1.一种非侵入式示踪粒子运动状态估计方法，其特征在于，

同时利用无线惯性测量单元和电容层析成像装置对示踪粒子的运动状态进行测量；采集当前时刻无线惯性测量单元输出的IMU状态向量、电容层析成像装置输出的ECT状态向量；将IMU状态向量和ECT状态向量输入反向传播神经网络BPNN，得到当前时刻精化后的状态向量；

精化后的状态向量包括线向位移、角向位移；IMU状态向量包括线向加速度、角向速度；

基于所述IMU状态向量和精化后的状态向量构造卡尔曼滤波的状态向量包括：将精化后的角向位移转化为四元数，利用IMU状态向量中的线向加速度计算得到线向速度；利用精化后的线向位移和角向位移转化的四元数，以及IMU状态向量中的线向加速度计算得到的线向速度作为状态向量中的各元素，构造卡尔曼滤波的状态向量；

基于当前时刻IMU状态向量和精化后的状态向量构造卡尔曼滤波的状态向量，利用状态转移方程预测下一时刻的状态向量；基于下一时刻无线惯性测量单元输出的IMU状态向量、电容层析成像装置输出的ECT状态向量构造观测向量，基于观测向量、观测方程以及卡尔曼增益对下一时刻的状态向量进行更新，得到更新后的状态向量，根据更新后的状态向量得到粒子的运动状态；所述运动状态包括位置、姿态和速度。

2.根据权利要求1所述的运动状态估计方法，其特征在于，构造观测方程，包括：；

其中 为状态转移方程当前时刻的输出，h为观测矩阵, 为观测系统噪声。

3.根据权利要求2所述的运动状态估计方法，其特征在于，观测矩阵h为IMU所在的东北天坐标系转化为电容层析成像装置所在的东北天坐标系的变换矩阵。

4.根据权利要求3所述的运动状态估计方法，其特征在于，所述反向传播神经网络BPNN包括输入层、H个隐藏层、输出层；输入层的输入向量设置为IMU和ECT获取到的线向加速度、角向速度、线向速度和线向位移以及时间t；输出层的输出向量包括精化后的线向位移和角向位移。

5.根据权利要求4所述的运动状态估计方法，其特征在于，反向传播神经网络BPNN的损失函数 为：，

当 小于给定阈值时，得到训练好的反向神经网络BPNN；

，

其中， 为神经网络BPNN输出的线向位移， 为ECT状态向量中的线向位移， 为ECT状态向量中的线向速度， 为IMU状态向量中的线向加速度， 为IMU状态向量中的角向速度，为BPNN神经网络输出的精化后的角向位移。

6.根据权利要求4所述的运动状态估计方法，其特征在于，

每个隐藏层都包括通用矩阵乘、批归一化层和Relu激活函数；通用矩阵乘用于优化神经网络中的卷积运算，减少时间和空间复杂度；通用矩阵乘中 得到权重参数,其中O表示该隐藏层的输出数据， 表示该隐藏层的输入数据；批归一化层用于将该隐藏层输出的数据转化为正态分布；Relu激活函数用于对批归一化层的输出进行非线性映射。

7.根据权利要求6所述的运动状态估计方法，其特征在于，第一个隐藏层神经元个数设置为N1，第二至第H个隐藏层中神经元个数按照 原则设置，其中h=1,2,3......,H‑1。

8.根据权利要求4所述的运动状态估计方法，其特征在于，状态转移方程为：，

其中， 为IMU获得的k时刻的线向加速度， 为k‑1时刻反向传播神经网络BPNN输出的精化的线向位移； 为k‑1时刻反向传播神经网络BPNN输出的精化的角向位移的四元数；

为根据k‑1时刻IMU获得的线向加速度计算得到的线向速度， 为陀螺仪输出的角向速度张量经磁力计矫正后得到的结果， 为所设置的系统噪声，I为单位矩阵，Δt表示k时刻和k‑1时刻的时间差。

9.根据权利要求5所述的运动状态估计方法，其特征在于，IMU状态向量还包括欧拉角对应的四元数 ；由ECT状态向量中的线向位移、线向速度、电容层析成像装置东北天坐标系下欧拉角对应的四元数组成的观测向量zk为： ，

其中， 为ECT状态向量中的第k时刻的线向位移， 为ECT状态向量中第k时刻的线向速度， 为由IMU状态向量中欧拉角对应的四元数 转换到电容层析成像装置ECT的东北天坐标系下的第k时刻的欧拉角对应的四元数，j=0,1,2,3。