噪声相关的一步滞后无序量测递推融合算法

因传感器网络特殊的通信方式,以及传感器节点预处理量测的时间也各有不同,常会出现源于同一目标有序的测量数据却经网络传输后无序地到达融合中心的现象,即无序量测问题.加之,现有的相关融合算法大都是在各量测数据间噪声独立情况下建立的.为此,针对一个由多个子系统组成的传感器网络无序量测系统;其中假定每个子系统均是由两个分别与融合中心同步与异步且采样率相同的传感器组成;并在考虑各传感器测量噪声相关条件下,利用顺序加权融合技术,在融合中心建立一个能实现对目标状态实时估计且在线性最小均方误差意义下最优的递推加权融合算法.理论分析与计算机仿真表明,与现有方法相比,新算法在适用范围、实时处理能力、存储量和融合估计精度等方面均有显著的优势.     

多目标无序量测OOSM-GMPHD滤波算法

针对无序量测条件下多目标跟踪问题,提出了一种适用于线性系统的单步滞后无序量测滤波算法(OOSM-GMPHD).在前向预测框架内,以高斯混合概率假设密度(GMPHD)滤波器为基础滤波算法,对每一高斯分量分别用延迟到达的量测与等价量测进行预测、更新,经剪枝与合并等步骤获得最终的目标数量与状态估计.仿真结果表明:算法可有效消除无序量测的影响,准确估计多目标数目和状态.     

无序量测滤波更新算法综述

各种传感器的广泛应用促进了多传感器信息融合问题的研究.由于不同类型的传感器具有不同的采样率、预处理时间以及数据通信延迟,导致出现多个传感器量测无序到达融合中心的现象.对此,综述了在国外主要文献上发表的无序量测更新算法,并对进一步的研究方向提出了建议.     

无序量测问题研究综述

无序量测（OoSM）是多传感器融合系统亟需解决的不可回避的问题.在总结相关文献基础上,对OoSM进行了分类,从单步延时OoSM滤波、多步延时OoSM滤波、多个OoSM滤波、非线性非高斯条件OoSM粒子滤波算法、杂波/机动目标条件OoSM跟踪算法等方面,按照由简单到复杂的研究路线综述了国外开展的相关研究,并对未来研究方向进行了探讨与展望.     

基于UT变换的单步滞后无序量测算法

针对滞后无序量测((OOSM)的单步滞后滤波问题,在现有算法的基础上,推导非线性单步滞后无序量测更新方程.提出用UT变换来计算其中涉及到的状态向量以及相关量测之间的协方差,从而有效解决了状态转移方程为线性而量测方程为非线性的非线性Gauss系统的单步滞后OOSM问题.然后,针对多传感器单步滞后OOSM情况,给出了基于U...     

快速边缘粒子滤波在无序量测问题中的应用

在目标跟踪系统中,因通信延迟会出现传感器量测无序到达融合中心的现象,由此产生无序量测(OOSM)融合问题。针对非线性条件下的OOSM问题,在现有算法的基础上,提出了基于快速边缘粒子滤波(FMPF)的处理算法。新算法在FMPF框架下,结合前向预测滤波思想来处理OOSM问题。将目标运动状态向量分为线性和非线性2个子向量,并分别采用相应的无序处理算法进行估计。算法可以处理单步延迟和多步延迟的情形下的无序问题。最后理论分析和仿真实验表明:新算法能有效处理OOSM问题,且降低了算法的计算复杂度,提高了算法实时性。     

含无序量测的多传感器信息融合算法研究

由于通信时间的延迟性,在多传感器系统中常常会出现无序量测情况.为提高估计的精度,系统须对无序量测进行处理,状态更新法是处理无序量测问题的一种有效方法.对于多传感器信息融合问题,给出了一种处理无序量测的状态估计更新算法.仿真计算表明该算法能有效的提高融合估计的精度.     

粒子滤波的噪声相关下单步延迟无序量测更新算法

在目标跟踪系统中,因通信延迟等原因会出现传感器量测无序地到达融合中心的现象,将这些量测称为无序量测(OOSM).针对过程噪声、量测噪声相关的非线性系统中出现的无序量测问题,在现有算法基础上,提出了一种可处理单步延迟无序量测的新算法.在前向预测滤波框架下,对系统方程去相关化,并利用粒子滤波(PF)进行状态估计.仿真结果验证了算法的有效性.     

顺序更新式无序量测处理算法

在集中式多传感器目标跟踪系统中,常出现源自同一目标的量测到达处理中心时的乱序现象,即无序量测问题.本文借鉴等价量测与重新滤波法的思想,提出一种基于等价量测的顺序更新式无序量测处理算法.该算法用等价量测来代替重新滤波法中需要缓存的量测序列,然后从无序量测处开始用无序量测和等价量测进行顺序更新.通过理论分析和仿真实验证明:该算法在处理一步延迟时是最优的,在处理多步延迟时,接近最优;且该算法有较高的滤波精度和较小的额外存储量.     

