基于自组织法求解的Volterra滤波器应用于洪水预报

采用自相关函数法选取时间延迟、伪邻近点法选取嵌入维数,并通过相空间重构,计算得到正的最大Lya-punov指数,证明了洪水序列具有混沌特性.并将m阶截断求和的Volterra级数滤波器作为洪水序列的全局预测函数.鉴于Volterra级数滤波器系数的个数随阶数按幂次快速增加,而导致在应用上难以实现的特点,引入自组织法(GMDH),通过逐层建立模型,最终解得Volterra级数滤波器的理想表达式.应用实例表明,基于GMDH求解的Volterra级数滤波器不仅增强了计算效率,而且可以得到足够的计算准确度.     

基于Kalman滤波器的运动目标跟踪算法

运动目标跟踪是计算机视觉中的一个典型问题,如何能准确快速的跟踪目标是研究的关键。提出了Kalman滤波器结合Camshift的改进算法。首先选取一段视频图像序列,通过背景差分法快速检测出运动目标,初始化搜索窗口,用Kalmam滤波器预测目标位置,再用Camshift迭代算法计算目标最优的位置,将结果作为Kalman滤波器进行下一次预测的估计值。实验表明,当目标被严重遮挡或受到同色背景干扰时,本算法仍能快速准确的跟踪运动目标。     

基于Volterra自适应滤波器的水中混响非线性预测

水中混响是主动声呐信号处理中主要的干扰之一,而对水中混响的预测是解决混响背景下信号处理的重要前提.基于二阶Volterra自适应滤波器的混沌时间序列的预测方法是在Takens相空间重构理论的基础上提出的.仿真结果表明,这种非线性自适应滤波预测器能够有效地预测混沌时间序列.同时,由于水中混响具有混沌特性,因而可将这种非线性预测方法应用在水中混响时间序列的预测中.通过仿真得到预期的效果.     

一类非线性广义随机系统的降阶Kalman滤波器

研究了一类非线性广义系统的状态估计问题.利用Taylor级数展开的方法将其转化为线性广义系统;再利用奇异值分解,对线性化后的系统进行降阶,转化为等价的正常线性系统;最后基于Kalman滤波估值理论,得到非线性广义系统的Kalman滤波器.通过数值仿真例子,验证了所提方法的有效性.     

用于运动目标跟踪的改进Camshift算法的研究

Camshift是一种应用颜色特性来对目标实施跟踪的算法,所以当背景过于复杂、目标被遮挡或做加速运动时很容易发生目标跟丢的情况。针对以上缺点,提出首先采用帧间差分法自动的选取搜索窗口,然后引入加权颜色概率直方图排除相似背景颜色的干扰,最后采用Kalman滤波器预测和Camshift算法相结合的方法准确跟踪做加速运动的物体。实验表明,此方法能够准确定位做加速运动或被遮挡的目标。     

基于改进Snake模型与Kalman滤波的目标跟踪算法

在基于改进Snake模型的基础上,结合Kalman滤波进行运动预测,提出了跟踪运动物体轮廓的一种方法.在物体轮廓的提取方面,将MINIMAX准则应用于参数的自动选取,对霍夫变换进行改进使其能应用于Snake初始轮廓的自动选取,对动态规划算法进行改进使其应用于Snake模型,使其有更好的收敛效果.并采用Kalman滤波器预测物体的运动轨迹,实现在视频摄像中运动物体的有效跟踪.     

Kalman滤波器在WCDMA功率控制中的应用

介绍了一种适合于分组交换WCDMA无线网络的Kalman滤波器功率控制方法。娄数据包连续传送时,信道干扰具有时域上的相关性,Kalman滤波器可用来预测干扰功率。通过干扰预测和路径增益的估计,可确定合适的符合SINR（signal-to-interference-plus-noise)要求的发送功率。给出了仿真结果,结果表明,使用Kalman滤波器的功率控制方法可以提高功率控制的性能。     

微弱高频CW信号的自适应滤波

高频电报(CW)是强噪声背景下战术应急通信的主要工作方式,由于高频信道是典型的随参信道,不可能事先已知干扰噪声的统计特性。该文提出了一种基于ARMA新息模型的CW信号自适应Kalman滤波方法,以解决高斯背景下高频电报系统干扰噪声方差未知的问题。根据CW信号的时频域特征定义状态空间随机信号模型,构造ARMA新息模型,通过在线辨识新息模型参数来估计Kalman滤波增益,实现CW信号的自适应跟踪滤波。仿真结果表明,该方法能够有效估计微弱高频CW信号时域波形,算法可递推实现,实时性强。     

高动态条件下改进的EKF载波跟踪环路

针对高动态环境下扩展Kalman滤波器跟踪环路的性能,分析了该跟踪环路的带宽特性,建立了环路带宽的数学模型.在此基础上,提出了一种改进的扩展Kalman滤波器跟踪环路.在不同条件下对2种算法的环路带宽特性做了分析比较,结果表明改进算法的环路带宽比NASA提出的常规算法显著减小.在相对加加速度为100 g/s的高动态条件...     

基于ARIMA-Kalman滤波器数据挖掘模型的油井产量预测

影响水驱开发油田产量的因素众多,针对常规产量预测方法无法考虑时序影响因素的非同步性以及滞后性,应用时间序列分析方法,结合卡尔曼滤波器(Kalman filter),建立考虑因素动态关系的产量ARIMA-Kalman滤波器时间序列模型.根据历史产量数据建立时间序列中的产量差分自回归积分移动平均(autoregressive integrated moving average,ARIMA)模型;再将ARIMA模型与Kalman滤波器相结合,构建产量预测算法;以实例油田资料开展机器学习和数据挖掘,并采用数据拟合及预测检验评价算法合理性,实现最终产量数据预测.研究结果表明,ARIMA-Kalman滤波器具有高效的时序影响因素的分析能力,能够排除非同步性和滞后性的影响,使识别出的产量时间序列模型具有精准的拟合结果和预测能力.该研究可为油田产量预测提供一种有效方法,为后续的油井开采提供决策和理论依据.