一种基于显著性区域的图像分割算法

针对传统的显著区域的分割方法存在的频谱泄露、无法达到亚像素精度的问题,提出了一种新的基于显著性区域的图像分割算法。利用Lucas-Kanade图像配准算法对大量重复出现模式的最小周期进行估计,从而准确地重建出背景模型;在此基础上,提出了"广义邻域点"的方法,设计自适应尺度的中值滤波器完成前景分量的精确分割;并提出了快速中值滤波器的设计方法,显著降低了计算复杂度。实验证明了该算法能够准确、高效地分割图像,适用于大量重复背景中前景目标的提取。     

基于QIPF的弱目标检测前跟踪算法

针对低信噪比条件下弱目标检测跟踪问题,提出一种拟蒙特卡罗智能粒子滤波检测前跟踪算法(Quasi-Monte Carlo Intelligent Particle Filter Track Before Detect,QIPF-TBD)。首先,该算法采用拟蒙特卡罗技术改善探测空间中粒子分布的均匀性;其次,通过对更新阶段的粒子进行交叉变异等操作,提高粒子重采样之后的多样性。与同类算法的仿真分析表明,所提方法能有效改善低信噪比目标的检测概率和跟踪精度。     

基于粒子滤波改进的VTS微弱目标检测前跟踪算法

舰船交通服务系统是民用雷达的信息集成系统,探测微弱目标存在RCS小、回波弱、杂波强等问题,导致信噪比低,难以实现有效检测跟踪。基于粒子滤波的检测前跟踪技术对低信噪比下微弱目标信息积累和探测有良好效果。通过采集单设备实测数据,构建遗忘因子和收敛因子以增加重采样的效率,引入虚拟采样保持粒子的多样性,提升粒子滤波对微弱目标的探测能力。仿真试验表明,改进后的算法可实现舰船交通服务系统对微弱目标的有效探测,并能获得较精准的目标状态估计值。     

多车通信系统中的同频电子干扰消除优化方法

在多接口多信道车联网多车通信系统中,由于车辆的自组织特性和路网网格的不均衡性,产生同频电子干扰,对电子干扰的滤波消除能提高多车通信的信道均衡性,降低误码率。传统方法采用自适应陷波方法实现同频电子干扰消除,无法在突变的载波频率下消除同频电子干扰,导致性能差的问题。提出一种基于自适应线谱增强的多车通信系统中的同频电子干扰消除优化方法。首先构建多车通信系统,引入一种信噪干扰比的观点,对同频电子干扰进行信号模型构建,根据信号比容易分离的特点,使得模型可分离性变强,结合变步长自适应线谱增强方法,实现信号的分离过滤。仿真实验结果表明,进行同频电子干扰消除抑制处理后的功率谱收敛到信号的真实频率附近,多车通信信号能从背景色噪声中有效检测出来,降低了多车通信系统的误码率,展示了较好的信道均衡和改善能力,性能优越。     

基于空域相关滤波的雷达回波信号降噪方法

对雷达探测来说,如何有效地增强真实目标回波信号、提高信噪比水平是非常重要的。传统的降噪方法如平滑滤波、傅立叶降噪很难有效地降低与目标频谱相重叠的噪声。空域相关滤波算法是小波滤波算法中的一种,能够有效地解决这个问题。该算法是利用真实信号与噪声在尺度间的不同表现来实现的,能够在保留信号细节的同时,有效地降低噪声。仿真表明,该算法在雷达回波的降噪中取得了较好效果,有效地降低了噪声。     

自适应模糊神经网络推理系统在电缆故障定点检测中的应用

电缆故障定点检测中存在着噪音复杂多变、信噪比较低的问题.自适应模糊神经网络推理系统(ANFIS),具有非线性映射和自学习能力,能够用于噪音信号的非线性建模,可以很好地解决故障定点检测中噪音的不确定性问题.建立了基于ANFIS的自适应滤波系统模型,讨论了ANFIS中隶属函数类型、数目的寻优以及参考函数的确定方法,设计了以ANFIS对消器为模型的滤波系统的硬件和软件.用该滤波系统对实际电缆故障信号进行了处理,结果表明了滤波系统的有效性.     

实用的解耦自适应跟踪滤波器

本文提出了一种在非线性量测环境下对机动目标的解耦自适应滤波算法。在视角直角坐标系中实现了一种修正的输入估计方法。由于所提出的这种滤波器有解耦结构,因此在不降低性能的前提下可以大幅度减少计算量。同时,由于伪量测噪声之间的交叉相关性较小,因此可以提高机动探测的精度。     

战场防化指控系统指挥车通信设备装车磁兼容设计

电磁兼容性（EMC）是指设备（系统,分系统）在共同的电磁环境中能一起执行各自功能的共存状态.任何通信系统,必须对整个系统和系统中各设备进行严格的EMC设计,该设计的好坏,是系统综合集成能否成功的关键所在。针对战场防化指控系统车内的各种通信设备,从分析可能产生的各种类型电磁干扰入手,提出了电台的频率设计及滤波,接地,屏蔽等一系列解决问题的方法和途径。     

用于改善电信号传输质量的电源滤波网络

本文介绍了笔者在长期工作实践中,就电视信号的传输效果所作的一些有效的改进,重点介绍了在广播电视传输设备中,通过对供电设备加滤波网络来改善传输质量的方法.     

基于模糊聚类的多目标跟踪算法

提出了一种新的基于模糊聚类的多目标跟踪算法,该算法通过一种改进的模糊聚类算法,首先得到可能的目标数和测量点迹与目标预测位置之间的隶属度,然后结合Kalman滤波将隶属度作为权值系数对预测新息向量进行加权,来实现目标状态估计的更新。仿真结果表明,传统数据融合多目标跟踪算法,一般需要假定目标数并且在多目标密集时易产生关联错误而导致跟踪发散,新算法通过模糊聚类客观有效地确定了目标数并且通过加权过程保证了对多目标密集时的高精度。