基于小生境遗传算法的雷达组网误差配准

多传感器信息融合须进行误差配准。传统的误差配准技术采用RTQC、最小二乘法或极大似然估计法,将非线性方程进行线性化,而线性化过程会引入误差。给出了一种基于小生境遗传算法的误差配准算法,该方法在采用基于ECEF坐标系的误差配准技术的基础上,克服了将非线性方程线性化带来的误差,并在传统遗传算法的基础上引入小生境技术,提高了遗传算法全局寻优能力、收敛速度以及系统误差估计结果的精度。最后,将该方法与基于ECEF坐标系的最小二乘法及传统遗传算法进行了比较,仿真实验结果验证了算法的有效性。     

基于遗传算法的雷达组网误差配准算法

系统误差校正是雷达组网的关键问题,传统的误差校正方法采用最小均方估计法或极大似然法,这些方法受随机误差影响,计算量大,难以在工程中应用。本文在实时精度控制法（RTOC）的基础上,通过构造误差配准的目标函数,将误差配准转换为非线性优化问题,并采用遗传算法进行寻优。该方法采用非参数化的方法进行误差配准,克服了RTOC和最小二乘算法中线性化带来的误差,提高了误差估计的精度。仿真和实际数据测试表明,本文提供的方法能有效地进行组网雷达误差配准。     

广义最小二乘法配准组网雷达误差的技术研究

本文介绍了组网雷达的坐标转换方法,研究了使用广义最小二乘方法配准组网雷达中的距离误差、方位误差和俯仰误差的技术问题。仿真分析了量测噪声对于配准误差的影响。结果表明了最小二乘算法的有效性和鲁棒性。     

基于最小二乘曲线拟合的时间配准方法研究

针对单一手段探测低慢小目标能力不足的问题,提出了运用雷达/红外手段联合探测的方法.但在雷达红外数据融合之前,需要解决时间配准的问题.为解决这个问题,提出了一种基于最小二乘曲线拟合的时间配准改进方法,推导出了改进的最小二乘曲线拟合公式,分析了影响拟合精度的因素,通过仿真分析验证了该方法的有效性.     

配准误差下的多基地雷达目标检测算法

在多基地雷达系统中,即使进行了空间配准处理,也很难实现完美的空间配准。该文研究了分布式MIMO雷达系统存在配准误差时的目标检测问题。根据是否利用已知先验配准误差信息对目标位置信息进行估计,给出了MAP-GLRT和ML-GLRT两种检测器。由于MAP-GLRT检测器利用了先验信息,因此其检测性能优于ML-GLRT检测器。在配准误差条件下,两种检测器的性能要优于传统的融合检测算法。通过仿真实验验证了所提算法的有效性。     

一种组网雷达误差配准和目标跟踪递推算法

提出了一种在ECEF坐标系中对组网三维雷达的系统误差进行估计和目标跟踪联合递推算法,该算法能对系统误差进行在线估计和补偿,适应系统误差的变化,并同时对目标进行跟踪,提高了航迹融合精度,扩大了雷达的监视范围。用模拟的雷达数据对算法的性能进行了评估,计算机仿真试验验证了该算法的可行性和有效性。     

多传感器误差配准研究

多传感器组网信息融合时,需要对组网中各传感器系统误差进行估计和补偿,以消除各传感器系统误差对融合性能的影响.研究了雷达组网系统误差配准模型,并对最小二乘算法(LS)、广义最小二乘算法(GLS)、递推最小二乘算法(RLS)、修正EX算法等误差配准算法进行对比分析,同时给出了扩维配准模型用于解决多传感器组网配准问题,针对实...     

最小平方法实现多部雷达数据配准

数据配准是多传感器数据融合中的基本问题。本文针对雷达组网系统，提出一种简单，直接的数据配准方法，称为最小平方估计配准法。配准是数据融合的必要步骤，籍以估计和修理雷达的系统误差，从而使数据融合得以有效实现。本方法可使跟踪同一批目标的两部雷达保持观测结果的一致性。     

用最小平方法实现多部雷达数据配准

针对雷达组网系统，提出一种简单，直接的数据配准方法，称为最小平方估计配准法。本方法可使跟踪同一批目标的两部雷达保持观测结果的一致性。为了具体说明起见，要用真穴数据及模拟数据对ＬＳＲＭ算法进行了仿真。     

组网雷达系统误差的估计原理与性能分析

为了实现组网雷达系统误差修正,在研究雷达误差特性的基础上,分析了2种坐标系统下误差修正的原理,给出了利用最小二乘算法和广义最小二乘算法进行误差修正的公式.通过仿真实验,对实时质量控制算法、最小二乘算法、广义最小二乘算法和扩展卡尔曼滤波算法实现误差配准进行分析,并比较了这些算法在工程应用中的复杂性和估计精度,同时给出各种算法在工程应用方面的适用条件.     

