一种基于相关邻域模型的SAR图像迭代滤波方法

提出一种基于相关邻域模型的SAR图像迭代滤波方法。该方法引入相关邻域模型描述图像的局部特性。首先建立一系列反映方向信息的模板，每一个模板代表一种邻域结构。在SAR图像的统计性质基础上。对于每个邻域结构，利用Bayes方法。根据图像的观测值，获得强度期望值的最大后验概率(MAP)估计。运用模拟退火算法，根据每个结构的概率，随机选取一个邻域结构作为最适合结构，它所对应的估计值作为期望强度的估计。温度逐步趋向于O，该算法可以获得估计的全局最优解。     

非线性动态滤波的迭代算法

阐述了标称状态的线性化方法和扩展的卡尔曼滤波公式及迭代卡尔曼滤波,探讨了非线性动态滤波的近似处理方法,围绕标称状态将非线性模型进行线性化,将标准的卡尔曼滤波扩展到非线性模型,得到扩展的卡尔曼滤波公式,研究了迭代滤波计算方法。扩展的卡尔曼滤波方法已经有效地用于非线性模型。     

彩色图像迭代滤波算法

对于被脉冲噪声污染的彩色图像,基于噪声检测,提出了一系列迭代滤波算法。运用脉冲噪声检测器,估计出图像中的噪声像素,应用一系列后续滤波算法,只对检测出来的噪声像素进行滤波,而对非噪声像素（即信号像素）保持其值不变。传统的矢量滤波算法（矢量中值滤波、基本矢量方向滤波和方向距离滤波）加以改进后可作为后续的滤波算法。实验结果表明,这些新的滤波算法与传统滤波算法相比,在有效消除噪声的同时,更能够保留图像中的边缘和细节特征。     

一种新的基于迭代模糊控制的图像滤波方法

本文提出一种新的基于迭代模糊控制的滤波方法,该方法具有消除脉冲噪声、平滑高斯噪声而同时又有效地保持边缘和图像细节的特性。它主要基于这样一个思想,即不让相关区域的每个点被每个基本的模糊规则同样地激活。此法的种种改进均大大增强了本文提出的滤波方法的性能。     

一种去除图像混合噪声的滤波算法

针对同时感染脉冲噪声和高斯噪声的混合噪声图像,以全变分去噪模型为基础,结合中值滤波技术,提出一种新的混合噪声滤波算法.该算法首先根据脉冲噪声的特点和像素的局部能量信息,分离出脉冲噪声并以改进中值滤波算法去除,然后对含有高斯噪声的图像采用自适应广义变分模型进行降噪处理.实验结果表明,该算法在有效滤除混合噪声的同时能很好地保护图像细节,为去除图像中的混合噪声提供了一种有效的途径.     

一种去除图像混合噪声的滤波算法

经典的中值滤波和均值滤波常常被分别用来滤除脉冲噪声和高斯噪声,但是当图像同时存在脉冲噪声和高斯噪声时,这两种滤波算法都不能达到最好的滤波效果。为了能同时滤除两种不同性质的噪声,提出了一种新的混合噪声滤波算法。该算法首先根据脉冲噪声的特点和像素的局部能量信息,分离出脉冲噪声并采用中值滤波算法加以去除,然后对含有高斯噪声的图像采用均值滤波算法进行去噪。试验结果表明,该算法在有效滤除混合噪声的同时,能很好地保护图像的细节,从而为去除图像中的混合噪声提供了一种有效的途径。     

一种改进的迭代无迹卡尔曼滤波算法

针对非线性系统目标跟踪中状态估计的线性问题,在滤波过程的不同部分,利用统计和分析原理对状态估计进行线性化,提出一种改进的迭代无迹卡尔曼滤波(Improved Iterated Unscented Kalman Filter, IIUKF)。在系统方程和测量方程都具有较严重的非线性条件下,与无迹卡尔曼滤波器(UKF)和迭代扩展卡尔曼滤波(IEKF)进行仿真验证比较。结果显示该方法的跟踪性能优于UKF和IEKF,提高了系统的跟踪效果。     

迭代无味卡尔曼滤波器

通过对无味卡尔曼滤波器(Unscented Kalman filter,UKF)的误差进行分析,提出了迭代UKF(IUKF)算法.该基本思路是用测量更新后的状态估计去重新对状态量和观测量的一步预测,然后再次应用LMMSE估计子估计状态量的均值和协方差阵,如此多次迭代后的滤波估计输出具有更高的精度和更小的方差,故滤波器表现出更好的一致性.Monte Carlo仿真表明,IUKF主要应用于观测噪声较小的场合,其中的迭代只需进行2～3次即可.     

