协同导航不完全量测环路和积数据关联算法

协同导航技术是提升平台协作性能的重要保障和关键技术,针对复杂环境中导航信息测量数据丢包或延迟问题,提出一种协同导航滤波用不完全量测环路和积数据关联算法(IM-LSPADA),将局部节点状态与友邻节点状态进行扩维,协同节点的状态噪声联合扩维,为系统状态变量,友邻节点测距为观测量,对状态与量测噪声的后验概率密度函数进行高斯近似;量测数据随机延迟或丢包时,采用上一时刻量测量作为系统观测值,基于确定积分点进行采样的贝叶斯框架,计算预测目标节点位置,进行定位。通过无迹变换(UT)传播的sigma积分点进行IM-LSPADA估计仿真和实验结果表明,量测数据丢失时,能够完成目标网络的定位和跟踪。与未考虑量测随机延迟的SPBP算法相比,改进算法的横轴位置误差降低了76%,纵轴位置误差降低了66%,精度可达到标准的和积数据关联算法(SPADA)的精度。     

无线传感器网络移动节点辅助定位算法

从目标跟踪(用多个静态已知位置的传感器跟踪和预测一个移动的目标)的逆向方法出发,提出一种采用可移动节点在未知节点布设区域上空进行行列扫描,同时向未知节点发射相应标识信号给未知节点的定位算法--LA-SCAN.它具有至少两个优势:1)由于未知节点只需接收第一次标识号,用于节点定位的通信能耗极低;2)未知节点只需要移动节点移动间距、布设区起点位置和接收到的标识号即可计算m估计坐标.理论分析和仿真结果表明LA-SCAN算法具有高的性能表现.     

胶囊内窥镜无线遥测定位的校正

为了进一步提高采用交流励磁定位无线跟踪胶囊内窥镜的定位精度,减小系统误差,提出了改进的神经网络定位校正方法。首先,设计了适应于胶囊内窥镜定位校正的神经网络结构;然后,采用Levenberg-Marquart算法结合贝叶斯正则化方法改进校正网络,抑制校正网络的过拟合。通过定位实验平台,建立了定位目标的跟踪位置与实际位置的样本对照数据表,并应用校正网络对定位数据进行校正。定位校正实验表明,改进的神经网络校正法可进一步减小定位误差,校正后的X,Y,Z,α,β分量的平均误差分别减小至8.7 mm,10.1 mm,7.3 mm,0.086 rad和0.081 rad。与基本BP算法相比,采用Levenberg-Marquart贝叶斯正则化的改进算法有效提高了定位校正网络的泛化能力和收敛精度。     

层次分簇的无线传感网络多级优化测量

层次化的无线传感网络由骨干传感节点和普通传感节点组成.由于节点能量受限,无线传感网络跟踪测量目标时需同时考虑目标跟踪精度和跟踪方法的能效性.提出一种层次分簇的多级优化无线测量方法.将骨干节点作为簇首,采用粒子滤波算法预测运动目标位置,运用DELAUNAY三角剖分优化选择目标附近的节点作为测量节点,并根据测量节点地理位置判断是否转移簇首.在测量节点同步的感知目标后,簇首利用熵来逐次选择能效性最高的测量节点数据进行融合,实现目标定位测量.试验表明,该方法能满足目标跟踪精度,并可有效的减少网络能耗,提高无线传感网络测量使用寿命.     

粒子滤波算法在非线性目标跟踪系统中的应用

提出了一种基于贝叶斯理论及蒙特卡罗仿真的粒子滤波算法.该算法通过非参数化的蒙特卡罗(Monte Carlo)模拟方法来实现递推贝叶斯滤波,适用于任何能用状态空间模型以及传统的卡尔曼滤波表示的非线性系统,精度可以逼近最优估计.给出了算法的理论依据及整个跟踪过程的框架,并通过仿真试验对算法进行了验证.与传统的目标跟踪算法相比,本算法不仅能实现对目标的稳定、准确跟踪,将跟踪精度提高到90%以上,并且,当受到严重遮挡而发生目标丢失时,该算法仍然能够在10帧内重新捕获目标.实验结果证明,算法对于部分遮挡等复杂的非线性、非高斯情况具有良好的跟踪性能.     

