排序方式: 共有20条查询结果,搜索用时 15 毫秒
1.
多站无源跟踪量测方程非线性强,对跟踪算法的稳定性及精度提出了更高的要求。为实现稳定高精度跟踪,提出了新的基于边缘化卡尔曼滤波(MKF)的多机无源跟踪算法。该算法将非线性的量测方程表示为p阶Hermite多项式的加权和,将加权矩阵的先验分布建模为高斯过程,求得其后验分布后对其进行积分来消除加权矩阵的影响,最终可得对状态及其协方差矩阵估计的闭式解。以只测角跟踪为例对所提算法性能进行验证,仿真结果表明,相对于扩展卡尔曼滤波(EKF)算法、不敏卡尔曼滤波(UKF)算法及容积卡尔曼滤波(CKF)算法,所提算法具有更好的跟踪性能。 相似文献
2.
SRUKF能够解决UKF在滤波过程中由于噪声和计算误差导致的误差协方差阵负定的问题,但也付出了增加运算量的代价。以多机编队对地面辐射源进行无源定位跟踪为应用背景,提出了一种改进的SRUKF算法。该算法采用比例修正的最小偏度单形采样策略,减少采样点的同时又能基本保持算法精度;借鉴简化UKF的思想,针对此应用背景下的线性化状态方程,对状态和状态误差协方差平方根的一步预测采用KF进行递推,从而进一步降低运算量。仿真结果表明,相对于采用比例对称采样的标准SRUKF算法,文中所提算法不但能够保持计算精度,而且减小了运算量,具有一定的工程实用意义。 相似文献
3.
使用智能手机中集成的加速度传感器识别用户日常动作在惯性定位、个性化推荐、运动量评估等领域有重要的应用。手机位置不固定导致的动作识别率低下是该领域面临的主要问题。为了提高手机位置不固定时的动作识别率,该文提出一种基于层次分类的动作识别方法。该方法将动作识别分为多层,每一层包含一个分类器。在训练某一层分类器时,首先根据本层训练样本集进行特征选择并训练分类器。然后使用训练得到的分类器对训练样本分类,并计算分类结果的可信度。最后通过对低可信度的样本进行剪枝得到下层分类器的训练样本。对未知类别的样本分类时,首先使用第1层分类器分类。如果分类结果可信度较高,则分类结束;否则使用下层分类器分类,直至所有分类器遍历完。实验部分通过对采集的动作数据进行仿真,验证了该文方法的有效性。结果表明,与单层分类器相比,该方法可以将动作识别率由85.2%提高至89.2%。 相似文献
4.
纳卡冲突中,无人机表现突出,展示无人诱饵、察打一体、反辐射攻击等典型无人作战样式,在作战战术、作战效果等方面取得很好成果.对此次冲突中无人机的作战应用进行了梳理,从无人作战体系、装备结构、装备规模、技术先进性、空地协同打击等5个维度深入分析无人机的作战定位,对"无人战争时代已经到来"的论断进行判读. 相似文献
5.
多机无源定位中存在载机位置误差却不予考虑时必然会降低目标的定位跟踪精度。为了解决存在载机位置误差情况下的定位问题,提出了一种考虑载机位置误差的约束最小二乘(CLS)多机无源定位算法。该算法对伪线性观测方程中由于测量误差和载机位置误差而导致的增广系数矩阵的误差协方差阵进行约束,并对伪线性观测方程的误差进行约束最小二乘处理,最终转化为对一组矩阵束的广义特征分解问题。仿真结果表明,相对于最小二乘(LS)算法和扩展卡尔曼滤波(EKF)算法,该算法具有更快的收敛速度和较高的定位精度,并且受载机位置误差影响小,在观测噪声比较大时仍能保持良好的定位性能。 相似文献
6.
7.
多机无源融合定位中的误差配准是目前多传感器误差配中的难点之一。当无源传感器获得的观测量存在系统误差却不进行配准时,多机融合定位的效果将受到严重影响。针对这一情况,在多机只测角无源定位问题中提出了一种基于非线性最小二乘(NLS)的误差配准算法。该算法将多机只测角误差配准问题转换为非线性最小二乘估计问题,并采用高斯–牛顿法求解,即先将非线性量测方程线性化并采用加权最小二乘进行估计,然后进行迭代直至收敛到最优估计值。仿真结果表明,与EKF配准算法相比,当观测时间足够长时,本文提出的NLS误差配准算法的定位误差可以接近克拉美罗限(CRLB),并且对系统误差的估计精度非常高。 相似文献
8.
9.
时差测量方程是非线性双曲线方程,可以通过引入中间变量将其转化为线性方程,对近年来国内外学者关于这种方法的时差定位算法进行了总结。当已知测量误差的先验信息时,可以采用两步加权最小二乘法和约束加权最小二乘法,当测量误差的先验信息未知时,还可以采用约束总体最小二乘的方法。在求解约束最小二乘问题时,采用常规的拉格朗日法计算复杂、运算量大,而采用高斯一牛顿法不仅可以大为降低运算量,还能提高解的精度和稳定性。此外,对约束加权最小二乘法和约束总体最小二乘法之间的关系进行了探讨,得到了它们等价性的条件。 相似文献
10.
针对当前动作识别可信度计算方法中混淆率高、不适用于迁移学习等问题,提出一种基于样本上下文信息的可信度计算方法(S-HMM, sliding windows hidden Markov model)。该方法使用隐马尔可夫模型(HMM, hidden Markov model)理论对识别结果序列建模,将样本所在序列识别正确的概率作为识别结果的可信度,避免了当前可信度计算方法依赖于样本在特征空间中分布的问题。实验使用真实场景中的数据进行仿真,结果表明,与现有方法相比,该方法可将可信度混淆率降低37%左右。 相似文献