基于FPGA实现的自适应卡尔曼滤波器的设计

在视频图像获取过程中,由于噪声对图像序列的降质,需要设计实时噪声滤波器。讨论了视频图像的卡尔曼滤波问题及自适应卡尔曼滤波算法,并讨论了自适应卡尔曼滤波算法的简化,以利于硬件实现自适应卡尔曼滤波器,并进行了简化算法仿真,完成基于FPGA实现的实时自适应卡尔曼滤波器的设计。     

基于显著性的自适应分块压缩感知算法

现实图像的显著性纹理结构可为分块压缩感知算法提供先验信息,优化算法。鉴于此,提出了一种新的基于显著性的自适应分块压缩感知算法。算法所提显著性是以灰度空间相关矩阵和韦伯定律为基础,采用确定性正交对称托普利兹矩阵对目标图像进行测量,提出了均熵最小化自适应分块策略、角二阶矩最大化块向量生成方式以及合成特征依据下的自适应采样率设置,并结合不同重构算法进行了分析和验证。实验表明,所提算法策略在多项指标上较传统算法具有更好的表现,易于硬件实现,针对不同重构算法和测试图像具有普适性和稳定性。     

基于分块自适应压缩感知的可逆水印算法

针对数字图像可逆水印的高嵌入容量和不可见性的权衡问题,该文提出一种基于分块自适应压缩感知的可逆水印算法(Reversible Watermarking Algorithm Based on Block Adaptive Compressed Sensing, BACS-RWA)。该算法对载体图像分块,利用周围块与目标块的统计关系判断块类型,自适应地选择容量参数进行分块压缩感知,并利用整数变换嵌入水印;为提高水印嵌入容量将水印嵌入到经压缩感知后的平滑和普通载体图像块中,复杂载体图像块不做处理,以确保图像质量和不可感知性;采用分块压缩重构算法和可逆整数变换来恢复载体图像。通过对不同纹理图像实验并与同类算法对比,结果表明：当以Plane为载体图像时,最佳嵌入容量达1.87 bpp。分块自适应压缩感知理论的引入使算法具有良好的综合性能,在提高嵌入容量的同时,又能有效地降低嵌入数据后对原始图像质量的影响。     

一种基于运动补偿的时域自适应视频降噪算法

视频信号内的噪声是信号中不希望出现的干扰部分,如果不加以有效的去除,会严重影响视频图像的质量.提出了一种基于运动补偿的自适应时域视频降噪算法.该方法通过运动补偿技术,在时域上跟踪并提取噪声.滤波的强度是根据物体运动轨迹上的运动强度自适应变化的.利用该算法,有效地去除了视频序列中的噪声,同时很好地保护了图像的细节.实验结果表明,采用本文的降噪算法处理后的视频图像质量明显优于采用空域的降噪方法的结果.     

基于分治试探的盲自适应匹配追踪重构算法

压缩感知是一种针对稀疏可压缩信号进行压缩采样的信号处理新方法,针对现有稀疏度探测方法中探测次数较多的问题,基于分治思想提出了盲稀疏度自适应匹配追踪（BSAMP）算法,首先分治试探信号稀疏度,使得其估计值快速逼近真实值,然后通过自适应分组并扩充信号支撑域的方法,快速筛选出有效支撑,并通过弱匹配剪枝得到重构信号。可以在信号稀疏度未知的情况下,快速估计出信号的稀疏度并精确重构出原信号。仿真实验表明：在相同条件下,该算法的重构时间比其他同类算法短,且重构概率也大于其他同类算法。     

