改进粒子群算法辨识噪声模型的卡尔曼直接转矩控制

针对感应电机扩展卡尔曼滤波器状态估计中难以获得最优噪声矩阵问题,提出了一种基于改进粒子群算法辨识卡尔曼滤波器噪声矩阵的方法.通过调整粒子觅食策略对粒子群算法进行改进,运用改进算法优化滤波器噪声矩阵,再将优化的卡尔曼滤波器应用于感应电机无传感器直接转矩控制系统中.仿真结果表明,与试探法、标准粒子群算法和自适应粒子群算法相比,改进粒子群算法能够改善卡尔曼滤波器滤波性能,从而提高感应电机无传感器直接转矩控制系统的控制精度.     

基于模糊神经系统的多传感器数据融合算法

将自适应模糊神经推理系统(ANFIS)和卡尔曼滤波器应用于目标跟踪系统中,构成多传感器数据融合算法。该算 法假设在目标运动过程中,过程噪声和测量噪声是相互独立的高斯白噪声序列。使用ANFIS分别对目标的加速度和测量噪声 的方差进行估计,通过卡尔曼滤波器获得目标后验状态,最终由神经网络对多传感数据进行融合得到系统输出。仿真结果表 明,该算法可以通过自适应调整跟踪参数有效地防止目标丢失。     

基于伪线性卡尔曼滤波的两站红外无源定位及跟踪技术

建立了目标的两站红外搜索与跟踪系统的伪线性观测模型，基于该模型提出了运动目标的伪线性卡尔曼滤波算法．该算法利用伪线性方程组获得滤波器的初值，从而提高了滤波器的跟踪精度和速度．分别采用伪线性卡尔曼滤波器与推广卡尔曼滤波器对目标进行定位及跟踪的仿真结果表明：在跟踪初始阶段，伪线性卡尔曼滤波的跟踪精度明显优于推广卡尔曼滤波．在近距离范围，不论目标是匀速还是机动运动，两者的跟踪精度都非常高．在远距离范围，当目标机动时，伪线性卡尔曼滤波的跟踪精度明显优于推广卡尔曼滤波；当目标匀速运动时，推广卡尔曼滤波的跟踪精度略优于伪线性卡尔曼滤波．从整个仿真过程可以看出，目标的运动形式对推广卡尔曼滤波性能的影响是非常明显的，而对伪线性卡尔曼滤波性能的影响则很小．     

基于改进边缘化粒子滤波器的机动目标跟踪

为解决边缘化粒子滤波器(MPF)无法估计线性状态的难题,提出了一种改进的MPF目标跟踪算法,采用状态的预测值作为卡尔曼滤波器的量测更新,用卡尔曼滤波器估计目标的速度和加速度;用粒子滤波器(PF)估计目标的位置信息.仿真结果表明改进的MPF在保证目标状态估计精度的同时,降低了PF算法的计算复杂度,克服了PF的退化现象,较好地解决了闪烁噪声下的机动目标跟踪难题.     

一种基于光照模型的多源遥感图像融合算法

多光谱图像和全色图像是目前卫星遥感领域最常见的传感器图像。为了充分地发挥这两类遥感图像数据的互补性信息，增强二者的清晰度和解译能力，在SFIM算法的基础上，将IHS变换与SFIM相结合，并对原有的均值滤波器进行改进，提出了一种自适应加权均值滤波器。通过一组多光谱图像和全色图像的融合实验，并对比常用的IHS融合方法和SFIM方法，证明了新算法在保持多光谱图像光谱特性的同时，能有效提高融合图像的空间分辨能力。     

基于Unscented信息滤波器的分布式目标融合跟踪

针对无线传感器网络下的非线性运动目标跟踪问题,提出一种基于Unscented信息滤波器的分布式融合跟踪算法。该算法在信息滤波器框架下将Unscented变换与扩展信息滤波器相结合,有效地解决了运动目标和量测的非线性。在网络拓扑结构和通讯带宽的约束下,利用卡尔曼一致性滤波算法对所有传感器节点估计值进行分布式信息融合。仿真结果表明了该算法的有效性和优越性。     

基于纯方位角测量的水下目标跟踪

在笛卡尔卡尔曼滤波器的基础上，提出了改进极坐标扩展卡尔曼滤波器，并且研究了应用于纯方位角测量的目标跟踪算法，对提出的算法进行了相应的仿真实验，仿真结果表明，改进极坐标扩展卡尔曼滤波器非常适合于目标的跟踪研究，具有很高的工程应用价值。     

