An adaptive multiple measurement model filter in the presence of outliers is proposed, which considers the uncertainty measurement noise including unknown model transition probability and noise covariance. in order to deal with the outliers, Gaussian distribution and Student's t distribution are used to make up measurement model Sets. We then construct a joint probability density function including the state, model identity, model probability, measurement noise covariance and the degrees of freedom of Student's t. The Gaussian distribution, Categorical distribution, Dirichlet distribution, inverse Wishart distribution and Gamma distribution are used as the conjugate prior of above parameters. The variational Bayesian method is applied to derive approximation posterior probability density. Simulation results show that the proposed algorithm has better adaptability and estimation accuracy.

Distributed state estimation is one of the critical technologies in the field of target tracking, where the process noise and measurement noise may have a heavy-tailed distribution. Traditionally, heavy-tailed distributions like the student-t distribution are employed, but our observation reveals that Gaussian noise predominates in many instances, with occasional outliers. This sporadic reliance on heavy-tailed distributions can degrade performances or necessitate frequent parameter adjustments. To overcome this, we introduce a novel distributed consensus multi-distribution state estimation method that combines Gaussian and student-t filters. Our approach establishes a system model using both Gaussian and student-t distributions. We derive a multi-distribution filter for a single sensor, assigning probabilities to Gaussian and student-t noise models. Parallel estimation under both distributions, utilizing Gaussian and student-t filters, allows us to calculate the likelihood of each distribution. The fusion of these results yields a mixed-state estimation and corresponding error matrix. Recognizing the increasing degrees of freedom in the student-t distribution over time, we provide an effective approximation. An information consensus strategy for multi-distribution filters is introduced, achieving global estimation through consensus on fused local filter results via interaction with neighboring nodes. This methodology is extended to the distributed case, and the recursive process of the distributed multi-distribution consensus state estimation method is presented. Simulation results demonstrate that the estimation accuracy of the proposed algorithm improved by at least 20% compared to that of the traditional algorithm in scenarios involving both Gaussian and heavy-tailed distributions.

To facilitate rapid, non-destructive, cost-effective continuous detection of Moisture Content in corn kernels, a Near-infrared (VIS-NIR) spectroscopy based in-situ maize ear moisture detection device was developed, utilizing machine learning for predictive modeling. Field experiments(30~35℃) assessed three preprocessing algorithms: z-score normalization (ZS), Orthogonal Signal Correction (OSC), and a ZS-OSC combination, with ZS-OSC selected for its superior performance (R2≥0.90, RMSE≤2.12%, RPD>2.9). Spectral imaging from 410-940 nm was used to develop moisture prediction models via Partial Least Squares Regression (PLSR) and Support Vector Machine (SVM), where PLSR is suited for single variety (R2≥0.82, RMSE≤2.62%, RPD≥2.2) and SVM for both single and mixed varieties. Additionally, grain temperature's impact on model performance was analyzed, showing decreased accuracy across temperatures of 30~35℃, 35~40℃, and 40~45℃. The final device and models excelled in 30~35℃ field tests, achieving R2≥0.88, RPD>2.5, RMSE≤0.901%, with less than 1.82% deviation between predicted and actual values, and all classification indices over 84.38%. The device is proven accurate and effective for corn grain moisture detection, offering valuable insights for in-situ maize moisture content analysis.