基于自适应分块的高光谱图像压缩感知重构方法

在对高光谱图像采样重构的研究中,整体采样和固定分块采样没有考虑到高光谱图像复杂的纹理特征分布,使用了相同的测量矩阵导致图像的重构质量较差。针对此问题,该文提出基于2维图像熵自适应分块压缩感知重构方法(ABCS-IE),该方法以图像2维熵作为高光谱图像纹理细节的度量,根据图像的纹理细节分布自适应改变图像子块的大小,然后为不同的图像块分配特定的采样值,根据分配的采样值设计专有的测量矩阵对图像块进行压缩测量,将采样测量值代入重构算法中进行重构。实验结果表明,与整体采样重构和固定分块采样重构相比,将该方法应用到压缩感知重构算法中对高光谱图像进行采样重构后,重构的图像在视觉效果上有明显的提高,取得的峰值信噪比(PSNR)和结构相似度(SSIM)最大,采样率为0.4时,PSNR提高了2～4 dB,SSIM最大提高了0.27,均方根误差(RMSE)和信息熵差值(ΔH)也有所降低,说明重构的图像更加接近原始图像。而且运算时间也减少了1～1.5 s。可见,该方法能充分利用高光谱图像的纹理特征,有效提高图像的重构质量,同时减少重构的运算时间。     

基于变步长的正则化回溯自适应追踪算法

在压缩感知重构算法中,稀疏度未知及步长大小固定是影响算法精度及运行时间的因素.针对以上不足,本文提出一种基于变步长的正则化回溯自适应追踪算法.该算法首先通过原子匹配测试的方式获得信号的稀疏度估计;将正则化思想和子空间追踪算法的回溯思想相结合,实现原子的二次筛选并筛除不合适的原子;最后,利用变化的步长选择候选集中的原子,帮助完成信号的完整重构.通过仿真实验证明,本文提出的重构算法在重构速度和重构精度上均优于同类算法.     

基于运动补偿的自适应时域视频降噪算法研究

视频信号内的噪声是信号中不希望出现的干扰部分,如果不加以有效的去除,会严重影响视频图像的质量.提出了一种基于运动补偿的自适应时域视频降噪算法.该方法通过运动补偿技术,在时域上跟踪并提取噪声.滤波的强度是根据物体运动轨迹上的运动强度自适应变化的.利用该算法,有效地去除了视频序列中的噪声,同时很好地保护了图像的细节.实验结果表明,采用该降噪算法处理后的视频图像质量明显优于采用空域的降噪方法的结果.     

面向压缩感知的块稀疏度自适应迭代算法

块稀疏信号是一种典型的稀疏信号,目前在块稀疏信号的压缩感知问题中,大多数信号重构算法要求信号的块稀疏度已知且算法复杂度高.针对实际应用中信号块稀疏度未知的情况,提出了一种块稀疏度自适应迭代算法,用于信号重构.首先,该算法初始化一个块稀疏度,其值按设定步长进行增加.对每一个块稀疏度的迭代,算法都会找到信号支撑块的一个子集,并修正更新上一次找到的信号支撵块,最后找到信号的整个支撑块,从而重构出源信号.该算法不需要信号的块稀疏度作为先验知识,而且算法复杂度低.仿真实验表明,该算法的重构概率较已有大多数块稀疏信号重构算法的重构概率高,在块稀疏信号的压缩感知问题中具有实际意义.     

基于模糊理论的自适应联邦滤波算法研究

针对先验噪声统计特性与实际不符引起卡尔曼滤波精度下降的情况,提出了一种基于模糊自适应联邦卡尔曼滤波方法。算法基于模糊推理思想通过理论残差与实际残差的比值来对观测噪声协方差阵进行加权调整,实现对观测噪声统计特性的实时跟踪,在此基础上,利用信息分配因子对各子滤波器及主滤波器输出进行加权,得到滤波器的全局输出,将此输出周期性反馈给各个子滤波器以校正子滤波系统的偏差。SINS/GPS/TAN组合导航系统的仿真试验表明该算法具有更强的自适应性、滤波精度更高、鲁棒性更强。     

FIR自适应滤波的语音增强算法

提出一种基于线性预测FIR自适应滤波的语音增强算法,该算法可实时过滤被噪声污染的语音信号,提高信噪比,从而提高语音识别系统的识别率。仿真结果证明该算法具有较好的降噪效果。     

