基于改进Kalman滤波器的无人机高度信息融合

在无人机飞行控制系统中,针对无人机采用单一高度传感器测量精度不高以及传统Kalman滤波器易发散的问题,提出一种改进的Kalman滤波融合方法.首先利用ARIMA模型算法对3种传感器的原始测量数据降噪处理,然后利用Kalman滤波算法对降噪后的传感器高度信息实现第一次融合,最后借助递推加权最小二乘法将第一次融合结果与差分GPS降噪后的数据进行第二次融合.计算分析得到,该算法相比于传统Kalman滤波方法,高度估计值的均方根误差减小39.6％,最大偏差减小31.7％.仿真结果表明,所得结果在垂直方向上的定位精度得到有效改善,并且初步具备对异常情况的处理能力,保证了无人机飞行系统的准确性与可靠性.     

基于全局状态估计的多传感器加权数据融合算法

自学习最小二乘加权数据融合算法已被广泛地应用于融合多传感器系统中的量测信息。但是,通过深入的理论分析和实验仿真发现,自学习最小二乘加权数据融合算法在进行双传感器数据融合时具有较差的融合精度,同时该算法还具有较差的抗干扰性及稳定性。基于以上研究结果,提出了一种基于全局状态估计的多传感器加权数据融合算法,采用卡尔曼滤波的状态估计特性及相关历史信息,使得状态的估计值能够充分逼近真实值,从而使得算法具有较高的融合精度及抗干扰性。最后,Monte Carlo仿真结果显示,相比于已有算法,提出的算法在融合精度及抗干扰性方面具有明显地提高。     

鲁棒最小二乘在测位探测器建模中的应用

本文主要讨论了鲁棒最小二乘方法在测位控制器建模中的应用。首先简单介绍了鲁棒最小二乘方法的原理及几何解释;对测位控制器的输入误差的结构进行了估计,然后利用这种误差结构所确定的鲁棒最小二乘方法进行测位控制器建模,生成了模型参数,并对所生成的模型参数进行数字仿真验证和误差适应性测试,分析了各种测试结果,从而证明了在有不确定性扰动因素的情况下,利用鲁棒最小二乘方法建模对提高测位控制器的控制精度是有效而可行     

多传感器多尺度图像信息融合算法

在已获得对同一目标场景的多个传感器观测图像的情况下,本文建立了一种基于概率模型的多尺度图像信息融合算法.其基本思想是:首先对每个传感器图像分别进行小波包多尺度分解变换,建立基于该传感器图像的塔式结构子图像集,并且在每个尺度上得到基于每个子图像像素的概率模型;然后在每个尺度上的对应像素处,基于来自不同传感器图像的多个对应像素值,利用最小二乘规则对多尺度概率模型中的参数进行估计;再后是根据贝叶斯规则对该像素处的像素值进行融合估计;最后通过利用小波包多尺度逆变换,获得目标场景基于多个传感器图像的融合估计结果.应用该算法我们对获得的可见光和红外两种传感器图像进行计算机仿真实验,结果表明,与相关的方法相比新算法更有效.     

一种三维刚体运动参数鲁棒估计的神经算法

该文提出一种基于特征点匹配的刚体运动参数估计方法。在运动估计线性算法的基础上,文中利用全最小二乘(TLS)方法来进行求解,并建立次分量提取神经元来获得该全最小二乘解。基于测量数据中出格点(Outlier)的存在,我们在神经元的权值学习规则中引入鲁棒估计思想。实验结果表明,该方法能有效地克服出格点产生的误差,准确地估计出刚体的三维运动参数,比较令人满意。     

带丢包和不确定性的组网运动体姿态估计算法

研究了网络约束下的组网运动体姿态估计问题.通过在运动体上固定多个组网节点构造基线矢量,利用节点间共享的位置信息和相对测距信息,建立基于基线矢量的非线性姿态测量模型.采用预测补偿策略处理丢包问题,根据随机最小二乘准则构造带有界不确定参数的代价函数,通过滚动求解约束min-max问题得到鲁棒滚动时域姿态估计器.最后,通过仿真验证了所提算法的有效性,并分析了丢包率对姿态测量精度的影响.     

