交互式多模型算法的模型集设计

针对交互式多模型（IMM）算法中模型集的设计问题，提出一种模型集设计方法．在已知真实模式概率分布函数的情况下，根据要求的模型数目，等概率划分模式空间，在每个等概率模式空间上，利用方差的含义获得最大范围地覆盖模式空间的模型集，并给出一个例子说明模型集的设计方法．应用Monte-Carlo仿真．将所设计的模型集用于IMM算法进行目标跟踪．仿真结果显示跟踪精度高，表明了该模型集设计方法的有效性．     

一种对IMM真实误差二阶距的估计方法

交互式多模型IMM被认为是对混合系统估计的一种性价比最好的算法之一。考虑到各个模型之间的相关性，在假设已知真实模式序列的情况下，本文提出了一种对IMM真实误差均值、协方差以及二阶距的估计方法。在Monte-Carlo仿真实验下用真实误差二阶距的均值平方根来评估IMM的性能，并与RMSE进行了比较。另外对该方法在跟踪门设计中的应用前景进行了展望。     

CS模型下的IMM算法在目标跟踪中的应用

针对视觉伺服机器人对机动目标的跟踪问题,将当前统计模型（CS）引入IMM算法,与匀速模型（CV）组成模型集。在Matlab上对当前统计IMM算法和基本IMM算法进行仿真比较,结果表明当前统计IMMS算法跟踪机动目标的性能好于基本IMM算法,具有很好的收敛性和稳定性,提高了视觉伺服机器人对目标跟踪的准确性和快速性。     

曲线模型的半自适应交互多模型跟踪方法

在机动目标跟踪的交互多模型(IMM)算法设计中,选择覆盖范围大的模型集和简化计算复杂度是一对矛盾且重要的问题.本文首先对曲线交互多模型算法进行了研究,建立了一种角速度估计模型,在此基础上给出了一种构造自适应曲线模型集方法.用该方法构造的曲线模型集只与切向加速度相关,法向加速度可自适应调整,这一方面简化了计算复杂度,另一方面扩大了算法的适用范围.进一步的仿真试验表明了该算法的有效性.     

模型集和IMM自适应的目标跟踪算法

本文在仿真试验和理论分析基础上，首先给出了一种自适应IMM算法。再根据变结构IMM思想，把该算法与具体的运动模型相结合，提出了模型集和IMM算法都是自适应的机动目标跟踪方法。该方法在模式空间连续的情况下，模型集合逐步收敛到给定的范围内。文中给出了两种方法的具体实现步骤，并对文[6]中的AGIMM方法作了修正。仿真试验中把两种方法分别与传统的IMM算法和文[6]的方法进行了比较，结果表明在目标机动情况下，两种方法在性能上均有不同程度的提高，从而证明了本文所提算法的有效性。     

交互式多模型算法在机器人目标跟踪中的应用

将交互式多模型(IMM)算法应用于视觉伺服机器人对机动目标的跟踪。使用匀速运动(CV)和匀加速运动(CA)模型表示目标的两种运动状态,利用马尔可夫链进行模型切换,根据目标前一时刻的状态和当前的观测值,预测目标当前的状态。在Matlab上对IMM滤波算法和Kalman滤波算法进行了仿真实验研究,结果表明,不管目标处于何种运动状态,IMM算法估计量的误差均值都比Kalman滤波算法的误差均值小,尤以目标作机动运动时更为突出,证明了应用IMM算法可以提高跟踪机动目标的精度。     

融合状态反馈的两模型目标跟踪方法

IMM是目前目标跟踪中状态估计的最有效估计器之一。但它需要先验的模型转换矩阵，这在实际跟踪系统中没有依据确定。通过将前一时刻的组合状态反馈到各个不同的模型滤波过程中，对不同维状态，建立与真实目标状态空间之间的映射，提出了一种新的多模型跟踪算法，这种算法动态加权各模型的滤波输出，不需要设计模型之间的转换矩阵。仿真试验表明了算法的有效性。     

