图像纹理模板匹配算法的改进与实现

为了提高图像匹配算法的实时性和复杂场景跟踪的稳定性,改进一种基于图像纹理的模板匹配算法(TTM).在模板与目标图像中分别提取水平、垂直方向上的二值化纹理特征矩阵,然后根据字节同或逻辑运算分别计算两个方向上的最佳匹配值,最后,通过加权求和得到最终的目标相关置信度.其中逻辑运算可以并行处理,所以计算量将大大减少,因此具有很强的实时性.又因为跟踪过程中,目标图像必然存在突发性的变化,对模板合理地进行更新是目标跟踪的关键,在上述的图像相似度度量方法的基础上,另外又提出了一种非常有效的模板修正方案,从而使得跟踪算法对环境的适应能力和稳定性得到大大提高.实验结果证明了该方法的优越性.     

结合局部描述和拓扑约束的直线段匹配算法

针对弱纹理目标匹配问题,提出了一种基于直线局部邻域梯度信息和全局结构信息的直线匹配算法:对均值标准差直线描述符进行改进用于初始匹配;利用直线间的全局拓扑结构滤除误匹配;利用迭代拓扑滤波寻找更多的匹配,同时引入全局角度约束提高算法效率并进一步滤除错误匹配。实验表明,在光照变化、图像旋转、图像模糊、尺度变换、视点变化等条件下,该方法都具有很强的鲁棒性,并在匹配效率和准确度上优于现有的两种比较流行的方法。     

密集杂波环境下一种新的机动目标跟踪算法

针对密集杂波环境下的机动目标跟踪问题,在传统方法基础上结合模糊推理的思想,提出一种模糊自适应交互多模型概率数据关联算法。该算法将目标运动模式分为机动和非机动两类区别对待,无需选取大量模型来覆盖机动目标的运动模式,而是动态调节模型集合中部分模型的参数,具有更强的自适应跟踪能力。最后,给出了算法的仿真分析,结果表明:该方法能够有效地跟踪密集杂波中的机动目标,并且跟踪性能较传统方法有所提高。     

基于Matlab仿真的当前统计模型的参数校正

当前统计模型能真实地反映目标机动范围和强度的变化,是目前较好的实用模型。大量实验表明该算法在跟踪机动目标时具有良好的跟踪结果。然而实验中也发现该算法在跟踪具有加速度的目标机动情况时,其速度与加速度估计的动态时延明显位置误差较大,因此不能很好地实时反映目标的机动情况。因此需要进行新的调整参数的设定与比较,使其克服以上的缺点,文章借鉴强跟踪滤波器,在滤波器状态预测协方差矩阵中引入了加权因子并利用M atlab仿真技术,针对当前统计模型中对动态时延影响比较大的几个重要参数,进行了仿真对比和调整。跟踪结果表明:动态时延明显减小,位置误差大幅下降,达到了比较理想的跟踪效果。     

一种基于Jerk模型的机动目标单站无源定位算法

针对采用非线性较强的观测角、角度变化率、脉冲到达时间差等参数的单站无源定位跟踪系统,提出了一种新的跟踪滤波算法IMM-Jerk。该方法用Jerk模型对做复杂机动的运动目标建模,采用经过UKF滤波改进的交互多模(IMM)算法对目标实现跟踪滤波。该算法可适用于对做多种机动运动的目标的跟踪,提高了目标跟踪收敛精度和跟踪系统的稳定性。仿真试验证明了该方法的可行性和有效性,并具有较高的应用价值。最后,对IMM-Jerk算法的研究方向进行了讨论。     

广义线性系统的鲁棒跟踪观测器设计问题

基于广义Sylvester矩阵方程的参数化解,将鲁棒性能指标和跟踪观测器参数矩阵进行参数化表示,从而使鲁棒跟踪观测器的设计问题转变成求解最小化问题.提出了一种设计鲁棒跟踪观测器的简单有效的算法,并通过实例和仿真对该方法进行了验证.     

