基于进化采样的粒子滤波算法

在粒子滤波算法中, 重采样的引入有效地改善粒子退化现象, 但同时也导致了粒子多样性减弱问题的产生. 本文给出了一种基于进化采样的改进粒子滤波算法. 该算法在重采样过程后, 首先根据马尔可夫链蒙特卡罗(Markov-Chain-Monte-Carlo, MCMC) 技术和遗传算法中的模拟二进制交叉原理生成候选粒子, 并利用适应度函数完成对于其权重的度量. 然后结合当前时刻的重采样粒子构建候选粒子集, 进而提升了重采样后粒子的多样性, 最终依据粒子自身的权重实现粒子的优选. 仿真结果表明: 该算法可有效地提高     

基于期望最大化算法的音频取证中的篡改检测

音频取证中的插值检测是信号篡改检测的重要方面。因为信号的篡改经常伴随着重采样操作，而重采样后的插值信号会引入周期性信息。应用期望最大化（EM）算法能针对这种周期信息估计参数，从而检测出信号是否被篡改。为了使EM算法迭代效果更好，更适用于音频信号的插值检测问题，提出针对音频信号的特点，引入音频幅度直方图，排除短时静音和增加样本点数的方法。另外还提出了用频谱统计矩作为特征的方法，使统计分类稳定有效。最后通过音频取证中检测信号是否重采样的统计分类实验，表明整个检测流程能达到较高的准确率，并且在局部篡改实验中也同样有效。     

基于分层聚类及重采样的大规模数据分类

针对大规模数据的分类问题,将监督学习与无监督学习结合起来,提出了一种基于分层聚类和重采样技术的支持向量机(SVM)分类方法。该方法首先利用无监督学习算法中的k-means聚类分析技术将数据集划分成不同的子集,然后对各个子集进行逐类聚类,分别选出各类中心邻域内的样本点,构成最终的训练集,最后利用支持向量机对所选择的最具代表样本点进行训练建模。实验表明,所提方法可以大幅度降低支持向量机的学习代价,其分类精度比随机欠采样更优,而且可以达到采用完整数据集训练所得的结果     

基于频域变采样的OFDM水声移动通信多普勒补偿算法

针对正交频分复用技术(Orthogonal Frequency Division Multiplexing,OFDM)在水声移动通信条件下存在对多普勒频偏敏感的缺陷,提出了一种基于频域变采样技术的多普勒补偿算法。利用移动通信条件下OFDM子载波正交性不变的特点,通过频域变采样实现对多普勒的快速补偿,并采用编码反馈校验技术跟踪系统多普勒变化,达到了OFDM移动通信条件下实时通信的目的。仿真和水池实验结果证实:频域变采样多普勒补偿算法不仅可以实时地跟踪通信载体运动变化,快速补偿多普勒,同时大幅降低了时域变采样多普勒补偿算法的计算量,降低了通信系统硬件平台复杂度。     

融合渐消无迹粒子滤波与高斯重采样的FastSLAM 算法

摘要：为解决快速同步定位与地图构建算法因粒子退化导致SLAM(simultaneous location and mapping)估计精度 不佳的问题,提出一种融合渐消自适应无迹粒子滤波与高斯分布重采样的FastSLAM 算法。通过融合渐消滤波和无 迹粒子滤波,产生一种自适应提议分布,利用高斯分布对高权重粒子进行分散得到新粒子。建立机器人运动模型和 观测模型,并在仿真环境中进行性能验证。仿真结果表明：该算法能有效地缓解粒子退化,增加系统稳定性,提高 SLAM 估计精度。     

基于插值重采样的信号FFT分析方法研究

针对实际信号做频谱分析时通常不能满足经典FFT算法的待分析信号长度应为2的整数幂的约束条件,通常采用的增加信号采样时间或对信号补零的方法,会造成采样负荷加重或频率泄露。针对与此,提出了基于信号插值重采样的改进FFT分析算法,并与常用FFT算法进行了对比。经仿真结果验证,改进的算法能较好地在不增加信号采样负荷的前提下,精确捕获信号真实频率特性。并将改进的FFT算法应用于实际水电机组振动信号分析,频谱分析与现场真实情况相符,证明基于插值重采样的FFT算法的有效实用性。     

多模噪声中粒子滤波算法研究

粒子滤波是一种解决非高斯滤波问题的有效方法,受到许多领域的研究人员的重视。在扩展卡尔曼滤波(EKF)的基础上,提出一种基于多层感知器(MLP)的扩展卡尔曼滤波算法。利用扩展卡尔曼粒子滤波器和MLP对当前时刻状态重要性采样,引入MLP对样本进行重采样。该算法能有效利用测量值的最新信息,对状态估计的误差更小。在实验中,对于多模噪声非线性系统,该算法与另外算法进行比较。结果证明,所提算法性能优异于其他算法。     

基于频度函数重采样的训练集构造方法

训练样本集在模式识别问题中起着重要的作用,它是分类器“知识”的基本来源,直接影响分类器的训练结果和识别系统的综合性能。为了减轻冗余数据对分类器训练和系统维护所带来的负面影响,该文在采样定理的启发下,遵循理想训练样本集所须满足的三个基本性质:遍历性、相容性和致密性,针对大数据量原始样本集,提出了一种基于频度统计重抽样手段构造精简训练样本集的方法。试验表明,该方法能够在保证分类器性能的前提下,有效减少冗余样本,降低计算代价和分类器复杂度。     

基于加密技术的DCT域图像公开水印算法

DCT变换是当前JPEG压缩中所使用的一个处理过程,它能把图像的能量集中到左上角的低频系数上,该文利用这个特点有效地实现了水印的鲁棒性与透明性的平衡。此外,为了进一步提高水印的鲁棒性与安全性,该算法有机地结合了重采样置乱和混沌加密等方法对水印信息进行加密预处理。实验表明,该算法高效、安全性能好,且具有较好的不可感知性,对常见的图像处理及剪切攻击等具有较好的鲁棒性。     

故障转子系统轴心轨迹的自动识别研究

轴心轨迹是转子系统故障诊断的重要依据,将整周期重采样、归一化的极半径序列引入轴心轨迹自动识别系统。首先对振动信号进行整周期重采样以降低转速和采样频率对小波去噪效果的影响,然后利用小波变换对其去噪并合成提纯的轴心轨迹,最后计算具有平移、伸缩和旋转不变性的极半径序列作为轴心轨迹特征,采用BP神经网络进行识别。实验结果表明该方法具有良好的识别效果。