单传感器多尺度状态融合估计算法

该文在离散小波变换理论和动态多尺度系统理论的基础上,建立了一种基于单传感器的多尺度状态融合估计新算法。该方法利用离散小波变换,对Kalman滤波模型的状态方程和观测方程分别进行多尺度处理,构建多尺度Kalman滤波模型,充分利用状态估计和观测数据在不同尺度上的特征进行融合估计,获得了优于单尺度Kalman滤波及已有多尺度状态融合估计方法的处理效果。并利用Monte Carlo仿真验证该算法的有效性。      

基于多速率传感器动态系统的多尺度递归融合估计

该文将基于模型的动态分析方法与具有统计性的多尺度信号变换方法相结合,基于最细尺度上给定的状态模型和不同尺度上给出的多速率传感器动态系统,建立了一组新的多尺度动态模型和多尺度误差模型;利用确立的尺度之间的递归关系,给出了一种新的多尺度递归数据融合估计算法,在最细尺度上获得了状态基于全局信息的融合估计值;理论推理证明了这种方法的正确性,计算机仿真验证了算法的有效性。     

多传感器多尺度图像信息融合算法

在已获得对同一目标场景的多个传感器观测图像的情况下,本文建立了一种基于概率模型的多尺度图像信息融合算法.其基本思想是:首先对每个传感器图像分别进行小波包多尺度分解变换,建立基于该传感器图像的塔式结构子图像集,并且在每个尺度上得到基于每个子图像像素的概率模型;然后在每个尺度上的对应像素处,基于来自不同传感器图像的多个对应像素值,利用最小二乘规则对多尺度概率模型中的参数进行估计;再后是根据贝叶斯规则对该像素处的像素值进行融合估计;最后通过利用小波包多尺度逆变换,获得目标场景基于多个传感器图像的融合估计结果.应用该算法我们对获得的可见光和红外两种传感器图像进行计算机仿真实验,结果表明,与相关的方法相比新算法更有效.     

多分辨率传感器多尺度融合估计算法

该文在基于信号统计特性的离散小波变换理论(DWT)和基于状态转移模型的动态多尺度系统理论(DMS)的基础上,提出了一种多分辨率传感器的多尺度状态融合估计新算法.该方法利用离散小波变换,首先对不同分辨率传感器Kalman滤波模型的状态方程和观测方程分别进行多尺度处理,构建统一的多尺度Kalman滤波模型,然后将不同分辨率...     

一种基于分步式滤波的数据融合算法

本文提出了一种基于分步式滤波的多传感器动态系统数据融合算法.在由多传感器组成的分布式动态系统中,当对目标状态的所有观测值到来时,首先基于系统先前信息对该时刻目标状态进行预测估计,利用Kalman滤波器和各局部观测值依次对该时刻目标状态的估计值进行更新,从而得到该时刻目标状态基于全局信息的融合估计值.文中详细推证了融合算法的具体形式,并与传统的集中式数据融合算法在计算复杂度上进行了比较,计算机仿真表明该算法与传统的集中式算法对目标状态具有相同的估计精确度.     

非线性系统的异步多速率数据 融合估计算法研究

 研究了一类非线性时变动态系统的状态估计问题,在不同传感器以不同采样率异步对同一目标进行观测时,提出了一种有效的数据融合估计算法.通过建立多尺度模型,将异步多速率系统形式转化为同步多速率系统;在每一步分别进行状态的预测和更新.在状态和观测预测时,采用强跟踪滤波(STF)算法;在状态更新时,采用有反馈分布式结构,顺序的利用每一个传感器的观测信息去更新状态的估计;从而基于给定的非线性系统模型,得到融合所有异步、多速率传感器观测信息的状态估计结果.该方法不需要对状态或观测进行扩维,计算量适当,从而保证了算法的实时性.仿真结果验证了算法的有效性.     

多尺度融合估计算法及其在导航系统中的应用

针对如何将多传感器的数据进行融合处理、提高数据处理的可靠性和处理精度的现实问题,提出一种多尺度融合估计算法,对多传感器的数据进行估计处理。该算法首先建立系统的动态方程和观测方程,然后利用小波变换将数据在不同尺度上进行融合处理,归纳出该算法的实现步骤。最后通过在SINS／GPS组合导航系统中的实际应用,进一步证明了该算法能够有效地提高多传感器数据的处理精度。在实际应用时,结合应用环境设置适当的尺度,可以达到较好的应用效果。     

单传感器单模型动态系统多尺度分解与估计新算法

本文将基于模型的动态系统分析方法与具有统计特性的多尺度信号变换方法相结合,基于某一尺度上给定的单传感器单模型动态系统,建立起一个新的多尺度动态模型。基于建立的多尺度模型和标准Kalman滤波,提出一个能同时对随机信号进行多尺度分解与多尺度估计的新算法。获得比仅在原始尺度上进行Kalman滤波好的处理效果,应用Monte Carlo仿真验证了算法的有效性。     

