買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網獲悉電子科技大學申請的專利一種用于解決合并量測問題的Gibbs采樣方法獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產權局授予，授權公告號為：CN116577773B 。

龍圖騰網通過國家知識產權局官網在2025-09-12發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202310177471.9，技術領域涉及：G01S13/72；該發(fā)明授權一種用于解決合并量測問題的Gibbs采樣方法是由趙上宇;魏平;高林;鮮昕堯設計研發(fā)完成，并于2023-02-27向國家知識產權局提交的專利申請。

本一種用于解決合并量測問題的Gibbs采樣方法在說明書摘要公布了：本發(fā)明屬于電子對抗技術領域，具體為一種用于解決合并量測問題的Gibbs采樣方法。是為了解決在多目標跟蹤應用場景中，多個目標可能只產生單個量測而引起的關聯(lián)失配問題稱為合并量測問題，保證在這種情況下依然能夠跟蹤上每一個目標。一種傳統(tǒng)的解決方法是應用分組的思想，將可能產生合并量測的所有目標看作一個組進行處理。這種方法的缺點是，隨著目標數(shù)的增加，可能會有計算爆炸問題。針對此，本發(fā)明提出將Gibbs采樣的方法應用到標記多伯努利LMB濾波器中，并用高斯混合GM的方式實現(xiàn)，以緩解分組方法帶來的計算負擔。

