

本发明授权一种基于变分推断的非线性滤波分布式目标跟踪方法在权利要求书中公布了：1.一种基于变分推断的非线性滤波分布式目标跟踪方法，定义目标跟踪场景下的传感器个数为，时刻第个传感器的坐标表示为，，表示目标在轴上的位置信息，传感器在时刻的测量值表示为，其特征在于，所述目标跟踪方法包括以下步骤： S1、定义目标的运动符合非线性状态空间模型，模型的状态方程和观测方程为： ， ， 其中，表示时刻第传感器接收到的目标产生的量测，过程噪声为t时刻的0均值高斯白噪声，且为它的协方差矩阵：，E{·}为矩阵的期望计算函数，与之相互独立的量测噪声为t时刻第k个传感器的0均值高斯测量噪声，且为它的协方差矩阵：，为第k个传感器的测量函数，为状态转移方程； 和分别是已知的非线性观测函数和非线性状态转移函数： ， ， 其中为每个时间步长运动的距离，为时间步长,表示旋转角度； S2、采用粒子滤波算法计算量测噪声在时变未知情况下，第k个传感器的状态和量测噪声参数联合后验分布： 定义时刻第个传感器的量测噪声参数为，时变未知，包括： 1对粒子进行蒙特卡洛采样，粒子数为，得到状态概率分布为： ， 其中为第k个传感器的第i个粒子t时刻的状态值，N为粒子数目； 2由粒子滤波算法原理得到传感器k的状态后验估计期望值为： ， ， 其中为第k个传感器t时刻的状态估计值，为第k个传感器中第i个粒子在t时刻所占权重值，p为第k个传感器t时刻的量测值似然概率对应S1中量测方程，为第k个传感器由t-1时刻到t时刻转移概率，对应S1中量测方程中转移方程，为转移概率的采样值概率； 3根据粒子滤波算法，定义得到： ， 其中N·为高斯函数，为第k个传感器的量测函数，为第k个传感器t时刻的量测噪声方差； S3、得到了的表达式并推导得出表达式后，采用变分推断法计算参数： 1由于为的方差，为了满足共轭先验性，令服从逆伽马分布，先验分布如下： ， 其中·为逆伽马函数，为量测噪声方差的维度，为第k个传感器t时刻的量测噪声方差，为1到t-1时刻第k个传感器产生的量测值，为时刻第d个维度的第个传感器的量测噪声标准差，为时刻第d个维度的第个传感器的量测噪声方差的先验分布参数，； 2将状态、量测噪声参数的先验联合分布分解为： ， 其中粒子由蒙特卡洛采样法获得，所以有为粒子数； 3利用变分推断法近似后验概率为： ， 其中Q·为变分近似分布函数，为的变分后验分布，为的变分近似后验函数； 根据共轭先验性，量测噪声参数后验概率密度分布为： ， 其中为时刻第d个维度的传感器的量测噪声方差的后验分布参数； 根据粒子滤波算法，粒子后验概率为： ， 4用KL散度将变分估计值与实际值近似： ， 其中为取KL散度最小时获得的取值函数； 对变分近似后验求解得到耦合式，对耦合解分别求期望得到： ， ， 其中为第k个传感器的测量方程函数，,为常数值； 再对应和的后验分布形式，得到参数变分迭代式： ， ， ， 其中，为取第d个维度值函数； 5为了在迭代中不出现欠拟合，引入遗忘因子,在迭代中与参数相乘，表明噪声的波动程度； 6将变分法所得参数代入步骤1中得到t时刻，每个传感器k和分布的参数值，，并计算得到的，结合S2中的粒子滤波算法实现每个传感器k在未知量测噪声参数情况下，对非线性系统的状态的估计； S4、采用似然一致性算法将k个传感器的权重似然融合得到一致性权重；定义所有传感器的测量值似然概率相互独立，传感器联合似然函数为： ， 其中； 1全局权重似然概率： ， 2因为采样点缺少一致性，所以先将中具备一致性的参数挑选出来，对作多项式假设： ， ， =[；]， 其中，m为多项式估计的阶数，为第k个传感器t时刻第i个粒子的的采样部分，为第k个传感器t时刻的中不包含采样点部分； 3得到新的权重似然表达式： ， 4定义第k个传感器融合的变量部分为： ， ， ， 其中、和均为第k个传感器t时刻融合的中间变量； 有全局变量为： ， ， ， 其中、和均为t时刻融合的全局中间变量，K为传感器数量； 5传感器仅使用本地处理和与其邻居的本地通信，采用迭代的方式得到全局平均，由此实现各传感器求和，迭代公式如下： ， ， 其中为取最大值函数，为取集合的数量值函数，为迭代次数，为第个传感器第次迭代值，为第个传感器的邻接传感器集合，为每次迭代邻居节点所占权重； 6迭代次后，得到融合后的均值中间变量，再代入到全局变量公式得到全局变量： ， ， ， 7将全局变量代入到权重似然表达式得到粒子滤波全局权重： ， 其中K为传感器总数量； 8在得到全局一致性总权重后，在传感器联合似然函数中的后验估计值使用总权重，而不再使用每个传感器不一致的，实现数据融合的目的。

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”。

以上内容由龙图腾AI智能生成。