具有参数自适应的交互式多模型算法

动态多模型估计（SMME）广泛应用于结构和参数的不确定／变化的估计问题中,比如目标跟踪和故障诊断与隔离,然而由先验信息选定的滤波参数是模式切换与模式未切换情况下的折衷,针对SMME,本文通过在每个滤波循环开始处起始多个状态预测器实时辨识滤波参数,包括模式切换概率和基于模型的过程噪声方差,考虑到交互式多模型（IMM）是SMME中比较有效的方法,我们将上述的参数辨识与IMM相结合,提出了一种自适应IMM（AIMM）,在跟踪一个机动目标的仿真中,AIMM表现出了比IMM更高的估计精度。     

高速高机动目标自适应IMM跟踪算法

针对目标运动过程中有转弯机动等复杂运动模式的高速高机动目标,设计了自适应两层IMM跟踪算法。该算法内层由改进的机动目标当前统计模型构成,把目标速度方向角作为伪测量值进行滤波,实时获得目标的角速度和角加速度;外层模型由常速模型和曲线模型构成,把内层模型得到的切向加速度和转弯角速度作为曲线模型参数,利用IMM算法进行滤波。仿真结果表明,该算法对高速高机动目标具有较高的跟踪精度,算法实现简单,具有一定的实际应用价值。     

转弯机动目标的两层交互多模型跟踪算法

针对转弯机动目标跟踪, 提出了一种两层交互多模型(IMM)跟踪算法. 算法的内层多模型由当前统计模型和恒速模型构成, 针对目标的速度方向角进行滤波, 将获得的角速度估计值作为外层的中心角速度; 外层多模型由转弯模型构成, 其角速度集合由中心角速度和对称角速度(交互输出的加速度与速度的比值)组成. 由于既准确估计了目标的角速度, 又设计了合理的角速度集合, 算法显著提高了转弯机动目标的跟踪精度. 仿真实验验证了算法的有效性.     

关于自适应高斯混合背景模型的更新算法的研究

采用自适应高斯混合方法为背景建模的难点是对背景模型的维持与更新。目前,背景模型的更新算法很多,但算法中各参数的取值通常是依据经验而定。本文对背景信号进行了分析,根据背景信号的特点,给出了背景更新算法中各参数值的选取方案,并提出了一种新的背景模型更新算法。     

图像融合的非负线性混合模型与算法研究

本文提出了一种适用于像素级图像融合的非负线性混合模型,该模型的意义在于任何像素级图像融合问题都可以用此形式化模型来表示.针对实际融合问题,根据实际情况对模型进行具体化或者简化,就能够得到具体融合问题的融合算法.在此基础上,根据图像融合的实际问题,本文给出了该模型的一种简化模型,并对简化模型的求解问题进行了深入研究.通过将简化后的模型转化为具体的优化问题,给出了一种快捷的图像融合迭代算法.所求出的图像融合结果综合了源图像中的特征信息,使得融合图像的特征信息损失较少,更接近于理想的真实图像.该方法的收敛性可以保证,是对现有图像融合方法的补充,能够应用于多种实际的图像融合处理中.大量的实验并与其他的融合算法的比较分析表明了本文算法的有效性和优越性.     

基于WS小世界模型的蝙蝠优化算法

蝙蝠算法是在对微型蝙蝠回声观察研究的基础上发现蝙蝠回声和优化目标功能之间的关系而提出的一种新算法。蝙蝠算法具有强大的搜索性能,但是其局部搜索相对简单,个体间缺乏信息互通,搜索能力差。尽管目前也提出了一些相关改进算法,但高维优化方面较少涉及。考虑到蝙蝠群体中个体相互联系与作用的方式有动态复杂的感知网络结构,具有“小世界”特性,所以首先把有“小世界”特性的WS小世界模型引入蝙蝠算法,利用WS小世界模型断边重连的特点生成动态的邻域结构,这种邻域结构能够提高整体的搜索能力。实例验证表明借助一般的蝙蝠算法可以进行局部搜索。     