An adaptive Kalman filter for ECG signal enhancement

The ongoing trend of ECG monitoring techniques to become more ambulatory and less obtrusive generally comes at the expense of decreased signal quality. To enhance this quality, consecutive ECG complexes can be averaged triggered on the heartbeat, exploiting the quasi-periodicity of the ECG. However, this averaging constitutes a tradeoff between improvement of the SNR and loss of clinically relevant physiological signal dynamics. Using a bayesian framework, in this paper, a sequential averaging filter is developed that, in essence, adaptively varies the number of complexes included in the averaging based on the characteristics of the ECG signal. The filter has the form of an adaptive Kalman filter. The adaptive estimation of the process and measurement noise covariances is performed by maximizing the bayesian evidence function of the sequential ECG estimation and by exploiting the spatial correlation between several simultaneously recorded ECG signals, respectively. The noise covariance estimates thus obtained render the filter capable of ascribing more weight to newly arriving data when these data contain morphological variability, and of reducing this weight in cases of no morphological variability. The filter is evaluated by applying it to a variety of ECG signals. To gauge the relevance of the adaptive noise-covariance estimation, the performance of the filter is compared to that of a Kalman filter with fixed, (a posteriori) optimized noise covariance. This comparison demonstrates that, without using a priori knowledge on signal characteristics, the filter with adaptive noise estimation performs similar to the filter with optimized fixed noise covariance, favoring the adaptive filter in cases where no a priori information is available or where signal characteristics are expected to fluctuate.     

基于扩展Kalman滤波算法实现定轨

在只考虑重力场作用和大气阻力作用的情况下,建立卫星简化动力学模型。研究基于扩展Kalman滤波的星载GPS定轨,根据GPS观测数据结合简化动力学对卫星状态进行最优估计。在J2000坐标系下,使用STK软件模拟的轨道数据进行定轨仿真。结果表明,该算法能够大幅度提高定轨位置和速度的精度。     

基于Kalman自适应滤波器的噪声消除器设计研究

讲述了Kalman自适应噪声消除器设计方法,并提出了一种有效的修正模式。理论推导和实验结果表明,本设计方案显著地改进了自适应噪声消除器的性能。     

基于高斯和的二阶扩展卡尔曼滤波算法

传统的扩展卡尔曼滤波算法在传感器的信号监测和处理中,存在着动态环境校准困难和信号突变收敛速度慢的问题。针对该问题,结合二阶泰勒展开式和高斯和,提出了基于高斯和的二阶扩展卡尔曼滤波算法。该算法首先将初始状态、过程和量测噪声一起近似为高斯和,接着利用二阶扩展卡尔曼滤波算法中的状态预测和状态更新方程对每个高斯项进行预测和更新。为了避免高斯项的过度冗余,采用了剪枝的思想。文中通过仿真实验证明了算法的有效性,实验表明,该算法不但能提高信号突变的收敛速度0.1μs,而且能在动态环境中提高滤波估计的准确度和可靠性。     

基于卡尔曼滤波算法船舶AIS轨迹估计研究

AIS是集船舶导航、避碰、海事监管于一体的现代化无线电系统,在水上交通运输领域里发挥着重要作用。为了弥补AIS数据堵塞等原因导致更新数据不及时,造成船舶轨迹的不准确或者误差较大的问题,提出利用对卡尔曼滤波算法进行适当的修改,引入系统噪声和测量噪声,利用AIS船舶观测节点数据对系统状态做最小二乘法估计,对船舶运动轨迹进行平滑和预测,并对不同时间段可靠性误差进行分析,能够比较正确地估计出船舶轨迹。     

An adaptive IIR filter algorithm based on observers

The output error approach to adaptive IIR filtering is considered from a state observation perspective, and a new algorithm, termed the observer-based regressor filtering (OBRF) algorithm, is developed. The convergence requirements of the OBRF are established as a persistent excitation condition on the regressor and a strict positive reality (SPR) condition on an operator arising in the algorithm. Speed of convergence experiments show that the OBRF algorithm converges more quickly than the related output error algorithm for the hyperstable adaptive recursive filter (HARF), although the OBRF algorithm converges as quickly as typical equation error schemes. The OBRF is shown to compare favorably with equation error with respect to parameter bias in the presence of output measurement noise. Thus, OBRF is a compromise between the equation error and output error approaches. In addition, algorithm parameter selection to satisfy the SPR condition for OBRF is explored and compared with the related conditions for HARF