加权融合法处理无序量测问题

针对集中式多传感器目标跟踪系统中存在的无序量测问题,基于协方差加权融合的思想,在融合估计误差协方差矩阵迹最小意义下,建立了基于最优融合的多步延迟无序量测更新算法。该算法先将无序量测配准到最新状态估计的时刻,将其与之进行协方差加权融合。为进行无序量测与各传感器量测噪声相关性的计算,引入了等效量测。通过理论分析和仿真实验说明该算法能有效处理无序量测多延迟问题,其性能接近最优且随延迟步数增加性能下降非常小,而且有与最优的数据缓存法相同的滤波精度,以及较小的额外存储量。     

基于观测融合Kalman滤波算法的PID控制器

为了提高控制精度,可采用多个传感器时被控对象进行检测.本文基于Kalman滤波算法,应用加权最小二乘(WLS)观测融合方法,提出了对多个传感器所检测的数据进行最优加权,进而将融合后的数据经滤波后反馈到输入端,提高PID控制精度,一个三传感器信息融合PID控制器的仿真例子说明了该方法的有效性.     

基于中值滤波的多尺度快速图像融合算法

针对传统图像融合时间较慢,融合后图像纹理不清晰的缺点,提出了一种基于中值滤波的多尺度快速图像融合算法.首先通过中值滤波快速将图像分解为基层和细节层,再通过权值融合的方法将不同源的细节层和基层融合,获得融合图像.实验表明,该方法具有较好的刻画纹理能力和较少的运算时间.     

基于数据融合技术的图像均值滤波算法

在分析传统图像均值滤波算法的特性基础上,提出了一种新的均值滤波方法--多窗口均值融合滤波算法.该算法以每一个像素点为中心选取多个不同尺寸的窗口,将各窗口的均值进行融合处理后作为中心点的滤波输出.实验结果表明,本算法对于低信噪比图像具有较好的滤波效果,优于传统的和一些改进的均值滤波算法.     

基于多特征融合的粒子滤波视频跟踪算法

将颜色特征和边缘特征融合在粒子滤波跟踪框架中,并在原有跟踪算法的基础上提出改进算法,加入许多优化机制,包括利用HSV颜色模型对目标颜色特征进行核密度无参估计,使用更符合目标实际运动特性的动态模型以及利用均值偏移聚类粒子等。同时,在边缘特征匹配中引入均值偏移,通过加入边缘预处理过程,使各粒子权值的分布更加符合实际情况。实验结果表明,该算法具有较好的鲁棒性和实时性。     

基于多传感器数据融合的鲁棒自适应滤波算法

针对具有多传感器量测的动态系统状态有效估计的问题,给出了一种基于多传感器数据融合的鲁棒自适应滤波算法.引入了虚拟量测的概念,实现对于量测数据的预处理,依据模糊集合理论中隶属度的性质定义了一种无需门限设定的数据间置信度函数,以充分提取于测量数据中互补和冗余信息.最后结合卡尔曼滤波中的贝叶斯递推估计原理,完成对于量测方差的在线自适应估计,进而提高了系统状态的滤波精度,并通过计算机仿真验证了算法的有效性.     

基于均值移动与粒子滤波融合的跟踪算法

针对均值移动算法鲁棒性差以及粒子滤波算法计算量大、难以满足实时跟踪的特点,提出2种先均值移动后粒子滤波的融合算法,分别为粒子数目保持恒定的融合算法和粒子数目自适应的融合算法。实验结果证明,与已有算法相比,2种算法在实时性提高的同时,跟踪准确性和抗干扰能力没有明显下降。     

基于导向滤波的多聚焦图像多阶特征融合算法

传统的图像特征融合算法未进行多阶特征分解,存在边缘信息保持度、平均梯度、清晰度等指标不佳问题,为此提出导向滤波的多聚焦图像多阶特征融合算法.通过图像导入法获取输入图像的不平滑区域,利用损失函数实现多阶特征分解.采用高斯滤波曲线获取图像内部参数,根据矫正矩阵获取矫正后二值图.计算清晰度、边角保留度以及对比度,并据此进行噪声权值优化,从而实现多聚焦图像多阶特征融合.实验结果表明,提出的融合算法能够更好地保持多聚焦图像原始高频信息,有效提升边缘信息保持度、平均梯度以及清晰度.     

响应置信度的多特征融合核相关滤波跟踪算法

摘要：针对传统核相关滤波（KCF）在跟踪彩色视频序列不能有效利用颜色特征,并且处理目标遮挡和形变能力低等问题,提出一种响应置信度的多特征融合核相关滤波跟踪算法。该算法首先提取目标图像的方向直方图特征和颜色直方图特征,通过计算高响应值点在响应图上层的占比,来判断目标的跟踪情况,进而调整学习率的大小;然后用两种特征的平均峰相关能量(APCE)和最大响应峰值的乘积来加权融合目标位置。实验对比表明,提出的跟踪算法在精度和成功率上相对于KCF算法分别提升了12.8%和22.6%, 在目标发生遮挡、快速移动、旋转等复杂情况下仍然具有较强的鲁棒性。     

基于融合元路径的图神经网络协同过滤算法

传统的协同过滤算法没有充分考虑用户和商品的交互信息,且面临数据稀疏、冷启动等问题,造成了推荐系统的结果不准确.在本文中提出了一种新的推荐算法,即基于融合元路径的图神经网络协同过滤算法.该算法首先由二部图嵌入用户和商品的历史互动,并通过多层神经网络传播获取用户和商品的高阶特征;然后基于元路径的随机游走来获取异质信息网络中...