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！

龙图腾网获悉哈尔滨理工大学申请的专利一种基于数据压缩的大尺度网络多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：CN118296573B 。

龙图腾网通过国家知识产权局官网在2025-12-09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：202410216088.4，技术领域涉及：G06F21/16；该发明授权一种基于数据压缩的大尺度网络多目标跟踪方法是由刘侠设计研发完成，并于2024-02-27向国家知识产权局提交的专利申请。

本一种基于数据压缩的大尺度网络多目标跟踪方法在说明书摘要公布了：本发明公开了一种基于数据压缩的大尺度网络多目标跟踪方法，所述方法包括如下步骤：一、构建耦合攻击下大尺度网络的数学模型；二、设计预报‑估计器；三、针对大尺度网络中第κ个单元，借助预报‑估计器获取与预报误差相关的协方差四、利用确定预报‑估计器中的待定参数Υκ,u+1；五、将Υκ,u+1代到预报‑估计器方程，获取u+1时刻的精确估计值判断u+1＜Δ是否成立，若成立，则执行六；六、根据的和Υκ,u+1进一步获取与估计误差协方差相关的协方差上界令u＝u+1，继续执行二，直到满足u+1＝Δ。该方法能够避免通信网络堵塞和耦合攻击诱导的跟踪误差大等问题的发生，为通信网络、数据处理以及目标跟踪等方面提供有价值的理论参考。

本发明授权一种基于数据压缩的大尺度网络多目标跟踪方法在权利要求书中公布了：1.一种基于数据压缩的大尺度网络多目标跟踪方法，其特征在于所述方法包括如下步骤：步骤一、构建耦合攻击下大尺度网络的数学模型，大尺度网络中第个单元的动态模型描述如下： 其中，表示大尺度网络中的单元总个数，代表模型状态描述在时刻第个单元的动态特征，代表模型状态描述在时刻第个单元的动态特征，和分别表示在时刻第个单元的模型噪声驱动矩阵和测量分布矩阵，和分别表示在时刻第个单元的模型状态噪声和传感器输出噪声，是满足初值条件的连续非线性函数，刻画在时刻单元的自耦合关系，刻画时刻第个单元与第个单元的耦合关系，描述内耦合关系，描述在时刻第单元向第单元传输数据过程中出现的耦合攻击，表示在时刻对第个单元的传感器测量； 步骤二、对步骤一给出的大尺度网络的数学模型设计预报‑估计器，具体步骤如下： 步骤二1、针对耦合攻击下的大尺度网络构建具有如下形式的预报‑估计器I： 其中，表示在时刻单元的动态估计值，表示单元在时刻对时刻的动态预测值，表示第单元向第单元传输数据过程中发生网络攻击的随机变量，由伯努利随机变量描述其数学期望为； 步骤二2、基于传感器测量、数据压缩数据以及预报‑估计器I，构建具有如下形式的预报‑估计器II： 其中，表示在时刻第个单元的测量分布矩阵，表示在时刻对第个单元的输出压缩值，表示在时刻对单元的动态估计值，表示在时刻预报‑估计器II中的待定参数；步骤三、针对大尺度网络中第个单元，借助步骤二设计的预报‑估计器获取与预报误差相关的协方差： 其中，是第一缩放参数，是第二缩放参数，是第三缩放参数，是第四缩放参数，是第五缩放参数，是第六缩放参数，是第七缩放参数，是第八缩放参数，、、、、、、以及分别表示、、、、、、和的倒数，和分别代表已知的实数矩阵以及攻击信号上界，表示具有适当维数的单位阵，代表第单元向第单元传输数据过程中发生网络攻击随机变量的数学期望，描述第单元和第单元的耦合关系，表示在时刻第单元关于动态估计误差的协方差矩阵，、、和分别表示、、和的转置，和分别代表和的平方，表示的迹运算，即矩阵的对角线元素之和；和分别表示在时刻第个单元的和传感器输出噪声，为模型状态噪声协方差矩阵； 步骤四、利用步骤三中的确定预报‑估计器II中的待定参数： 其中、、和分别表示第九缩放参数、第十缩放参数、数据压缩误差上界和传感器输出噪声协方差矩阵，和分别表示和的倒数，表示的转置，是 的平方，表示的逆； 步骤五、将步骤四确定的待定参数代到预报‑估计器II的方程，获取时刻的精确估计值；此时，判断不等式是否成立，其中表示预报‑估计总步长，若成立，则执行步骤六，否则算法执行结束； 步骤六、根据步骤三和步骤四中分别确定的和进一步获取与估计误差协方差相关的协方差上界： 其中，表示在时刻第单元关于动态估计误差的协方差矩阵，表示的平方，和分别代表和的转置； 令，继续执行步骤二，直到满足。

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哈尔滨理工大学，其通讯地址为：150000 黑龙江省哈尔滨市南岗区学府路52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。