一种改进的图像模板细化算法

针对现有图像模板细化算法中存在的诸如迭代次数较多、细化速度较慢、图像某些部位细化不完全等问题，提出了一组改进的细化模板。针对指纹图像应用新算法进行的细化实验结果表明，采用改进的细化模板，新算法在保证对图像完全细化的同时，能显著减少细化所需的迭代次数，从而加快了细化处理速度。     

观测迭代的插值滤波算法

针对非线性跟踪系统中由于弱观测性,大的初始化误差使的系统出现不稳定、跟踪收敛速度慢,鲁棒性能差的问题,本文在内插公式滤波器的基础上提出了基于观测迭代插值滤波器。该算法在插值滤波器基础上,利用观测迭代过程来取代单纯的近似条件估计进行预测,减小观测函数线性化所带来的误差影响具有更精确的状态和协方差估计性能。仿真结果表明该算法在大噪声和大初始化误差条件下拥有比传统算法更高的跟踪精度,和更快的收敛速度。     

基于序贯无迹卡尔曼滤波的雷达目标跟踪方法

提出一种基于序贯无迹卡尔曼滤波的雷达目标跟踪方法。雷达跟踪系统为离散非线性系统,传统的解决方法是使用扩展卡尔曼滤波。无迹卡尔曼滤波用少量采样点表示随机变量的分布,通过非线性系统传播,能以三阶精度获得非线性变换的均值和方差的估计。为了提高无迹卡尔曼滤波的精度,用序贯无迹卡尔曼滤波方法依次处理方位角、俯仰角和距离,来进行雷达目标跟踪。通过Monte Carlo仿真,验证了该滤波算法比传统的扩展卡尔曼滤波具有更高的滤波精度和更高的计算效率。     

LPV模型的Kalman滤波器设计

针对线性变参数（LPV）模型,给出了一种改进Kalman滤波器设计方法,这种滤波方法可以根据系统LPV模型实时调整滤波状态方程矩阵系数,从而增强滤波算法对系统模型变化的跟踪性能,并提高滤波准确性。结合具体实例,通过仿真比较,较好地检验了该方法的有效性。     

一种基于SR-UKF的FastSLAM算法

标准FastSLAM算法存在着粒子集退化和线性化误差累积的缺陷。针对上述问题,提出了基于平方根无迹卡尔曼滤波(SR-UKF)的FastSLAM算法。SR-UKF选取一组能够代表状态向量统计特性的代表点带入非线性函数处理后重新构建出新的统计特性;使用SR-UFK取代EKF来估计每个粒子的后验位姿提议分布,可以提高粒子采样精度,减缓粒子集的退化;同时SR-UKF可以确保协方差矩阵的非负定,保证了SLAM算法的稳定性。仿真实验结果表明,基于SR-UKF的FastSLAM算法在估计精度和鲁棒性两方面均优于FastSLAM 2.0算法。     

一种改进中心差分卡尔曼滤波方法

针对中心差分卡尔曼滤波（CDKF）跟踪时估计精度较低这一不足,提出了一种基于迭代测量更新的中心差分卡尔曼滤波（ICDKF）方法。本文将迭代滤波理论引入到中心差分卡尔曼滤波算法中,重复利用观测信息,采用经典的非线性非高斯模型进行仿真实验,给出了该算法与扩展卡尔曼滤波（EKF）、中心差分卡尔曼滤波（CDKF）的仿真结果,并分析了其跟踪性能和均方根误差。实验结果表明,迭代中心差分卡尔曼滤波（ICDKF）算法不仅具有无需计算Jacobian矩阵的优点,而且具有更高的估计精度。     

