基于位置预测的靶场图像实时判读方法

在靶场经纬仪对目标实时跟踪测量时,会发生相机随机抖动的情况,引起目标在图像中大幅度运动。应对大幅度运动时,基于搜索窗口的跟踪方法容易丢失目标,而基于全图搜索的跟踪方法时效性差。针对以上问题,提出一种结合核相关滤波算法(Kernelized Correlation Filter, KCF)和目标位置预测的改进的跟踪学习检测算法(Tracking-Learning-Detection, TLD)跟踪框架。利用正交多项式最优线性滤波器及相机角度信息预测目标下一帧位置,在此区域利用KCF进行快速跟踪,可以提高跟踪的成功率和时效性,跟踪失败时再进行检测。仿真实验表明,最优线性滤波器能较准确预测目标位置,给KCF提供较准确的搜索位置,算法每帧耗时仅为1.1 ms,且定位精度优于TLD和KCF,能有效应对相机抖动的问题。靶场实际试验证明该方法可提高靶场自动判读水平,减少人工干预。     

一种基于自适应滤波的三相有源电力滤波器的检测算法

对电力有源滤波器现有的几种检测算法进行了而单的分析，针对目前在电力有源滤波器中应用较广 泛的瞬时无功功率理论检测法中存在的问题和不足，提出了一种基于自适应滤波理论的三相并联型电力有 源滤波器的新型检测算法，并用 Ｍａｔｌａｂ中的Ｓｉｍｕｌｉｎｋ对基于此算法的有源滤波器进行了建模和仿真．     

无陀螺捷联惯导系统角速度解算方法研究

传统的捷联惯导系统通常用陀螺仪测量载体的角速度,无陀螺捷联惯导系统用加速度计代替陀螺仪,从加速度计输出的比力中解算载体的角速度,角速度的解算精度决定了无陀螺捷联惯导系统的性能及能否在实际中得到应用。分析了一种12加速度计配置方式的无陀螺捷联惯导系统的角速度解算方法,并将卡尔曼滤波技术应用于角速度解算,提高了角速度求解精度。     

基于公平谓词法的JMS消息过滤改进算法

研究了JMS发布／订阅消息传递模式的工作机制，分析了JMS在对事件进行匹配时的过滤算法，针对该算法的不足提出了采用公平谓词法来改进JMS的消息过滤速度，改进方法对基于JMS的发布／订阅应用程序的开发具有一定的指导意义。     

卡尔曼滤波器和跟踪微分器在光电跟踪系统中的应用

光电跟踪系统通常采用跟踪偏差反馈闭环控制,若同时采用速度前馈复合控制可以有效提高系统跟踪精度,分别使用了卡尔曼滤波器和跟踪微分器两种算法求取跟踪速度信号,通过仿真分析和工程应用,确认卡尔曼滤波器求取的速度信号更准确,噪声更小,更适合于光电跟踪系统的前馈复合控制。     

基于神经网络的混合双滤波器自适应目标跟踪算法

在分析近期基于神经网络数据融合的目标跟踪算法的基础上,结合一种新的自适应滤波模型(NAF)和速度估计自适应跟踪算法(AVE),提出了基于神经网络混合双滤波器的机动目标自适应跟踪算法(NHDF).该算法通过在线自动调节网络输出进行过程噪声方差融合,降低了现有算法因系统方差的调整不当而带来的精度损失.理论分析及仿真结果证明,与"当前"统计模型、速度自适应模型和新的自适应模型算法相比,该算法具有跟踪精度高,自适应能力强的优点.     

基于Lagrange插值的非整数延时滤波器算法

针对LMS(Least Mean Square)阵列信号波束成形器延时精度低和结构复杂的缺点,提出了一种基于Lagrange插值的非整数延时滤波器算法.其本质是采用频域近似的原则,设计出一种小数延时滤波器,可以将数字信号直接延时小数倍采样周期,在精确延时专题中具有广泛用途.仿真实验表明,该滤波器可满足阵列信号波束成形中的各种延时精度要求.     

一种稳健的自适应IIR陷波器复数级联算法

针对背景噪声中多个复正弦信号的提取问题,提出利用二阶陷波器复数算法的级联来实现,并给出了一种自适应级联算法.基于对软件复杂度和计算量的考虑,在这种算法的基础上又给出一种改进的二阶自适应陷波器级联的复数算法,大大降低了系统复杂度和计算量.仿真实验表明,两种陷波器级联算法均能很好地提取背景噪声中的复正弦信号,并准确估计复正弦信号的频率.     

多标准可配置的视频编码亚像素插值结构

针对视频编码中存在的各种不同的亚像素插值方法,提出了一种支持多种标准的可配置插值结构.该结构采用2个独立的8阶插值滤波器,每个滤波器配置一个独立参数寄存器,可灵活配置任意1/4像素位置的滤波系数,从而实现对各种亚像素插值方法的支持.2个滤波器采用两步法策略进行插值,可以减少约46%的计算量.采用SMIC 0.13μm CMOS标准单元工艺对该结构进行综合,其工作频率可以达到 400MHz,面积约为32.6k门.实验结果显示,该滤波结构工作在250MHz时,可满足1920×1080、30fps的高清视频应用的实时插值计算.     

Robust adaptive UKF based on SVR for inertial based integrated navigation

Aiming at the problem that the traditional Unscented Kalman Filtering (UKF) algorithm can’t solve the problem that the measurement covariance matrix is unknown and the measured value contains outliers, this paper proposes a robust adaptive UKF algorithm based on Support Vector Regression (SVR). The algorithm combines the advantages of support vector regression with small samples, nonlinear learning ability and online estimation capability of adaptive algorithm based on innovation. Firstly, the SVR model is trained by using the innovation in the sliding window, and the new innovation is monitored. If the deviation between the estimated innovation and the measured innovation exceeds a given threshold, then measured innovation will be replaced by the predicted innovation, and then the processed innovation is used to calculate the measurement noise covariance matrix using the adaptive estimation algorithm. Simulation experiments and measured data experiments show that SVRUKF is significantly better than the traditional UKF, robust UKF and adaptive UKF algorithms for the case where the covariance matrix is unknown and the measured values have outliers.