传感器网络中基于相关性的协同目标检测算法

目标检测是传感器网络的重要应用方向之一,也是对目标进行定位、跟踪的基础和前提。现有的目标检测算法大多属于局部判决融合算法,对噪声干扰的影响考虑较少,在检测性能方面存在不足。提出了一种基于相关性的协同目标检测算法,各传感器节点将一小段时间内的测量值序列发送给局部中心节点,构成一个检测矩阵;局部中心节点对检测矩阵中列向量的相关性进行计算和评估,从而判定目标是否存在。仿真实验和应用验证的结果表明,该算法能够很好地抑制噪声干扰的影响,检测结果的准确性较高。     

无线传感器网络中节省能量的目标跟踪算法

目标跟踪是无线传感器网络中的一个重要应用。由于传感器节点携带的电池能量有限,且处于工作状态时消耗的能量要大于感知状态和休眠状态,如何在降低节点的能量消耗和保证跟踪精度之间找到一个平衡点,是一个需要解决的问题。因此,一种节省能量的目标跟踪算法被提出。在每个采样时间段,选择出一个节点作为调度节点,调度节点指挥普通节点在3种模式之间进行转换,只选择一部分节点处于工作和感知状态,其余节点处于休眠状态。仿真结果显示,和其他跟踪算法相比,这种算法能够减少能量消耗,降低跟踪误差。     

基于动态生成树和改进不敏卡尔曼滤波的传感器网络目标跟踪算法研究

针对在传感器网络目标跟踪的实际应用中,节点感知的数据与目标真实状态之间通常呈现非线性的特点,提出了一种基于改进不敏卡尔曼滤波的传感器网络目标跟踪算法。通过引入粒子群技术对不敏卡尔曼滤波中δ采样点的分布和收敛速度进行优化,使得δ采样点的分布更加接近目标的真实状态,以提高目标跟踪精度。同时,构建了一个随目标移动而动态生成的树形结构作为算法的执行平台。仿真结果表明,采用动态生成树作为算法执行平台提高了节点资源的利用率,降低了网络能耗,采用粒子群优化后的不敏卡尔曼滤波提高了目标跟踪精度,减少了算法运行时间。     

基于自适应二进制灰狼算法的节点协同跟踪

针对大规模无线传感器网络中目标跟踪时的节点选择问题,为了满足跟踪精度和实时性的要求,提出了一种自适应二进制灰狼优化算法,用于求解基于条件后验克拉美-罗下界构建的节点选择优化模型。该算法采用非线性动态自适应收敛因子,同时引入基于V型函数的位置更新原则。仿真结果表明,该算法能够有效完成目标跟踪的节点选择任务,与二进制灰狼算法和二进制粒子群算法对比,自适应二进制灰狼算法在搜索能力和收敛速度上有更好的表现,能够在满足跟踪精度的同时有效提高跟踪的实时性。     

链式无线传感器网络移动目标二元协同感知策略

对链式无线传感器网络中移动目标的感知是对运动目标跟踪定位的基础,如何在节点能量有限情况下准确感知移动目标是其主要技术之一.为此,提出了一种基于节点相邻步距间协作的二元协同感知策略.首先提出目标感知节点集求解算法和目标运动感知模型;其次,融合当前感知概率和历史感知经验,建立移动目标感知概率求解模式,并相应地提出了二元协同感知算法;以矿井巷道内的人员定位监测为工程仿真实例,进一步进行了二元协同感知策略、全节点感知策略与单节点感知策略的性能比较,结果表明,二元协同感知策略能有效解决单个感知策略易存在检测漏洞与全节点感知策略通信量大的缺点,提高移动目标的感知概率,延长了网络的生存寿命.最后,以建筑物楼道长廊中的人员定位监测作为实际环境测试平台,测试了二元协同感知策略的性能变化,其结果显示出实际环境测试结果与理论仿真值变化趋势基本相同,从而验证了二元协同感知策略的实际有效性.     

