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！

龙图腾网恭喜南京信息工程大学申请的专利一种面向机会阵雷达的似然改进SVGD交互多模型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：CN119270253B 。

龙图腾网通过国家知识产权局官网在2025-04-25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：202411787158.8，技术领域涉及：G01S13/66；该发明授权一种面向机会阵雷达的似然改进SVGD交互多模型机动目标跟踪方法是由龙伟军;宋辰希;杜川设计研发完成，并于2024-12-06向国家知识产权局提交的专利申请。

本一种面向机会阵雷达的似然改进SVGD交互多模型机动目标跟踪方法在说明书摘要公布了：本发明提供了一种面向机会阵雷达的似然改进SVGD交互多模型机动目标跟踪方法，包括：步骤1，对机动目标跟踪问题进行建模，构建运动模型集，初始化参数；步骤2，计算各模型的混合概率，得到初始混合估计，生成初始混合粒子；步骤3，判断机会阵雷达的工作模式，进行粒子状态的预测和更新；步骤4，模型概率更新与状态估计融合。本发明解决了粒子退化和粒子贫化问题，避免了机会性跟踪场景下滤波算法的发散。同时，利用模型似然度实现对SVGD学习率的自适应优化，无论是在单次迭代还是在整个迭代过程中，都很好地平衡了算法的收敛速度与稳定性，保证了机会阵雷达执行“机会性跟踪”功能时算法的快速重收敛。

本发明授权一种面向机会阵雷达的似然改进SVGD交互多模型机动目标跟踪方法在权利要求书中公布了：1.一种面向机会阵雷达的似然改进SVGD交互多模型机动目标跟踪方法，其特征在于，包括以下步骤：步骤1，对机动目标跟踪问题进行建模，构建运动模型集；步骤2，进行输入状态交互：计算各运动模型的混合概率，得到初始混合估计，生成初始混合粒子；步骤3，判断机会阵雷达的工作模式，进行粒子状态的预测与更新；步骤4，进行模型概率更新与状态估计融合；步骤1包括：目标运动的状态方程建模为：Xk＝FXk-1+Buk-1+wk-1，其中，Xk和Xk-1分别为k时刻的目标状态向量和k-1时刻的目标状态向量；F为状态转移矩阵；B为控制矩阵；uk-1为k-1时刻的系统控制量矩阵；wk-1为k-1时刻的系统过程噪声；设定目标在运动过程中无额外输入量，得到：Xk＝FXk-1+wk-1；目标运动的观测方程建模为：zk＝HXk+vk，其中，zk为k时刻的观测向量；H为状态观测矩阵；vk为k时刻的系统观测噪声；步骤2包括：混合概率的表达式为：其中，为混合概率；πij表示机动目标模型集中第i个运动模型转移至第j个运动模型的转移概率；表示在第k-1轮滤波中，第i个运动模型的更新概率；cj为归一化常数，步骤2中，所述初始混合估计包含混合状态估计与对应的误差协方差矩阵，混合状态估计的表达式为： 其中，表示在第k轮滤波中，第j个运动模型的混合状态估计；表示在第k-1轮滤波中，第i个运动模型中得到的目标状态估计；误差协方差矩阵的表达式为： 其中，表示在第k轮滤波中，第j个运动模型的混合状态估计对应的误差协方差矩阵；表示在第k-1轮滤波中，第i个运动模型的目标状态估计对应的误差协方差矩阵；采样得到的N个初始混合粒子表示为步骤3包括：步骤3-1，在各运动模型内部，用状态转移方程对初始混合粒子进行预测，得到粒子的预测状态：在第j个运动模型中，第n个粒子的预测状态表达式为： 其中，表示在第k轮滤波中，第j个运动模型下的第n个粒子的预测状态；Fj表示第j个运动模型对应的状态转移矩阵；表示在第k轮滤波中，第j个运动模型下的第n个初始混合粒子的粒子状态；表示系统过程噪声；步骤3-2，根据机会阵雷达的工作状态决定后续算法的执行：如果此时机会阵雷达处于被动模式，则基于当前的预测粒子和模型概率进行状态融合，并跳转至步骤2；如果此时机会阵雷达处于主动模式，则用获取的观测值计算每个预测粒子的似然度，并进一步计算模型似然度；在第j个运动模型中，第n个预测粒子的粒子似然度表达式为： 其中，zk表示第k轮滤波中的系统观测值；d为观测向量的维度；表示在第k轮滤波中，第n个预测粒子的新息；表示在第k轮滤波中，第j个运动模型的新息协方差；det·表示行列式的计算；exp是自然指数函数；T表示矩阵转置；对模型似然度进行修改： 其中为第j个运动模型的模型似然度；步骤3-3，用模型似然度优化SVGD算法的学习率，并在各运动模型中用SVGD更新各粒子的状态：在第j个运动模型中，基于似然度改进的SVGD学习率表达式为： 其中，表示在第k轮滤波中，第j个运动模型的SVGD学习率；εini表示全局学习率；表示归一化模型似然度；为衰减因子，其中，λ为衰减系数，表示首轮滤波时各模型似然度之和，表示第k-k0至第k轮滤波中，各运动模型似然度之和的最大值；最终得到的自适应优化方法为：用模型总和似然度进行全局学习率的调整，得到整体学习率，随着迭代次数的增加，整体学习率逐渐下降；在每一次迭代内部，基于归一化的模型似然度对整体学习率进行调整，得到各个运动模型的SVGD学习率；步骤3还包括：在第j个运动模型中，对第n个预测粒子用SVGD更新粒子状态： 其中，表示在第k轮滤波中，第j个运动模型下的第n个粒子的更新状态；为粒子更新的移动方向，表达式为： 其中，N为粒子数，k·,·为RBF核函数；p·表示目标分布；表示在第k轮滤波中，第j个运动模型下的第m个粒子的预测状态；表示在函数logp·中，求解在处关于各分量的梯度；表示在函数k·,x中，求解在处关于各分量的梯度。

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南京信息工程大学，其通讯地址为：210044 江苏省南京市江北新区宁六路219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”。