坦克稳定器的神经滑模控制方法

针对坦克稳定器这一类非线性和不确定性的复杂控制对象,提出一种神经滑模控制方法。该方法将滑模控制与神经网络相结合,解决了控制系统跟踪性能和鲁棒性能之间的矛盾。系统中的滑模控制器保证了系统的快速跟踪性能;而神经网络具有很强的自学习功能,通过学习能够保证系统的稳定性,同时可对扰动和参数变化进行有效的抑制补偿,从而在不牺牲系统鲁棒性的同时达到削弱抖振的目的。从理论上证明了滑动平面的稳定性,并且通过仿真验证了该结果。仿真结果表明该设计方法优于经典设计,为实际设计提供了一种可行的新方法。     

基于模糊自适应变维Kalman滤波器的跟踪算法(英文)

针对不同阶数的Kalman滤波器具有不同的跟踪能力与跟踪效率之间存在的矛盾,设计了一种模糊自适应变维跟踪算法(FAVD)。该算法使用两级滤波器,根据目标机动性的变化,适当地调整滤波器的阶数,使跟踪结果快速收敛,很好地解决了矛盾。同时通过模糊推理机制,在线调节高阶滤波器的参数,使适用范围大大增强,提高自适应能力,从而使该算法可以采用较少的模型覆盖较多的目标运动模式,达到很好的跟踪滤波效果,计算量也会大大减小。通过对计算机仿真结果分析表明,提出的算法具有可靠、计算简便、快速等特点,模型滤波精度较高,并可实现实时跟踪预测,具有一定的理论价值和实用价值。     

一种双门限自适应多模多目标跟踪算法

针对机动目标的交互多模跟踪滤波器,提出了基于模型过程噪声自适应调整的双门限的AIMM算法,并对其性能进行了研究,该算法对模型初始参数不敏感,具有稳定性,在目标模型与目标实际运动偏差较大的情况下,具有较好的跟踪性能;针对密集杂波和多目标情况下的目标跟踪,将多模交互滤波的模型自适应调整算法与JPDA算法结合,提出了AIMMJPDA算法的思想与实现。仿真结果显示该方法在机动目标跟踪方面具有模型调整简单、跟踪实时性良好的效果。     

基于均分簇算法的战争Ad Hoc网络广播风暴抑制

网络广播是维持网络正常运作的基本手段,但Ad Hoc网络拓朴的频繁变化,将使网络广播无法进行收敛,形成广播最终会使本来就受限的资源趋于濒绝,网络无法通信而瘫痪.为此,提出了一种自适应均分簇理论SACA,通过分层虚拟子网的过滤与阻隔算法,有效地抑制网络广播风暴.     

基于观测预测粒子滤波的雷达组网目标状态估计

雷达组网系统跟踪目标时,观测数据与目标跟踪状态成严重非线性关系,难以用卡尔曼滤波最优估计方法,处理非高斯非线性系统滤波估计问题的粒子滤波算法容易产生粒子退化问题。因此,使用观测预测粒子滤波算法解决这个问题,该算法基于观测似然进行重要性采样,结合一步预测信息计算粒子权值,保证了采样粒子处于高观测似然区,并充分利用了一步预测信息。仿真验证表明,将观测预测粒子滤波算法应用于目标状态估计,避免了粒子退化,收敛快,估计精度高。     

一种新的自适应粒子滤波算法*

在对实时性要求高的系统中,粒子数的选择对粒子滤波至关重要,需要在滤波精度与计算复杂度乏间取折衷.提出了一种基于决策规则的自适应粒子滤波算法,在定义综合性能代价函数的基础上,推导出粒子数与滤波误差方差之间的关系,使得在粒子滤波过程中,可以根据实际滤波情况在线调节粒子数,以使滤波的综合性能达到最优.通过Monte Carlo仿真实验表明,新算法在与基本粒子滤波算法(PF)保持同等精度的条件下,大大降低了算法的计算量,约为PF的六分之一.     