基于协同经验小波变换的遥感图像融合

针对多源遥感图像的融合问题,提出了一种基于协同经验小波变换的遥感图像融合方法。该算法首先对多源图像进行主成分分析获得共像;然后,对共像的强度分量做经验小波变换获得滤波器组;再利用这组滤波器对多光谱图像的强度分量和全色图像进行多尺度表示;最后经逆变换得到融合图像。该算法因采用协同自适应分解方法,有利于源图像高频与低频信息的分离,有效提高了遥感融合图像的清晰度。通过使用QuickBird卫星数据验证了算法的有效性,视觉感知和客观评价标准均表明该算法比其他同类算法有更好的优越性。     

基于直方图和区域信息的图像去噪滤波器

提出了一种去除图像中椒盐噪声的新型滤波器．该滤波器给出了一种有效的估计原图像直方图的方法，利用该直方图所携带的原图像的信息进行滤波；并根据椒盐噪声的特点，对滤波窗口中的像素进行排除最大和最小的操作，滤除椒盐噪声点；同时该滤波器还根据图像区域特性差异采用了不同的滤波方法．实验表明该方法滤波效果优于传统的滤波器和其他模糊滤波器，特别是当噪声概率超过0．3时，这种优势尤为明显．     

一种改进的水下偏振图像融合算法研究

针对传统图像融合算法造成的对比度低、细节信息模糊等问题,提出了一种改进的基于二维离散小波变换的图像融合算法.利用光强度相机和分焦平面相机同时对水下运动目标进行探测,获得光强图像和偏振图像.将计算得到的偏振度图像和偏振角图像先进行简单的融合处理,再将融合后的偏振特征图像与光强图像采用改进的二维离散小波变换进行分解,得到低频分量和高频分量.对于低频部分,提出一种基于区域方差加局部能量相结合的图像融合算法;高频部分采用一种基于Sobel算子的图像融合算法.最后将低频分量与高频分量进行二维离散小波重构,得到结果图像.仿真结果表明,与传统图像融合算法相比,该算法获得的融合图像有效地拉升了目标与背景的对比度,增强了水下图像视觉效果,有利于准确识别水下运动目标.     

融合运动信息和跟踪评价的高效卷积算子

针对基于方向梯度直方图与颜色命名的高效卷积算子(ECO-HC)算法缺少跟踪质量评价和滤波模板更新监督机制的问题,提出融合运动信息和跟踪评价的高效卷积算子. 将卡尔曼滤波器加入ECO-HC跟踪定位框架对目标执行联合跟踪,设计高置信度判别指标评价ECO-HC对每帧图像的跟踪效果,使用原始跟踪结果和卡尔曼滤波预测值的加权融合值,修正不满足判别指标的跟踪结果. 在滤波模板隔帧更新策略的基础上,加入当前帧跟踪结果质量评价信息,当2个条件同时满足时执行模板更新. 依托公开数据集OTB-2015评估算法性能,结果显示改进算法整体跟踪精确度、成功率和跟踪速率均优于原算法,在运动模糊、低分辨率、离开视野场景中的精确度分别提高3.0%、3.5%和2.8%,成功率分别提高3.8%、2.1%和4.0%. 改进算法在保证实时性的同时,有效提升了复杂场景下的跟踪效果.     

受生物视觉启发的无人机航拍低照度图像增强算法

针对无人机航拍低照度图像存在亮度低、噪声大、细节不明显等问题,受人类视觉系统中的双路径模型启发,提出一种双路径模型的无人机航拍低照度图像增强算法。构建了一种基于残差单元的U-Net网络将图像分解为结构通路和细节通路;提出了一种改进的生成对抗网络对结构通路进行增强处理,并添加边缘增强模块来增强图像的边缘信息;在细节通路中采取噪声抑制策略减少噪声对图像的影响;融合2条路径的输出得到增强后的图像。实验结果表明,新算法提高了图像的亮度和细节信息,客观评价指标上优于其他对比算法。此外,还验证了所提算法对低照度条件下目标检测算法的影响,实验结果表明,新算法能够有效提升目标检测算法的性能。     

图像信息融合与医学图像综合显示

讨论了医学图像计算机断层摄像技术与核磁共振的融合问题．分析了计算机断层摄像技术与核磁共振的成像机理，依据期望的融合结果，提出了一种新的基于小波变换的系数取大融合算法．将已匹配的计算机断层摄像技术与核磁共振图像首先分别进行小波变换，然后比较相应尺度上的小波系数。采取区域系数取大准则，构造新的小波系数，最后进行小波反变换，获得融合图像，既可清晰地表现骨组织信息，又可清晰地表现软组织信息．     

改进的基于Curvelet变换的遥感图像融合方法

为了提高图像的视觉效果,提出了一种改进的基于Curvelet变换的图像融合方法.首先对全色图像进行增强,使图像的细节信息得到加强,再采用Curvelet变换与IHS变换结合的方法对增强后的图像进行融合。该算法既有效的保留了空间信息又抑制了光谱扭曲.结果表明,和常用的小波融合算法相比,笔者提出的融合方法在光谱信息的保持与空间细节信息的增强两个方面的综合性能得到提高,具有更好的效果.     

