移动机器人语音定向算法及其实现

研究在光线比较差或者有障碍物的复杂环境下对感兴趣的声源进行定位,由于存在外部噪声,引起对目标声源进行跟踪误差大。传统的语音定向方法无法有效减小声源定位的误差,从而定向的精度比较低,且多集中在理论研究。为提高移动机器人语音定向的精度,利用麦克风阵列拾取声源信号,采用PC/104的SEM/ADT800多通道数据采集卡对语音信号进行采集和处理。运用改进的广义互相关时延估计算法计算麦克风阵元间的时间差值,采用四元十字阵形的几何定位方法计算声源信号的目标位置和方向,并对系统的定向效果进行实验,得出实验结果,进行误差分析。经实验证明,相对于传统的语音定向方法,麦克风阵列的移动机器人语音定向系统实际可用,具有较好的性能,能够把系统定向误差控制在要求的范围内。     

基于雷达/红外成像的机动目标加速度估计

研究机动目标跟踪精度优化问题,需获取机动目标加速度准确信息。由于空间外界干扰造成雷达提供信息不准确,为此提出了基于雷达/红外成像的机动目标跟踪信息融合算法。建立了机动目标与空空导弹的相对运动目标机动数学模型,引入了雷达/红外成像导引头联合观测方法,并对两者的观测信息在时间上进行同步配准。采用雷达/红外成像信息融合跟踪扩展自适应卡尔曼滤波算法进行仿真。仿真结果表明,改进算法能够对机动目标加速度信息进行有效的、实时准确的估计,验证了所设计的跟踪算法的正确性,实现了以直接碰撞方式达到毁伤目标的目的。     

计算机视觉中的深度估计分析

如何使用计算机实现人视觉功能为计算机视觉主要研究对象,也就是通过二维投影图像对客观世界三维场景进行识别、感知和理解。在空间中,自然界景物都是三维的,为运动状态,所以对于计算机视觉应用与研究来说是动态、三维的。目前,大部分图像采集装置图像为二维,虽然具有三维物体空间信息。要通过图像认知世界,就要利用二维图像恢复三维空间信息。对计算机视觉进行研究,不仅能够使人工智能应用需求得到满足,还能够使人类对视觉系统机理深入认知具有重要意义。以此,本文就对计算机视觉深度估计进行研究。     

基于压缩感知理论的二维DOA估计

二维波达方向(direction of arrival,DOA)估计在雷达探测、电子对抗、医学成像等领域有着广泛的应用.针对现有算法估计精度不足、计算量巨大的问题,在基于压缩感知理论的背景下提出一种二维均匀L型阵列信号的DOA估计算法.该算法首先对阵列信号的俯仰角和方位角构建空间合成角,并对空间合成角构建过完备冗余字典;再利用正交化高斯随机矩阵构造观测矩阵;最后通过改进RM-FOCUSS算法和求解三角函数的方法还原出方位角和俯仰角.理论研究表明,该方法在高信噪比、多快拍条件下比传统算法具有更高的估计精度和分辨力,且通过压缩采样降低了运算量.仿真实验验证了上述结论.     

带有局部化源的弱耦合退化奇异抛物型方程组解的爆破性

在齐次狄利克雷边界条件下讨论了带有局部化源的弱耦合退化奇异抛物型方程组u_t-(x^αu_x)_x=e^{m u(x_<sup>0}(t),t)+n v(x_<sup>0(t),t), v_t-(x^βv_x)_x=e^{p u(x_<sup>0}(t),t)+q v(x_<sup>0(t),t)的爆破性,其中x₀(t):R⁺→(0,a)是H&#246;lder连续的, T≤∞, a(a>0)是常数, m、n、p、q是正实数, α,β∈[0,2).利用上下解的方法得到了上述方程组的非负古典解的存在性和解在有限时刻爆破的充分条件,并得到了α=β条件下的解的爆破速率.     

