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改进的强跟踪平方根容积卡尔曼滤波算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：CN115728732B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202211427942.9，技术领域涉及：G01S7/41；该发明授权一种改进的强跟踪平方根容积卡尔曼滤波算法是由程婷;曹聪冲;王宇萌;宋佳铭;刘璐清;王元卿;恒思宇;李中柱设计研发完成，并于2022-11-15向国家知识产权局提交的专利申请。

本一种改进的强跟踪平方根容积卡尔曼滤波算法在说明书摘要公布了：本发明属于目标跟踪领域，提出了一种改进的强跟踪平方根容积卡尔曼滤波算法。本发明算法在强跟踪算法的基础上，引入卡方检测对目标运动状态突变进行判断，有效改善了传统强跟踪算法对状态突变的虚警问题；同时，本发明基于强跟踪的正交性原理，提出了改进的渐消因子计算法方法，利用对角元素之比求平均的方式替代了传统方法中采用对角元素之和比值或者对角元素之比最大值计算的方法，从而克服了传统渐消因子对各维度量测敏感程度不同的问题。本发明算法可以使系统更准确地判断目标的运动状态，同时提高了在目标运动状态突变和非突变时的跟踪精度。

本发明授权一种改进的强跟踪平方根容积卡尔曼滤波算法在权利要求书中公布了：1.一种改进的强跟踪平方根容积卡尔曼滤波算法，其特征为： 假设在k-1时刻已经获得目标的状态估计和估计误差协方差Pk-1|k-1，则一种改进的强跟踪平方根容积卡尔曼滤波算法从k-1到k时刻的一次迭代过程具体步骤如下： 步骤1：时间更新： 1对k-1时刻状态估计误差协方差矩阵进行分解： Sk-1|k-1＝cholPk-1|k-11 式中,Sk-1|k-1为k-1时刻状态估计误差矩阵的平方根，chol·为对矩阵进行Cholesky分解； 2构造容积点并经非线性状态方程进行传播： 式中，为k-1时刻所构造的初始容积点，为经非线性状态方程传播得到的预测容积点，m为容积点数，满足m＝2n，n为状态向量维数，[1]i为点集[1]的第i列，点集[1]为： 3对k时刻的状态进行预测： 式中，为k时刻的状态预测向量； 4计算预测误差协方差矩阵的平方根： 式中，Sk|k-1为k时刻的预测误差协方差矩阵的平方根；对Tria·运算作如下定义：设R为矩阵AT经QR分解得到的上三角矩阵，则矩阵A的QR分解可以表示为S＝TriaA＝RT，其中S为下三角矩阵，即S＝RT；式中，SQ,k-1＝cholQk-1，Qk-1为k-1时刻的过程噪声协方差矩阵，加权中心矩阵为： 步骤2：量测更新： 1构造新容积点，并利用非线性量测方程传播： 式中，为经时间更新后的新容积点，为经非线性量测方程传播后得到的量测容积点； 2对k时刻量测进行预测： 式中，为k时刻的量测预测向量； 3计算残差协方差矩阵的平方根： 式中，为k时刻的残差协方差矩阵的平方根，SR,k＝cholRk，Rk为k时刻的量测噪声协方差矩阵，加权中心矩阵Zk|k-1为： 4计算残差协方差矩阵和互协方差矩阵： 式中，为k时刻未引入渐消因子的残差协方差矩阵，为k时刻未引入渐消因子的互协方差矩阵，加权中心矩阵Xk|k-1为： 步骤3：进行卡方检测，判断系统是否出现突变： 式中，Mk为残差马氏距离的平方，vk为k时刻的残差：Zk为在k时刻的量测向量； 1若则令渐消因子λk＝1，根据步骤5继续计算； 2若根据步骤4计算渐消因子λk； 其中，为自由度为l、显著性水平为α的卡方检验值，l为量测维数； 步骤4：计算改进的渐消因子： 式中，diag·为矩阵对角元素所构成的矢量，[·]i表示取矢量中的第i个元素；的计算方式如下： 式中，ρ为遗忘因子； 步骤5：计算引入渐消因子后的残差协方差矩阵和互协方差矩阵 式中，和分别为引入渐消因子λk后的残差协方差矩阵和互协方差矩阵； 步骤6：计算卡尔曼增益，并更新k时刻的状态估计值和估计误差自相关矩阵： k|k＝TriaXk|k-1-Kk|k-1,SR,k26 式中，K为k时刻的卡尔曼增益，为k时刻的状态估计向量，Pk|k为k时刻的状态估计误差自相关矩阵，Sk|k为k时刻估计误差自相关矩阵Pk|k的平方根。

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 四川省成都市高新区(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。