基于双目视觉的运动目标检测跟踪与定位

为克服传统目标检测跟踪方法无法对目标准确定位,以及在复杂环境下容易受光照、阴影等因素干扰的问题,提出了基于双目视觉的目标检测跟踪与定位方法。首先使用Matlab标定工具箱和OpenCV进行摄像机标定和图像校正,然后利用基于双目视觉的背景差分法实现目标检测,结合基于Kalman滤波的改进Camshift算法实现目标跟踪,最后利用视差图得到目标三维信息,从而实现目标定位。实验结果表明,所提方法能够实时跟踪运动目标并实现目标的准确定位。     

结合特征在线选择与协方差矩阵的压缩跟踪算法

本文从3个方面对原始压缩跟踪算法进行改进,以提高其在复杂场景下的鲁棒性和准确性。首先,提出一种结合特征在线选择的压缩跟踪算法,通过计算相邻两帧同维特征所服从的高斯分布曲线的Hellinger距离来度量特征的置信水平,从特征池中选择置信水平较高的特征,并融合特征的置信水平构造贝叶斯分类器。然后,在压缩跟踪框架下引入协方差矩阵以增强算法对目标的表达能力,把Haar-like特征和协方差矩阵相结合构建目标模型,取最大响应值所对应的候选样本作为跟踪结果。最后,优化分类器参数的更新方式,根据目标模板与跟踪结果的相似度来自适应更新分类器参数。改进算法的平均跟踪成功率比原算法提高了25%,平均跟踪精度比原算法提高了22%。相比于原始压缩跟踪算法,本文算法具有更高的跟踪鲁棒性和准确性。     

基于IMM模型的目标跟踪算法

在机动目标跟踪方法中,为避免具有机动检测的跟踪算法产生的估计时间延迟和机动检测过程中跟踪性能的降低,采用基于交互式多模型（IMM）的自适应机动目标跟踪算法,通过2个目标模型的交互作用来实现对目标机动状态的自适应估计。在工程上,将基于CV和＂当前＂统计模型的IMM算法应用在某导航雷达跟踪系统中,经验证IMM算法对匀速直线运动、机动运动目标跟踪均能取得较好的效果。     

基于显著性区域加权的相关滤波目标跟踪

为了提高跟踪过程中目标位置的定位精度,提出了基于显著性区域加权的相关滤波目标跟踪算法。本文在高效卷积算子跟踪算法(Efficient Convolution Operators for Tracking,ECO)的跟踪框架基础上,首先采用预训练的改进残差网络SE-ResNet来提取不同层的多分辨率特征,充分利用浅层和深层特征的不同特性来增强特征表达,通过因式分解的卷积求出相关滤波的响应图;然后采用背景对像模型来获取目标的显著性图,并使用显著性图来对相关滤波的响应图进行加权,提高定位精度;最后,在视觉目标跟踪(Visual Object Tracking,VOT)竞赛上与8种流行的跟踪算法进行对比,在VOT2016和VOT2017竞赛上的平均重叠期望(Expected Average Overlap,EAO)得分分别达到了0.4157和0.3412,均优于其他算法。实验表明本算法可以有效提升目标跟踪中的定位精度,改善跟踪性能。     

飞轮电池动态摩擦特性与控制补偿技术研究

针对飞轮电池中非线性摩擦的特点,建立了基于Lugre动态摩擦模型的飞轮电池系统状态方程。设计了遗传算法优化的滑模控制器对飞轮电池中的动态摩擦进行补偿。仿真结果表明,该方案可以实时补偿系统中的动态摩擦,达到满意的补偿效果,获得较高的位置跟踪、速度跟踪性能和鲁棒性能。并且由于遗传算法的优化,减小了滑模控制器的抖振。     