粒子滤波的重采样方法

粒子滤波是基于递推的Monte Carlo仿真方法的总称,原则上可用于任意非线性、非高斯随机系统的状态估计.但粒子的退化现象是粒子滤波器的最大缺陷,减轻这一现象影响的方法之一就是对粒子进行重采样.阐述了几种重要的重采样算法及其改进策略,并对其进行总结与展望.     

杂波环境下机动目标跟踪算法研究

杂波环境下的机动目标跟踪问题具有非线性、非高斯、不完全观测的特点,其难点在于观测值与目标的对应关系及每一时刻的运动模式均呈现高度不确定性。文中将多模型理论和辅助粒子滤波算法相结合,提出了一种新的杂波环境下机动目标跟踪算法——多模型辅助粒子滤波算法(MMAPF)。仿真结果表明,该算法与传统的交互多模型——扩展卡尔曼滤波算法、辅助粒子滤波算法相比,在相同的情况下,具有更高的滤波精度和较好总体性能。     

一种改进的SIR粒子滤波方法

SIR粒子滤波算法在重采样无法进行时可能失效,详细分析了算法失效的原因,并针对此问题提出了基于PSO的改进方法,该方法利用PSO的智能寻优机制引导重要性抽样的粒子移向高似然区,从而确保重采样过程的顺利进行。仿真试验表明,提出的改进方法可以有效解决SIR算法因重采样无法进行而导致的失效问题。     

基于变步长LMS的谐波电流检测方法的研究

能否快速准确检测出三相电力系统中谐波电流是决定有源滤波器整体滤波性能的关键.基于瞬时无功功率的谐波电流检测理论,提出了一种改进的自适应滤波器谐波检测算法,通过构造步长因子与误差信号的非线性函数,调整步长参数,使权向量达到最优,在确保稳态误差的前提下,提高了系统的收敛速度.仿真实验验证了该算法的正确性和有效性.     

基于优化滤波的水平非均匀蒸发波导反演算法

针对水平非均匀蒸发波导反演中大气折射率剖面水平分布规律不确知和大范围海域气象参数观测难的问题,提出一种基于优化滤波的水平非均匀蒸发波导折射率剖面参数反演算法,该算法采用粒子群优化估计折射率剖面参数初始状态和描述剖面参数水平分布规律的状态转移函数,结合GPS海面散射信号波导传播的DMFT步进计算正演模型和实测GPS散射信号功率建立系统方程和观测方程,并采用粒子滤波迭代估计水平步进上的非均匀折射率剖面参数。该算法的精估计环节有效修正了粒子群估计误差在后续反演过程中导致的误差积累,保证了反演精度,并使得算法具备距离分段条件下逐段反演的能力,为远距离海域蒸发波导折射率剖面参数的反演提供了可行的方法。     

基于UKF-SOFNN的近距机动目标跟踪滤波算法

对于多目标杂波环境中的机动目标跟踪,由于目标集群中各个目标间的空间距离可能小于探测器的空间分辨率,因而可能出现误跟、诱饵欺骗与杂波虚警等一系列严重后果。对此,提出一种综合运用UKF(不敏卡尔曼滤波)和SOFNN(自组织模糊神经网络)的UKF-SOFNN滤波跟踪算法,将机动目标模型视作严格的非线性系统,利用UKF-SOFNN对非线性参数的辨识能力提高对锁定机动目标的跟踪能力。仿真实例表明,该算法能有效地辨识目标群中的目标,并进行可靠的跟踪。     

静止观测站下机动目标的推广卡尔曼角度跟踪算法

采用"当前"统计模型,提出了静止观测站下机动目标的推广卡尔曼角度跟踪算法,实现了对目标的角度跟踪和预测,并对此算法进行了Monte-Carlo计算机仿真.通过分析目标角度的误差均值与误差均方值,表明此算法有较好的角度跟踪与预测能力.