噪声未知情况下的自适应无迹粒子滤波算法

为了有效地解决系统噪声未知情况下的目标跟踪问题,提出了一种自适应无迹粒子滤波算法。该算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹卡尔曼滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明:本文方法明显地改善了系统噪声未知情况下目标的跟踪精度和稳定性。     

基于改进卡尔曼滤波目标跟踪分簇方法研究

针对现有的目标跟踪分簇算法没有从根本上解决参与跟踪的节点数量过多,导致整个无线传感器网络(WSN)能耗的增加问题,提出一种基于Fisher信息矩阵的改进卡尔曼滤波的目标跟踪分簇方法 (Fisher Matrix for Kalman Filter,FMKF),用于针对性的选择节建立跟踪簇。该算法利用随机矢量估计的克拉美罗下界获得未知噪声的统计特性,优化卡尔曼滤波器的误差协方差。在无线传感器网络动态分簇时,创新的使用信息判据作为标准,并且加入节点剩余能量判据。仿真结果显示,FMKF算法与控制簇的激活半径算法和无分簇算法相比,FMKF算法可以在减少跟踪节点的数量的同时提高跟踪精度。     

基于小波变换的扩散焊超声C图像融合算法

为了提高钛合金扩散焊界面微小缺陷的检测能力,提出一种基于小波变换的超声C图像融合算法,综合多幅图像中的缺陷信息,重构出包含微小缺陷在内的超声C图像。利用小波变换将待融合的超声C图像分解为低频和高频部分,并根据高、低频系数的不同特征,对高、低频系数进行差异化融合处理,对融合后的系数使用小波逆变换得到融合图像;为了提高图像对比度、丰富图像细节信息,使用改进的同态滤波器对融合图像进行增强,从而获得结果图像。制备不同类型的人工缺陷试样进行测试,并将所提算法和常规超声C扫描检测的缺陷长度进行定量比较。实验结果表明：对于线形微小缺陷和弱结合缺陷,使用所提算法重构的超声C图像的平均误差分别为2 mm和4.2 mm,常规超声C扫描的平均误差分别为8 mm和9.5 mm。所提算法重构的超声C图像能够更为准确地反映出缺陷信息。     

强跟踪滤波器与卡尔曼滤波器对目标跟踪的比较

介绍了早期的卡尔曼滤波器和近期提出的强跟踪滤波器对匀速运动目标和机动性目标的跟踪情况．通过仿真，说明在信噪比较小的情况下强跟踪滤波器的目标跟踪性能优于卡尔曼滤波器的跟踪性能。     

一种车辆机动目标跟踪的多传感器信息融合估计算法

为了保证自动高速公路系统对车辆机动目标的实时、精确跟踪,提出了一种车辆机动目标状态的多传感器信息融合估计算法.建立了车辆运动状态的离散时间多模式非线性动态系统模型,利用当前时刻的各个传感器量测数据,结合交互式多模型和扩展卡尔曼滤波器得到各个局部状态估计值和滤波误差协方差阵,并采用动态加权信息融合准则获得更为精确的车辆融合航迹估计值.通过仿真验证表明这种多传感器信息融合估计算法能实时有效地提高车辆机动目标跟踪精度.     

一种高斯型非线性迭代更新滤波器

针对高斯型非线性滤波器在大初始偏差条件下性能下降、甚至发散的问题,提出了一种新的非线性滤波算法,即迭代更新扩展卡尔曼滤波器（iterated update extended Kalman filter,IU-EKF）。首先,该算法在EKF框架下,将传统的一步量测更新在伪时间上分为多步进行,采用部分增益将当前量测信息逐步地引入量测更新过程实现对状态的后验估计;其次,由于多步量测更新过程引入了每一步的过程噪声,因此将量测噪声与每一步更新后的状态估计误差之间的互协方差代入误差协方差矩阵,再利用此误差协方差矩阵的迹对标准卡尔曼增益矩阵求导并令结果为零,以导出噪声相关条件下的最优卡尔曼增益矩阵表达式;最后,根据后验量测残差自适应地调整迭代更新次数,在保证一定滤波精度的前提下,降低了算法的计算量。以2维目标跟踪问题为例,在大初始偏差条件下,通过仿真实验将本文算法分别与EKF、IEKF、UKF、CKF算法进行对比,并针对不同迭代次数对滤波精度的影响进行对比分析。仿真结果表明：本文算法较EKF大幅提高了滤波估计精度,且在大初始偏差条件下,本文算法性能优于现有经典高斯假设滤波器。同时,当迭代次数按1、2、5、10、20递增时,本文算法的滤波精度也随之提升,但提升幅度逐渐减缓。