基于GA-LSSVM的多信息融合算法

由于在多传感器测控系统中被测系数与相关参数之间存在着非线性关系,提出了一种基于遗传和最小二乘支持向量机（GA-LSSVM）的多信息融合模型及算法,借助其优越的全局最优搜索能力进行参数的优化。这种方法为小样本、非线性、高维数的多传感器信息融合问题的建模提供了一种有效途径。通过对一个简单的低压负荷电路系统进行算例分析表明,基于最小二乘支持向量机的多传感器信息融合模型及算法在测量准确度和推广性能上都具有一定的优越性。     

自动分检测量数据的多目标交会定位方法

多站电视测量自动交会定位应用中,目标误检或不同将导致定位误差变大。在最小二乘估计基础上,融合多传感器测角数据,对不同目标测量信息进行自动检择与分组,避免错误数据参与交会而引入超大误差,实现多目标快速交会定位。与常用最小二乘交会法相比,该方法无迭代运算,计算量可减少一半以上。模拟实测数据的仿真实例验证了该多测站交会定位方法的有效性。     

基于协方差加权的卡尔曼滤波融合跟踪算法

针对卡尔曼滤波融合跟踪对系统模型准确度和先验信息精度要求较高的问题,提出一种基于协方差加权的卡尔曼滤波融合方法,利用最小二乘准则作为误差加权的标准,使误差小的传感器加权因子大。基于此,再利用卡尔曼滤波融合,充分保留有用信息,抑制噪声干扰。在目标跟踪应用中,即使噪声统计信息未知且噪声互相关,利用该方法仍能够获得最小均方误差准则下的最优目标状态跟踪估计。     

基于鲁棒回归的运动背景补偿技术

为检测运动背景中的动目标，通常需要进行运动背景补偿校正。本文充分考虑运动背景下的各种因素，提出一种基于鲁棒回归的运动背景补偿技术。它首先利用光流场模型估计背景运动速度，之后利用鲁棒叠代加权最小二乘法估计图像传感器的全局运动参数，通过估计出的全局运动参数对运动背景进行补偿校正。实验结果表明本文所述方法的有效性。     

非理想关联下多传感器系统误差的稳健估计

在数据融合系统中,传感器自身系统误差造成其上报融合中心的目标位置状态出现系统性偏差,若得不到有效估计与补偿,融合系统难以实现预期的性能优势。然而,基于目标关联配对关系而构造的超定方程组是系统误差估计的出发点。复杂环境下,受随机噪声、系统误差、虚警、漏报等因素的干扰,数据关联模块的输出结果常常包含错误关联。针对非理想关联下多传感器系统误差的稳健估计问题,该文提出基于最小截平方的系统误差稳健估计方法,并进一步提出剔除异常方程的重加权最小二乘方法。与最小二乘及最小中值平方相比,所提方法在保证估计器稳健性能的前提下,降低了估计结果对随机噪声的敏感程度。仿真实验验证了所提方法的有效性。     

一种基于蝙蝠算法的新型小波红外光谱去噪方法

针对传统的小波去噪方法容易产生信号振荡和丢失特征信息等问题,提出了一种基于蝙蝠算法的新的有效的红外光谱去噪方法。该方法创新性地运用蝙蝠算法优化了小波阈值和估计因子。其基本思想是,首先在解空间中随机生成一定规模的个体,然后根据向当前最优个体学习的方法进行速度更新,从而实现位置更新;同时,由于Levy飞行搜索策略会产生较大跳跃,利用这种不均匀、随机游走的特性可以实现对整个解空间的搜索,从而避免陷入局部极值点。CO气体红外光谱去噪实验的结果表明,利用蝙蝠算法对各个分解层的阈值和估计因子进行优化后,信噪比为84.184,均方误差为0.0006。由于更有针对性地保留了光谱信号中的特征信息并剔除了无用的噪声信息,该方法可以提高后续定性和定量分析的精度。     

MIMO—OFDM信道估计新方法

利用小波变换思想,提出一种基于小波去噪的多输入多输出正交频分复用（MIMO—OFDM）系统信道估计方法,以提高信道估计性能。该方法首先利用最小二乘（LS）方法进行信道估计,然后对估计后的结果进行小波去噪处理。该方法不需要预先知道信道的统计特性,与传统最小二乘信道估计方法相比,性能有明显提高。     

