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！

龙图腾网获悉西安理工大学申请的专利基于最大相关熵扩展卡尔曼滤波的机动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：CN116047498B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202310063017.0，技术领域涉及：G01S13/72；该发明授权基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法是由李晓花;秦璐瑶;金海燕;蔡磊;杨秀红设计研发完成，并于2023-01-16向国家知识产权局提交的专利申请。

本基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法在说明书摘要公布了：本发明提供了基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法，包括：建立交互式多模型算法的模型集、目标状态方程和量测方程；对模型概率、目标状态向量、协方差矩阵和马尔可夫状态转移矩阵进行初始化；进行模型间输入交互，使用扩展卡尔曼滤波器将非线性模型线性化；对各模型进行一步预测，设计基于最大熵准则的代价函数；通过迭代法得到k+1时刻目标处于各模型的后验更新值；更新模型概率，修正转移概率，最后融合输出跟踪结果。通过上述方式，本发明可以解决非高斯噪声下的非线性机动目标跟踪问题，并且能提高目标估计的精度。

本发明授权基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法在权利要求书中公布了：1.基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法，其特征在于，具体步骤如下： 步骤1，建立交互式多模型算法的模型集、目标状态方程和量测方程； 步骤2，初始化参数：对k=1时刻各模型的模型概率、目标状态向量、协方差矩阵和马尔可夫状态转移矩阵进行初始化； 步骤3，输入交互：根据k时刻各模型的模型概率、目标状态向量、协方差矩阵和马尔可夫状态转移矩阵，计算k时刻模型间的混合概率，得到k时刻目标处于各模型的混合状态估计值和混合协方差矩阵； 步骤4，滤波器先验估计：使用扩展卡尔曼滤波器将模型集中的非线性模型线性化，对各模型进行一步预测，得到k+1时刻目标处于各模型的先验预测值； 步骤5，滤波器后验更新：根据步骤1得到的目标状态方程、量测方程和步骤4得到的先验预测值，设计基于最大熵准则的代价函数，通过迭代法得到k+1时刻目标处于各模型的后验更新值； 步骤6，模型概率更新：通过计算各模型的似然函数，根据贝叶斯概率公式，得到各模型的概率更新值，采用模型概率变化率构造修正函数，对模型间的转移概率进行修正； 步骤7，融合输出结果：融合各模型的后验更新值和协方差，输出k+1时刻目标的状态向量和协方差矩阵； 步骤8，重复步骤3-7直至目标跟踪过程结束。

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西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5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。