改进扩展卡尔曼滤波的四旋翼姿态估计算法

为了提高标准扩展卡尔曼姿态估计算法的精确度和快速性,将运动加速度抑制的动态步长梯度下降算法融入扩展卡尔曼中,提出一种改进扩展卡尔曼的四旋翼姿态估计算法。该算法在卡尔曼测量更新中采用梯度下降法进行非线性观测,消除标准扩展卡尔曼算法在线性化时带来的线性化误差,提高算法的准确性和快速性;对梯度下降法的梯度步长进行动态处理,使算法步长与四旋翼飞行器的运动合角速度成正比,增强微型四旋翼飞行器姿态解算的动态性能;对强机动运动过程中机体产生的运动加速度进行抑制处理,消除运动加速度对姿态解算的不利影响,提高了微型四旋翼飞行器姿态解算的跟踪精度。为了验证所设计算法的可行性和有效性,基于STM32单片机搭建四旋翼实验平台系统进行实时在线性能验证。结果表明,所设计算法能提高四旋翼飞行器在强机动、高速运动情况下的姿态跟踪精度、动态性能,增强姿态融合算法的抗干扰性,保证微型四旋翼飞行器的稳定飞行。     

Modal Kalman Filter

In the Extended Kalman Filter (EKF), only the first‐order term of the Taylor series is employed. Hence, the nonlinearities in the system dynamics are not fully considered. In the proposed method, to overcome this drawback, the higher‐order terms of the Taylor series are considered and a new filter, based on the Modal series, is designed. In this paper, based on the Modal series and careful approximations, a nonlinear filter is converted to a series of linear filters, and the extracted filter is named the Modal Kalman Filter (MKF). The efficiency and advantage of MKF are analytically proven and its applicability examined with some simulations.     

永磁同步电机多采样率EKF转速辨识

永磁同步电机（Permanent Magnet Synchronous Motor,PMSM）具有响应快、高精度、高转矩比等诸多优点,同时无传感器控制策略研究能有效提高PMSM系统的简易性和鲁棒性。在分析EKF和多采样率数字控制系统的基础上,建立永磁同步电机输入多采样率EKF算法,将其用于转速估计。通过仿真和实时实验验证其算法在辨识精度及收敛稳定性方面均优于单采样率EKF算法,并和高频单采样率EKF有着一致的辨识效果,而多采样率EKF算法的数据量及运算量均小于高频单采样率EKF。     

漂移瑞利滤波算法及其在纯方位跟踪中的应用

单传感器纯方位跟踪问题仍是目前研究的重点和难点,方位角变化率很大时往往使得扩展卡尔曼滤波等矩匹配算法不稳定或发散。重点研究漂移瑞利滤波算法在方位角变化率很大的复杂单传感器纯方位目标跟踪场景下的性能,比较了漂移瑞利滤波,扩展卡尔曼滤波,不敏卡尔曼滤波,粒子滤波等其他非线性跟踪算法的性能,推导并计算了相关问题的Cramer-Rao下界并将其用作比较估值准确性和衡量算法性能的评价指标。仿真结果表明:漂移瑞利滤波算法的性能优于其他矩匹配算法,能达到与粒子滤波大体相同的计算精度,但它的计算速度比粒子滤波算法快几个数量级。     

基于立方体模型和EKF的运动汽车跟踪算法研究

针对固定摄像机、大范围复杂交通场景,提出了一种运动汽车的实时跟踪算法。根据汽车的刚体特性,采用立方体模型与运动汽车图像进行匹配的算法,避免三维重建的难题,能较为直观地得到运动汽车的形体信息。结合车辆的非线性运动特征引入EKF算法,准确地预测车辆的相关参数信息,减少目标跟踪过程中的搜索时间,从而能够实时准确地跟踪运动汽车目标。通过真实交通视频仿真实验,该算法具有较好的跟踪能力和抗干扰性能。     

UKF算法在星载GPS低轨卫星定轨中的应用

对于扩展卡尔曼滤波在非线性系统中由于线性化过程引入了线性化误差,从而导致滤波器性能下降甚至造成滤波发散的情况,利用Unscented卡尔曼滤波器对非线性系统进行直接滤波,该方法无需对非线性系统进行线性化,避免了线性化误差。并将该算法用于星载GPS低轨卫星定轨中,建立了仿真模型,在初始条件相同的情况下,与EKF算法仿真结果相比较,结果表明在一定观测噪声水平下,UKF定轨结果更准确,定轨精度更高。