基于概率模型的多尺度图像融合算法

文章给出了一种基于概率模型的多尺度图像融合新算法。首先,对不同的传感器图像分别进行小波分解,得到塔式结构子图像层;其次,基于不同传感器图像对应层上的对应像素,根据最小二乘规则估计模型参数;然后,根据贝叶斯规则进行融合图像相应像素的最大后验概率估计;最后,通过小波逆变换得到融合图像。采用该算法对可见光和红外图像进行融合,其结果与其它方法相比更有效。     

基于颜色直方图的EM对象跟踪算法

基于均值漂移运动目标跟踪的迭代算法,简单可靠,可以方便准确的找到一个基于内核的概率密度函数估计目标的位置。但是该算法对目标尺寸形状变化的适应能力比较差,文章提出一个改进的均值漂移算法。新算法同时估计目标的位置和用协方差矩阵来描述的目标的形状,能够处理对象的角度和形状大小发生变化时的跟踪问题,运用新的算法实现以颜色直方图为基础的非刚性目标跟踪算法。实验表明,该改进的算法在不同环境下跟踪目标的鲁棒性很好,尤其对跟踪目标的形状和尺寸的改变,具有很强的适用性。     

基于群论的柏拉图立体着色方案三维模型构造

提出用柏拉图立体的空间旋转群来完成柏拉图立体着色方案三维模型构造的思想,解决与对称性直接相关的着色方案三维模型的构造问题;提出一种柏拉图立体旋转群群元新的分类方法;提出群元抽象对称性、局部色数和饱和色数3个新概念;提出对抽象对象进行抽象着色方案的构造,然后再将抽象着色方案映射到具体的轮换上,最后映射到三维模型空间去的构造方法,设计了实现该方法的算法,并用Visual C++6.0和Direct 3D实现了算法及三维模型可视化.软件运行结果验证了所提出的方法及算法的正确性.     

Optimality analysis of one-step OOSM filtering algorithms in target tracking

In centralized multisensor tracking systems, there are out-of-sequence measurements (OOSMs) frequently arising due to different time delays in communication links and varying pre-processing times at the sensor. Such OOSM arrival can induce the “negative-time measurement update” problem, which is quite common in real multisensor tracking systems. The A1 optimal update algorithm with OOSM is presented by Bar-Shalom for one-step case. However, this paper proves that the optimality of A1 algorithm is lost in direct discrete-time model (DDM) of the process noise, it holds true only in discretized continuous-time model (DCM). One better OOSM filtering algorithm for DDM case is presented. Also, another new optimal OOSM filtering algorithm, which is independent of the discrete time model of the process noise, is presented here. The performance of the two new algorithms is compared with that of A1 algorithm by Monte Carlo simulations. The effectiveness and correctness of the two proposed algorithms are validated by analysis and simulation results.     

一种新的无线传感器网络节点信誉评测模型AEMP

研究了一种新的信誉评测模型,模型采用“加法奖励、乘法惩罚”的方法。该模型与现有模型相比,运算简单,资源消耗少,适合于无线传感器网络节点资源受限的特点。仿真实验表明,该模型可以快速降低实施不良通信行为节点的信任值,从原理上减少误判。该模型为无线传感器网络路由协议设计提供了新的选路依据。     

多Markov链预取模型在网络内存系统中的应用

主机通过高速网络访问远程内存的性能已经达到或远高于访问本地磁盘的性能，通过各种优化手段，网络内存系统的性能能得到更好的提升。该文基于一个Linux网络内存系统(LNMS)，在客户端一级提出了一种新的预取算法m-ppm，该算法发展了多Markov链预取模型，使之更适合LNMS。在LNMS上实现了另2种常用的预取算法以作比较，实验数据表明，m-ppm算法对多用户模式更有效。