基于小波变换与压缩感知的脉冲星TOA估计

脉冲星导航是一种新型的自主式导航。为提高其精度与实时性,提出一种小波变换与压缩感知结合的脉冲星到达时间(Time of Arrival,TOA)估计的方法。该方法对标准脉冲轮廓使用小波变换构造多级冗余字典,通过信号恢复算法估计出实际脉冲星的TOA。该方法的算法复杂度低于传统的TOA估计方法,并且随着脉冲星信号周期内bin数量的增加,算法的实时性越好。该方法改变了传统的先去噪再估计TOA的思路,其可以嵌入到信号去噪的过程中,还可以和小波去噪的阈值处理并行计算。仿真结果显示文中方法耗时分别为两种传统TOA估计方法的0.87%和21.35%,并且随着数据时长的缩短,文中方法的TOA估计精度的相对优势越发明显。该方法不但可以提高TOA估计精度,而且降低了对数据时长的依赖。     

基于双树复数小波降噪的扩散张量估计

本文引入了一个从扩散加权图像序列中估计扩散张量的新过程。此过程的第一个步骤是对扩散加权图像降噪,降噪的算法基于双树复数小波变换和双变量收缩规则;第二个步骤对降噪后的扩散加权图像使用最小二乘法估计扩散张量。我们在模拟二阶张量场和真实DT-MRI数据集上进行了实验,与扩散张量估计后的平滑方法相比,先对扩散加权图像降噪能够得到更加精确的张量场估计。估计的扩散张量场的客观结果及主观评价可以说明,本文提出的估计过程可以很好地改进最终的扩散场的质量。     

一种新的小波图像去噪方法

小波图像去噪已经成为目前图像去噪的主要方法之一，目前的研究主要集中于如何选取阈值使去噪达到较好的效果。边缘信息是图像最为有用的高频信息，在图像去噪的同时，应尽量保留图像的边缘信息，基于这一思想，提出一种新的小波图像去噪方法。用数学形态学算子对图像小波变换后的小波系数进行处理，以去除具有较小支持域的噪声，保留具有连续支持域的边缘。实验结果表明，与普通的小波阈值去噪方法相比，该方法不但可以保留图像的边缘信息，而且能提高去噪后图像的峰值信噪比2～5dB，提高信噪比6～10dB。     

基于岭最小截平方的传感器稳健配准方法

传感器配准是多传感器数据融合系统获得性能优势的关键前提.受随机噪声、系统误差、虚警、漏报等因素的干扰,传感器配准常常工作在非理想关联环境中,依赖于理想关联假设的传统配准方法性能衰退严重.另一方面,传统传感器配准方法对目标分布场景敏感,当目标密集分布时,配准问题呈现病态性,估计结果数值不稳定.本文重点研究非理想关联及场景病态性共存时的传感器稳健配准问题,提出了系统误差的岭最小截平方（Ridge Least Trimmed Squares,RLTS）估计方法.该方法结合了岭回归（Ridge Regression,RR）与最小截平方（Least Trimmed Squares,LTS）估计的优点,能够有效应对错误关联及病态性的不良影响.仿真实验证实了所提方法的稳健性能.     

基于非局部均值滤波的小波红外图像去噪

为避免小波去噪时阈值的缺陷和非局部均值滤波去噪时计算的复杂性和更有效地去除红外图像中的噪声,提出了一种采用非局部均值滤波的小波图像去噪方法.对含噪图像进行多层小波分解,采用新的贝叶斯估计阈值对高频系数进行阈值化处理,以消除高频噪声;在部分低层子带上进行非局部均值处理以进一步消除噪声.实验结果表明,与通常的小波阈值去噪和非局部均值去噪相比,该方法能很好地去除红外图像中的噪声,获得更高的信噪比(Signal To Noise Ratio,SNR)和更小的均方误差(MeanSquared Error,MSE),而且该方法计算相对简单,能达到很好的视觉效果.     

Deep Learning for OFDM Channel Estimation in Impulsive Noise Environments

Impulsive noise suppression is essential in orthogonal frequency division multiplexing (OFDM) systems, since impulsive noise may cause a serious decline in channel estimation performance. To solve this problem, a channel estimator based on denoising autoencoder-deep neural network (DAE-DNN) is proposed in this paper. The proposed method is based on a data-driven deep learning framework. Firstly, DAE preprocesses signals to learn damaged data and recover the complete signal are used in the presence of impulsive noise. Then, the transmitted data processed by DAE are used to train the DNN in the offline training process. Finally, the estimated channel state information (CSI) is offered by the proposed DNN model in the online working process. The simulation results demonstrate that the proposed method improves OFDM channel estimation performance significantly. As expected, the proposed method has a better performance than existing ones, such as least squares, minimum mean square error and orthogonal matching pursuit algorithms. Moreover, the proposed method is robust under impulsive noise environments.