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！

龙图腾网获悉河南大学申请的专利非高斯且非平稳系统噪声下基于变分贝叶斯的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：CN117150385B 。

龙图腾网通过国家知识产权局官网在2025-08-05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：202311216989.5，技术领域涉及：G06F18/2415；该发明授权非高斯且非平稳系统噪声下基于变分贝叶斯的目标跟踪方法是由周林;霍勇进;赵铮;丁鑫龙;胡振涛;肖启阳;晏加元;张前程设计研发完成，并于2023-09-20向国家知识产权局提交的专利申请。

本非高斯且非平稳系统噪声下基于变分贝叶斯的目标跟踪方法在说明书摘要公布了：本发明提出了一种非高斯且非平稳系统噪声下基于变分贝叶斯的目标跟踪方法，该方法包含以下步骤：首先，在分布式目标跟踪框架下，根据未知参数所服从的概率密度进行先验建模；其次利用标准变分贝叶斯方法定点迭代联合估计出目标状态、混合系数和尺度矩阵等后验分布参数；最后在多传感器分布式框架下依据协方差交叉融合策略实现对局部平台状态估计值的融合。本发明在目标跟踪过程中综合考虑了非高斯且非平稳重尾过程噪声和Skew量测噪声的影响，能够有效地估计出目标状态、噪声协方差等未知参数，进而提高了目标的跟踪精度，同时具有较好的自适应性和鲁棒性。

本发明授权非高斯且非平稳系统噪声下基于变分贝叶斯的目标跟踪方法在权利要求书中公布了：1.非高斯且非平稳系统噪声下基于变分贝叶斯的目标跟踪方法，其特征在于：包括以下步骤： S1：建立k时刻传感器s的目标状态一步预测概率密度Pxk,s∣z1:k-1模型、量测似然概率密度Pzk,s∣xk,s模型和对数联合概率密度模型； 所述步骤S1中具体包含以下步骤： S1.1：建立状态一步预测概率密度Pxk,s∣z1:k-1先验模型： 根据顺序测量自适应地学习混合系数，为将Pxk,s∣z1:k-1可以被表示高斯分层形式，引入了分类分布向量ξk，具体表示为： 其中，N·；μ,Σ表示高斯分布，其均值μ，协方差矩阵为Σ，G·；a,b表示伽马分布，其形状参数a，速率参数b，λk＞0为混合参数，ωk为自由度参数；IW·；t,T表示逆威沙特分布，其自由度为t，尺度矩阵为T；Cat·；m,M表示种类分布，其混合随机向量为m，混合元素数量为M；Dir·；θ,M表示狄利克雷分布，其浓度参数为θ，混合元素数量为M； S1.2：建立量测似然概率密度Pzk,s∣xk,s先验模型： 提出GSMGIW分布，引入辅助变量γk写成高斯-伽马混合分布形式，对量测噪声协方差矩阵Rk,s建立先验模型，则Pzk,s∣xk,s可以被表示为： 其中，Hkxk,s和Rk,s分别表示均值向量和协方差矩阵,分别表示自由度和尺度矩阵；γk＞0为混合参数，νk表示自由度，fγk和IGγk；νk2,νk2分别表示为正尺度函数和逆伽马函数；βk,s为形状参数，它控制偏斜程度，当βk,s≠0是非对称，否则为对称的；当βk,s＝0，且fγk＝γk，GSMGIW退化为正态伽马逆威沙特分布模型； S1.3：构建联合概率密度模型 根据步骤S1.1建立的状态一步概率密度Pxk,s∣z1:k-1先验模型和步骤S1.2建立量测似然概率密度Pzk,s∣xk,s先验模型，重写成分层高斯的形式，则对数联合概率密度可以被表示为： 其中，表示未知参数集合，Z表示量测数据集，表示以自然常数为底的对数联合概率密度 S2：变分贝叶斯近似后验： 引入变分贝叶斯方法近似求解S1中的未知参数的后验，其求解公式如下： 其中，表示关于求期望操作，表示取集的某一个元素，是集中除外剩余元素，相对未知参数是不相关的常数； S3：利用S2的求解公式，估计形状参数βk,s、目标状态xk,s、状态预测协方差矩阵Σk,s、量测噪声协方差矩阵Rk,s、混合随机向量τk、种类分布向量ξk、辅助变量λk、γk及其对应自由度参数ωk、νk； S4：重复步骤S3，直到达到迭代终止条件:则迭代结束；得到最终迭代结果：和Σk|k,s，并赋值作为k+1时刻变分迭代初始值； S5：多传感器分布式融合: 利用步骤S4各平台变分迭代求解得到的各局部滤波器状态值以及其协方差矩阵Pk|k,s信息采取协方差交叉CI融合方法进行融合，得到融合后的最优目标状态及其协方差矩阵

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河南大学，其通讯地址为：475001 河南省开封市明伦街85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”。