本质流形上的自适应运动估计

分析了计算机视觉中一种新的运动估计模型,将运动估计作为一个参数定义在"本质流形"上的非线性系统参数辨识问题。针对基于离散处理和连续处理方法得到的"本质流形",提出了一种新的、统一的自适应推广卡尔曼滤波算法,在"本质流形"的局部坐标系上进行运动估计。仿真结果验证了该算法的正确性。     

变结构多模型估计第Ⅲ部分——模型群切换算法

本文提出了一种称为模型群切换算法(MGS)的通用的变结构多模型(VSMM)估计器.它假设整个模型集合可以用一定数目的模型群来覆盖,每个模型群代表相互间紧密联系的一族系统行为方式或结构,在任何给定时刻,由一个硬决策来决定具体运行的模型群.它是第一种可普遍应用于一大类具有混合(连续或离散)不确定性问题的VSMM估计器.同时,它很容易实现.通过一个简单的失效检测和识别的例子显示当具有与固定结构的交互多模型(FSIMM)估计器相同的性能时,MGS算法可以从本质上减少计算量.     

一种基于BLUE的弹道目标跟踪滤波器

弹道目标跟踪问题中动态方程与观测方程皆为非线性,影响跟踪精度。使用最优线性无偏估计方法可以有效地解决观测的非线性问题,而蒙特卡罗滤波方法适用于目标状态的非线性估计。将快速高斯粒子滤波与最优线性估计方法作了有机结合,通过对典型的弹道目标跟踪模型进行仿真,发现新算法在精度与实时性上优于粒子滤波。     

变结构多模型估计第Ⅱ部分——模型集合自适应

变结构多模型(VSMM)估计的一个重要、自然和实用的方法是递归自适应模型集(RAMS)方法。此方法的关键是在理论上和实践上都具有挑战性的模型集自适应(MSA)。本文在理论上对MSA进行了研究。根据假设检验,阐明了MSA的各种典型问题,而这些假设一般是复合的,N元的,多变量的,更糟糕的是,不一定不相交。给出了一定数量的序列方案,这些方案在计算上都是高效的,容易实现的,并具有一些令人满意的最优特性。这些结果构成了建立性能良好,通用和实用的MSA算法的理论基础。在这里给出的理论结果已经应用于这系列后续部分的几种RAMS算法,这些算法都是应用广泛,容易实现并且明显优于当前的最佳固定结构多模型估计器。同时,它们对于变结构和固定结构多模型估计器的模型集对比、选择和设计都很重要。     

一种修正ESPRIT信号DOA估计算法

分析了典型DOA估计算法的优缺点,针对信噪比较小的情况下对CESPRIT做出了一些修正,将接收数据共轭重排再利用,构造矩阵修正的ESPRIT算法,称之为MCESPRIT算法.理论分析和仿真实验表明,该算法同经典的ESPRIT以及其他2种修正算法MESPRIT算法及CESPRIT算法相比,在信噪比较小及快拍次数有限时,能够改善信号DOA估计的性能.     

基于自适应训练的一种新的软决策融合算法

为了提高系统的检测性能,本地检测器应用了软决策算法,提出一种新的结构框图.将本地判决送至自适应训练器来估计本地检测器的性能参数,然后将得到的性能参数反馈至本地检测器来控制本地的检测门限.另外又将本地判决和可信度送至融合中心进行融合判决得到最终的判决,随后给出了迭代算法.最后通过三检测器系统仿真说明了算法的可行性,检测性能比硬判决有所改善.     

基于调制FFT有限域搜索的MUSIC频率估计算法

为满足跳频频率测量中频率估计高精度及实时性的要求,提出了一种将调制FFT和MUSIC算法相结合的频率算法:首先利用调制FFT对谐波频率进行预估计,确定感兴趣的频域区间;然后利用MUSIC算法在锁定区间内估计伪谱谱峰的位置,实现频率的精确估计。该算法可得到较高的频率分辨率,并减少了MUSIC算法的谱峰搜索范围。仿真试验表明:该算法的频率分辨率高,且实时性能满足频率测量需求。     

目标宽频带RCS的快速算法研究

目标宽带RCS预估算法一直是计算电磁学的一个研究热点，本文分别研究了渐近波形估计技术（AWE）与最佳一致逼近技术在宽频带RCS预估领域内的应用。首先，介绍了传统矩量法计算RCS的原理，并分析了两种快速算法的计算过程。然后，采用这两种技术，分别计算了简易飞机模型的RCS值，并对这两种方法进行比较。计算结果表明相比传统的矩量法，这两种方法在不影响精度的前提下大大提高了计算效率。同时，相比渐近波形估计技术，最佳一致逼近技术在节省内存，节约时间方面更具优势。最后，采用最佳一致逼近理论，结合电磁计算软件，实现较大尺寸目标的宽频带RCS的计算。     

变结构多模型估计第Ⅳ部分——模型群切换算法的设计和评估

在第Ⅲ部分提出了一种称为模型群切换算法(MGS)的变结构多模型(VSMM)估计器它是第一种通用的、可应于一大类具有混合(连续或离散)不确定性问题的VSMM估计器.在这种算法中,模型集合通过在一定数目预先确定的模型群之间的切换来实现自适应.它比固定结构MM(FSMM)估计器,包括交互多模型估计器(IMM)具有更大的潜力获得更高的费效比.本文研究了算法应用中的一些比较重要的问题,包括模型群自适应逻辑和模型群的设计.研究的结果通过一个机动目标跟踪问题的详细设计例子进行了演示.这个跟踪问题使用一个时变模型集合,每个模型由目标的加速度期望值表征.仿真结果用来证实在仔细设计和非常随机和确定的情况下,MGS算法同使用所有模型的固定结构IMM(FSIMM)估计的性能(基于更合理和完全的度量,而不是仅使用通常的rms误差)和计算复杂程度的比较.