基于卡尔曼滤波的电力虚假数据注入攻击检测方法

能源互联网的主体是基于状态估计下的电力系统。虚假数据注入攻击（FDIA）通过恶意篡改或注入电力数据,进而引发错误的状态估计结果。这种攻击方式存在引发大面积停电事故的风险,严重影响能源互联网的正常运行。在matpower 4.0中的IEEE-14节点系统上,利用以残差方程为基础的标准残差检测法和目标函数极值法,对FDIA进行了检测实验。提出了一种基于卡尔曼滤波的FDIA检测方法,并在MATLAB上进行了验证。实验结果表明,该方法可以在短时间内发现FDIA的发生。     

整数值时间序列的拟似然推断

基于推广的负二项稀疏算子利用预设新息过程分布法构造一个一元 INAR(1) 模型,给出了模型的概率性质并利用拟似然估计方法对模型进行了参数估计,同时也考虑了最小二乘法、极大似然估计方法。通过数值模拟评估了这些估计方法的有效性,并应用实际数据给出模型的应用,通过比较得出基于推广的负二项稀疏算子带有几何新息过程的INAR(1)是更适合数据的模型。     

基于LFM信号信道估计的水声MPSK信号盲Turbo均衡方法

为提高水声多进制相移鍵控（Multiple phase Shift Keying, MPSK）信号盲解调过程中的信道失真补偿能力,提出一种利用水声线性调频（Linear Frequency Modulation, LFM）信号进行信道盲估计的水声MPSK信号的盲 Turbo均衡方法。该方法利用水声通信的前导LFM信号进行信道参数盲估计,估计结果作为软干扰抵消的最小均方误差（Soft Interference Cancellation MMSE, SIC-MMSE）均衡器的关键参数,通过 Turbo迭代实现对MPSK信号盲Turbo均衡。与传统 Turbo盲均衡算法相比,该方法充分利用了水声通信的结构特点,在低信噪比时可以获得较为准确的信道估计值,适用于非合作通信。借助Turo均衡迭代均衡和译码过程,进一步提升了MPSK水声通信的可靠性。仿真实验结果验证了方法的有效性。     

基于曲波噪声估计的K-SVD字典学习地震资料去噪

常规K-SVD字典学习方法在处理实际地震资料的过程中,往往无法得到地震随机噪声的先验信息,使得相关的误差参数无法确定,只能通过大量调参来实现最优去噪效果。基于此提出了一种基于曲波噪声估计的K-SVD字典学习地震资料去噪方法,旨在通过对地震资料进行曲波变换,选取尺度系数最大且对应方向上噪声能量最大的曲波系数,来估计随机噪声标准差,再利用K-SVD字典学习方法自适应获得超完备字典,并在重构过程中根据所得噪声标准差确定最优迭代误差参数,从而进行去噪处理。理论模型和实际地震资料的处理结果表明,该算法相较于传统的去噪方法,能在压制随机噪声的同时,最大限度地保护有效信号不被切除。     

基于Faster R-CNN级联的输电塔螺栓缺失检测

螺栓缺失样本数据量过小,直接检测螺栓缺失效果不理想;由于输电塔所处地理环境复杂,数据采集时无人机拍摄角度、距离等因素各异,螺栓影像背景复杂,信噪比低,检测效果较差;螺栓作为小目标物,受限于尺寸,特征表达能力弱,一直是目标检测中的难题。针对上述问题,提出基于深度卷积神经网络Faster R-CNN级联的输电塔螺栓缺失检测方法。首先,根据输电塔上螺栓所在部件的特征及规律性,定位所有包含螺栓的部件并生成影像,降低螺栓背景的影响,提高信噪比;其次,对部件影像进行正常螺栓定位,得到检测结果;最后,基于各类部件上正常螺栓的分布,对同类部件上所有正常螺栓检测结果进行最近点迭代算法(iterative closest point,ICP)配准,定位螺栓缺失位置。实验结果表明,与不采用级联的检测方法相比,基于级联的检测方法对螺栓缺失的检测精度提升了7.5%,检测时间基本持平,可提高无人机巡检中螺栓缺失检测的效率,降低巡检成本,适用于电力巡检。