本發(fā)明授權一種用于解決合并量測問題的Gibbs采樣方法在權利要求書中公布了：1.一種用于解決合并量測問題的Gibbs采樣方法，其特征在于，包括以下步驟： S1.獲取預測LMB信息： 已知時刻的LMB信息，其中是時刻軌跡的標簽，不同軌跡的標簽互不相同；是時刻軌跡的存在概率，、和分別是時刻軌跡的第個高斯分量的權重、期望和協(xié)方差矩陣；是時刻軌跡的高斯分量數(shù)目，是時刻軌跡數(shù)目；具體方法如下： S11.對于時刻存在，時刻依然存在的軌跡，稱之為存活軌跡；對于存活的軌跡，需要得到的預測信息為： ， 其中下標表示已知時刻的信息的前提下，預測得到時刻的信息； 使用Kalman運動模型進行預測，模型如下： ， 其中和分別表示時刻單個軌跡的預測運動狀態(tài)和時刻單個軌跡的運動狀態(tài)；是時刻的運動狀態(tài)轉移矩陣，將初始運動狀態(tài)映射為預測后的運動狀態(tài)；是時刻的過程噪聲，服從期望為0，協(xié)方差矩陣為的高斯分布； 具體預測方程如下： ， ， ， ， ， 其中為時刻軌跡存活到時刻的存活概率；為矩陣轉置操作； 可知在存活軌跡的預測中，標簽保持不變，軌跡數(shù)目和每一個軌跡下的高斯分量數(shù)目也都不變； S12.對于時刻進入觀測范圍的軌跡，稱之為新生軌跡；對于新生的軌跡，已知以下先驗信息為： ， 其中下標代表新生軌跡，以區(qū)別于存活軌跡；為新生軌跡的標簽，它的選取原則是各個新生軌跡的標簽必須互不相同，且與已經使用過的存活軌跡的標簽不能相同；為新生軌跡的存活概率；、和分別是時刻新生軌跡的第個高斯分量的權重、期望和協(xié)方差矩陣，有；是時刻新生軌跡的高斯分量數(shù)目，為時刻新生軌跡的總數(shù)； 將存活軌跡和新生軌跡的預測信息合并，得到預測信息： ， 其中，為時刻的預測軌跡數(shù)，也即存活軌跡數(shù)加上新生軌跡數(shù)； S2.將LMB信息轉為GLMB信息： 現(xiàn)在已知時刻的預測LMB信息，需要在個預測軌跡中挑選出不同的軌跡的組合，作為不同的假設，構成預測GLMB信息；用假設標簽集、假設權重和對應的高斯分量參數(shù)來表示預測GLMB信息為： ， 具體獲取方式如下： ， ， ， 其中，是第個假設的標簽上標集合；是第個假設中所有被選取的預測目標的標簽的集合；是第個假設的權重，等于所有被選出的軌跡的存在概率以及所有未被選中的軌跡的不存在概率之積；是第個假設的相關高斯分量信息，由所有被選取的預測目標的高斯分量信息組成； 只保留超過權重閾值的權重，重新索引這些假設為： ， 其中為超過權重閾值的預測假設個數(shù)，滿足； 預測假設的權重最后有一個歸一化過程，從而得到完整的預測GLMB信息； S3.獲取更新GLMB信息： 已知時刻的預測LMB信息和預測GLMB信息；利用觀測信息，將預測軌跡和觀測信息關聯(lián)起來，然后更新相應的預測信息；需要得到的更新GLMB信息為，其中為時刻更新假設個數(shù)；關聯(lián)通過Gibbs采樣的方法實現(xiàn)，預測信息的更新通過Kalman觀測模型實現(xiàn)；具體方法如下： S31.使用Kalman觀測模型進行更新，模型如下： ， 其中表示時刻單個軌跡的運動狀態(tài)；是時刻的觀測函數(shù)，將預測運動狀態(tài)映射為更新后的運動狀態(tài)；是時刻的觀測噪聲，服從期望為0，協(xié)方差矩陣為的高斯分布； 計算成本矩陣，它的元素值反映了將某個預測軌跡和某個觀測值相關聯(lián)的相對可能性，它是一個的矩陣，矩陣中位置處的元素值： ，其中，為時刻預測軌跡被傳感器檢測到的檢測概率；為對矩陣求行列式操作；矩陣 ，為的雅可比矩陣，為函數(shù)在處的偏導數(shù)；是時刻的觀測集中第個單觀測，在合并量測情況下，由一個或多個軌跡產生，或者由雜波產生；是時刻觀測的數(shù)目；為雜波在觀測空間上的強度函數(shù)； S32.對于每一個預測假設，分別要做次Gibbs采樣，產生個更新假設；其中為四舍五入操作；每一個預測假設的Gibbs采樣都是獨立進行的，且流程一致，因此只給出一個預測假設的采樣過程，其余預測假設的采樣遍歷此步驟即可，具體流程如下： S321.根據(jù)Gibbs采樣的思想，第一次無需采樣，直接任意指定初始樣本值即可；初始值為該預測假設中所有的預測軌跡均和關聯(lián)，也即該預測假設中所有的預測軌跡漏檢；該預測假設產生的第一個更新假設的標簽集和相應的高斯分量信息均不變，即，；假設權重，其中代表多目標指數(shù)；該更新權重的獲取可以理解為，在原預測假設權重的基礎上，乘以該預測假設中所有軌跡漏檢的概率；由于所有預測軌跡都漏檢，因此所有的觀測都是由雜波產生，因此再乘以所有觀測均為雜波的強度函數(shù)；這樣，就得到了第一個更新假設； S322.從第二個到第更新假設開始，每一次Gibbs采樣都按照成本矩陣來進行，對第二個更新假設具體是：首先只保留中對應于的行，每一行的采樣代表該預測假設中一個預測目標和觀測的關聯(lián)過程；由于合并量測中，多個目標可能對應同一個觀測，因此每一行的采樣方法一樣：對于中任意一行，找出所有大于等于1的元素，列出它們的元素值，進行歸一化處理，按照概率進行采樣，采樣的元素對應的列數(shù)即為軌跡的關聯(lián)值；如果所有元素均小于1，則選取最大的元素對應的列數(shù)作為；處理完該預測假設下所有預測軌跡對應的行之后，則完成了一次預測假設的更新；該預測假設產生的第二個更新假設的標簽集不變，即；假設權重，該更新權重的獲取方式是將S321步中的替換為；高斯分量信息通過Kalman濾波器更新，具體如下， ， ， ， 其中為Kalman增益矩陣，為單位矩陣；然后將預測軌跡的所有高斯分量歸一化，即可得到更新假設的高斯分量信息為： ， 其中對于該預測假設下所有的預測軌跡，都有，即高斯分量的數(shù)目全都保持不變； 其余假設遍歷S322即可； S323.完成個更新假設后，如果其中有重復的關聯(lián)結果，則去掉重復，得到個關聯(lián)結果不重復的更新假設；若沒有重復的，則令；重新索引為； S33.將所有的預測假設按照S32步處理，然后將所有的更新假設權重歸一化，得到完整的更新GLMB信息； S4.將GLMB信息轉回LMB信息： 得到更新后的LMB信息，具體獲取方式如下： ， ， ， ， ， 更新軌跡的標簽從所有的更新假設的標簽集中選取；更新軌跡的存在概率為所有包含該軌跡的更新假設的權重之和；高斯分量信息是更新GLMB信息中帶有相同標簽的高斯分量信息的集合；為更新軌跡高斯分量數(shù)目，取決于該軌跡和多少個觀測有關聯(lián)；為更新軌跡的數(shù)目； S5.軌跡修剪： 首先只保留大于等于存在概率門限的更新軌跡； 然后對于余留下來的軌跡，需要繼續(xù)清理各自的高斯分量，分為高斯剪枝、高斯合并和高斯限數(shù)三個步驟：高斯剪枝和去除軌跡同理，只保留高于門限的高斯分量；高斯合并是將在狀態(tài)空間上接近的所有高斯分量合并為一個高斯分量；高斯限數(shù)是指，如果一個軌跡的高斯分量數(shù)目超過上限，則保留個權重較大的分量；最后，歸一化這些高斯分量權重，得到修剪后的LMB信息為； S6.狀態(tài)估計： 首先估計時刻目標數(shù)：，其中表示取集合元素數(shù)目操作；即存在概率超過門限的軌跡視為目標，該時刻目標數(shù)的估計等于所有超過門限的軌跡數(shù)之和； 再來估計每個目標的運動狀態(tài)：，其中；即對于每一個被判定為目標的軌跡，采用期望最大期望估計法，用高斯分量的加權和作為目標狀態(tài)的估計； 最后，得到時刻的狀態(tài)提取信息； 完成第一個時刻的跟蹤后，后續(xù)步驟不斷迭代，得到完整的跟蹤軌跡。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或專利權人電子科技大學，其通訊地址為：611731 四川省成都市高新西區(qū)西源大道2006號；或者聯(lián)系龍圖騰網官方客服，聯(lián)系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。