动态视角下自主目标识别与跟踪

针对动态视角下由于相机高频率晃动导致的常用目标识别及跟踪算法准确率较低的问题,提出了一种基于Canny和GrabCut的自适应窗口式目标跟踪算法。首先使用加速稳健特征（SURF）算法学习图片库并记忆图片特征,设计基于SURF算法的记忆库目标识别算法;然后,对上述目标区域采用GrabCut的自适应优化算法进行感兴趣区域分割,实现目标粗略跟踪;最后,设计基于Canny算法的窗口式算法进行目标精确追踪。实验结果表明,所设计的算法能快速地识别目标、精确地勾勒出其轮廓并且稳定跟踪目标,相比其他算法,算法在实时性和精确性方面有显著提高。     

基于Camshift和Kalman滤波结合的改进多目标跟踪算法

Camshift算法具有很好的实时性,但是存在遇到大面积与目标颜色相近的背景干扰、目标被严重遮挡时跟踪失效,只能对单目标进行跟踪等问题。针对这些问题,提出了Camshift结合Kalman滤波的改进算法,采用改进算法的跟踪器对每个检测出来的目标进行分别跟踪,从而实现多目标跟踪。实验表明本文提出的改进算法能有效地克服以上问题,并且能达到实时性要求。     

融合 WiFi 与可穿戴惯导模块的室内定位方法

为解决基于智能手机的人员室内定位追踪易受手机姿态影响的问题,提出一种融合WiFi与可穿戴惯导模块的室内定位方法。通过固定在胸部的惯性测量单元实现行人航迹推算PDR)定位,消除手机姿态对PDR定位的影响,采用加权贝叶斯算法实现WiFi指纹定位,为PDR提供初始定位,同时基于无迹卡尔曼滤波融合WiFi定位结果与PDR定位结果,以减少PDR的累积定位误差。最后,在真实室内环境中进行大量实验,实验结果证明本文提出的加权贝叶斯WiFi定位算法相比于传统贝叶斯算法定位误差降低了51.9%,提出的融合WiFi与可穿戴惯导模块的定位方法具有更好的精度和稳定性,相比于纯PDR定位算法平均定位误差降低了65.2%,相比于完全利用手机实现的融合算法,在3种不同手机姿态下平均定位误差分别下降了12.3%、39.3%和48.4%。     

自然光线环境中的空间物体快速识别和定位算法研究

针对智能机械臂在自然光环境的三维空间中对目标物体的自主识别率和定位精度低的问题,提出了一种基于深度学习的视觉和光学雷达融合定位算法,实现自然光线下空间物体的高精度快速定位。首先,采集 RGB 图像和深度数据,利用深度学习算法对图像进行目标识别与实例分割;然后,将实例分割目标物的二维深度矩阵转换成三维空间点云;最后,用综合修正算法对位置修正,实现对目标物体在三维空间的抓取位置精准定位。 通过不同光照强度下的目标物体识别和定位实验验证了该算法的有效性和实用性,获取的目标物体的三维空间坐标较为精确,单位距离的定位误差在 0. 5%以内,受照明亮度影响较小,对机械臂智能抓取的研究具有较为重要的意义。     

多目标跟踪算法在水质监测中的应用

针对活鱼水质监测系统中的活鱼跟踪中存在的问题,提出了一种基于视频的多目标跟踪算法,通过采用一种基于统计模型的背景建模方法得到了实验鱼缸的初始背景,并在活鱼目标检测跟踪过程中实时更新背景,在此基础上采用背景相减法和自适应图像二值化实现了活鱼运动目标的提取,并用连通区域分析提取活鱼的大小、质心等特征值,最后将卡尔曼预测器应用于基于运动特征的跟踪技术中,实现了活鱼的轨迹跟踪,提取到了活鱼的运动轨迹,最终达到了为后续的水质预警提供了可靠的轨迹数据的目的,所跟踪得到的活鱼运动轨迹数据是监测系统水质预警的重要基础。研究结果表明,该算法符合系统的实时性和准确性要求,能实现活鱼运动轨迹的准确快速跟踪。