一类多速率多传感器系统的状态融合估计算法

基于不同传感器以不同采样率对同一目标状态进行观测的多传感器单模型动态系统,该文提出了一种状态融合估计算法。不同传感器之间采样率之比可以是正有理数。该算法不仅具有好的实时性,而且在线性最小方差意义下是最优的。进一步可以证明:融合多个传感器获得的最高采样率下状态的估计值优于单传感器的估计结果,而减少任何一个传感器的信息所获得的估计值的误差协方差都将增大。仿真结果验证了算法的可行性与有效性。     

基于强跟踪滤波器的多传感器非线性动态系统状态与参数联合估计

本文将强跟踪滤波理论与多传感器数据融合技术相结合,提出基于强跟踪滤波器的多传感器状态与参数联合估计新算法;对拥有相同采样率的分布式多传感器单模型非线性动态系统,应用强跟踪滤波器,得到目标状态基于全局信息融合估计结果,并利用计算机仿真结果对算法的有效性进行了验证;这些工作初步解决了Kalman滤波中由于模型的不确定性而造成估计误差值偏大情况下的状态融合估计问题,从而丰富和发展了多源信息融合理论.     

基于期望值最大算法的图像融合

文中提出了一种基于期望值最大的图像融合方法。该方法首先假设图像对场景的成 像模型。以期望值作为目标函数,通过使目标函数最大的方法确定该模型的参数,估计出真实场景,进而得到理想的融合图像。试验表明,该方法比传统的基于加权平均和选择的方法具有更好的融合效果。     

基于小波变换的多尺度建模和估计理论概述

在许多应用领域中,通常要对出现在不同尺度的现象进行分析和辨识,最近引入的多尺度框架使这一分析成为可能.本文简单介绍了多尺度建模和估计理论的发展概况,分析了多尺度模型、平滑误差模型以及两类多尺度实现模型,并指出了目前急需解决的问题.     

基于多尺度自回归图模型的SAR图像稳健滤波

基于多尺度自回归(MAR)图模型的稳健递归M估计(RME)算法,给出一种新的合成孔径雷达(SAR)图像稳健滤波方法.首先根据SAR图像不同尺度下的统计相依性,构造SAR图像的多尺度图像序列;然后对多尺度SAR图像序列构造树上MAR图模型,利用其的RME算法得到SAR图像的滤波.研究表明,该算法不仅具有有效的可计算性,而且利用不同分辨率下SAR图像信息融合,在不同情况下都能得到较好的滤波结果.实验结果表明,本文提出的方法是稳健的.     

基于Contourlet域HMT模型的多尺度图像分割

基于Contourlet系数分布统计特性,结合隐马尔可夫树（HMT）模型和贝叶斯准则提出一种新的图像分割算法.为了更有效保持Contourlet域不同尺度间的信息,提出一种新的加权邻域背景模型,给出了基于高斯混合模型的象素级分割算法和基于新的背景模型的多尺度融合算法.分别选择合成纹理图像、航拍图像和SAR图像进行实验,并与小波域HMTseg方法进行比较以说明算法的有效性.对合成纹理图像给出错分概率作为评价参数.实验结果表明本文方法不但在边缘信息和方向信息保持上有明显改进,而且错分概率明显降低,对真实图像得到了理想的分割效果.     

基于OSV分解的图像多尺度特征表示

 本文给出一种新的图像多尺度表示算法.首先,应用OSV模型得到图像的单尺度分解;其次,针对上一步的信息亏损,引入不同的单调尺度参数,迭代OSV变分模型,从而为图像的不同特征提供一种非线性的分级自适应表达式.同时,本文也给出有关新算法的离散格式.数值实验表明,与已有的Nezzar算法相比,新算法的多尺度分解效果更佳.     

基于Contourlet域图谱聚类和多尺度Markov模型的多光谱遥感图像分割

针对多光谱遥感图像的特点,结合图谱聚类、Co ntourlet系数分布的统计特性和多尺度Markov模型, 提出了一种基于Contourlet域图谱聚类和多尺度Markov模型的分割(CSCMMS)方法。首先对 待分割图像进行Contourlet变换,利用图谱聚类对最粗尺度低频图像聚类得到可靠的初始分 割结果;然后 利用互信息构造Contourlet域的多尺度Markov模型,结合多尺度、多方向的图像信息将低频 图像的初始分 割结果逐尺度传递到最细尺度,得到原始图像的分割。对合成图像和多光谱遥感图像的实验 结果表明,提 出方法在边缘信息保持和噪声敏感性上具有明显改进,错分率和运算时间进一步降低。     

基于边缘吸引力场正则化的短程线主动轮廓模型

短程线主动轮廓模型是近几年提出的一种有效的多目标轮廓提取算法 .本文在详细分析其动力学过程的基础上 ,针对该模型中存在的局限性和不足 ,提出对边缘吸引力场进行正则化的方法 ,并采用多尺度模型 ,有效的改善了该模型不能对存在断裂轮廓的目标进行正确提取和凹边缘搜索能力弱的缺点 ,增强了抗噪声和虚假边缘干扰的能力 ,使该算法具有更好的鲁棒性和实用性 .