基于最小二乘拟合的雷达航迹匹配算法

本文采用最小二乘拟合方法拟合雷达目标航迹曲线,再计算拟合目标航迹与真实航迹的欧几里得距离,进而得到雷达航迹关联匹配结果。该算法克服了单点信息在存在信息缺失和目标机动等情况时出现错误的关联匹配结果,并通过多目标多平台仿真系统验证了雷达航迹关联匹配正确率,本算法已在实际工程雷达仿真系统中得到良好的应用。     

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.     

基于偏最小二乘法的多光谱降维算法

在光谱色彩管理色域映射中,针对查找表建立过程中高维光谱数据计算的一系列问题,提出了一种非线性的高维光谱降维方法。对同色异谱黑进行偏最小二乘分析,提取潜在成分,获得了KMN向量,将其与Lab向量组合成6维向量,并作为中间转换空间LabKMN,实现高维光谱数据与低维基向量组合之间的相互转换。LabPQR空间的前3个维度是在特定光照条件下的CIELAB值,后3个维度(PQR)用于描述同色异谱黑的光谱重建维度。对两种方法在光谱精度和色度精度两方面进行比较,基于1600个孟塞尔样本数据的实验计算表明,与LabPQR方法相比,LabKMN的方均根误差均值由0.0164降低到0.0139,光谱精度提高了15.24%,色度重建误差由2.8706降低到1.8138,平均色差降低了36.81%。LabKMN方法降维后的重建精度大幅提高,能够较好地实现更高精度的原始色彩光谱空间的描述。     

基于测距最小二乘的方位融合多传感器定位算法

在多部2D传感器组网目标定位中,为减小地球曲率对观测的影响,充分利用各传感器量测并解决观测方程的非线性最小二乘问题,提出了融合方位量测的测距最小二乘算法。该算法的实质是基于多部2D传感器设备的测距以及方位角信息,考虑地球曲率的影响建立等效的观测模型和非线性方程,通过数学变换将非线性系统转化为线性系统;利用纯距离最小二乘定位原理初步估算出目标的位置,然后融合各传感器的方位量测得到关于目标的最终位置估计。仿真实验表明,本方法在3部以上2D传感器观测并且测距误差较大而方位误差较小的情况下,可以修正测距最小二乘法在某些位置的定位误差,从而整体提高目标的定位精度。     

一种基于拟牛顿法的递归最小二乘方法

基于拟牛顿优化方法,提出了一种稳健的自适应FIR滤波算法。新算法用最小二乘误差(LSE)代替了均方误差(MSE)作为代价函数,它具有和常规递归最小二乘(CRLS)算法相近似的追踪能力,且不存在数值计算不稳定性的问题,在收敛速度以及稳态效果方面也要优于De Campos的拟牛顿(QN)算法。通过计算机仿真比较了有关算法的性能。     

基于线性最小方差估计的航迹融合算法

航迹融合是一种重要的数据融合方法.由于其具有众多优良特性,使得它在实际融合系统中被广泛采用.文中首先给出了远端传感器输出的目标状态估计以及状态估计误差协方差矩阵到融合中心的转换公式,其次给出了融合算法的相关波门,接着推导出了线性无偏最小均方误差估计的航迹融合公式,最后给出了仿真结果.     

基于最小二乘虚拟阵元的解模糊方法

阵列信号处理中,当阵元间距〈1/2波长时方向估计会出现模糊。文中提出一种基于最小二乘虚拟阵元的方向估计解模糊方法,该方法根据实际已知阵元的接收数据,运用最小二乘法估计出相邻阵元间虚拟阵元上的接收数据,在实际孔径不变的情况下使阵元间距减小,从而实现了方向估计的解模糊。同时,文中还对此方法在解模糊时的虚拟阵元数进行了分析。仿真实验结果表明了该方法的有效性。     

A Novel Online Least Squares SVM Based on SMO Algorithm

To improve the training speed of online Least squares Support vector machines （LS-SVM） for large scale problems, a novel training algorithm based on Se-quential minimal optimization （SMO） is proposed in this paper. First we presented the SMO-based incremental and decremental learning algorithm, which can efficiently get new solutions based on previous training results when new samples being added or less important samples being re-moved. Then we proposed the online LS-SVM based on the incremental and decremental learning algorithm. This on-line LS-SVM no only has very high training speed and high classification accuracy but also can adaptively get sparse solutions according to objective classification problems. Finally several numerical experiments show the effectiveness of the proposed algorithm.