基于区域协方差矩阵的模板更新方法分析与比较

在目标跟踪算法中,目标特征描述子和模板更新策略都是跟踪成败的关键。本文在选用区域协方差矩阵描述子的基础上,结合粒子滤波器算法,并且采用两种常用的模板更新方法,分别对商场通道监控视频序列中的行人进行了跟踪仿真实验。通过仿真分析并比较不同模板更新方法条件下的跟踪性能,从而在不同情况下选择合适的模板更新方法,以得到更精确的跟踪结果。     

基于Toeplitz矩阵的互耦误差下相干信号源DOA估计

在阵列互耦误差存在的前提下,针对多组相干信号源和若干非相干信号源并存的情况,提出了一种对信号源进行准确估计的算法.算法首先估计阵列的互耦参数,并利用此互耦参数对阵列接收数据进行补偿;然后利用Toeplitz矩阵重构法对相干信号进行解相干;最后利用MUSIC算法估计各个信号源的来波方向(direction of arrival,DOA).实验结果表明,算法有效解决了互耦的影响,避免了阵列损失,实现了间距很小信源的准确估计.     

一类Toeplitz矩阵的平方根

给出了一类上三角Toeplitz矩阵的平方根的新的性质定理,还给出了求其平方根的迭代公式,数值例子验证了迭代公式的正确性.     

基于协方差矩阵递推的故障诊断

在大型复杂系统中,局部的故障可能传播到系统的其它部分,造成严重的后果,因此要及时诊断故障。传统的PCA方法需要通过离线建模和在线检测,实时性不好。因此,该文给出了协方差矩阵递推的方法,它能够有效的解决实时或离线数据的故障诊断。最后通过一个仿真例子,PCA方法和协方差矩阵递推方法在故障诊断的对比,说明协方差矩阵递推的有效性。     

关于 P-一致Toeplitz矩阵

将Maddox在P－范空间上引入的P－Toeplitz矩阵进行了推广，引进了P－一致Toeplitz矩阵的概念，在对一般P－范空间上的P－Toeplitz矩阵的特征作出刻划的基础上，进一步对P－一致Toeplitz矩阵的特征作出了刻划，作为应用，得到了一致Toeplitz矩阵的特征。     

关于Toeplitz矩阵之逆矩阵的新分解式

利用两个线性方程组是否有解给出了Toeplitz矩阵可逆的条件,表明Toeplitz矩阵之逆阵可以表示为φ-循环矩阵与上三角Toeplitz矩阵的乘积之和,给出了其逆矩阵列的递推公式,得到了求Toeplitz矩阵之逆矩阵的快速算法.讨论了此新分解式的稳定性,证明了此分解式是向前稳定的,并确定了其运算量.     

基于协方差矩阵元素的多目标角跟踪方法

提出了一种多目标角跟踪算法．将相邻时间段估计得到的协方差矩阵相减,对差距阵线性化近似得到了一组关于角度差的线性方程组,重复解方程组可以得到不同时间段各个目标的角度．本算法不需要更新信号子空间; 不同时间段之间各个目标的角度是自动关联的,省去了运算量较大的数据关联过程;适用于目标个数大于阵元个数的情况; 同时,该算法可以减小噪声的影响．仿真结果表明了算法的有效性．     

基于移位协方差矩阵Otsu算法的信源数目估计

针对阵列信号处理中信号源数目估计的问题,提出了一种基于移位协方差矩阵的Otsu类间方差法。与协方差矩阵相比,移位协方差矩阵克服了噪声自相关过程中零位极大值的影响,提高了协方差矩阵的信噪比,移位协方差矩阵的信号特征值与噪声特征值差别更为明确,更有利于信源数目的估计。由于零均值且独立同分布噪声的移位协方差理论值为0,所以移位协方差矩阵针对零均值独立同分布α稳定分布噪声同样具有较强的抑制能力。利用Otsu类间方差法对移位协方差矩阵的特征值进行分类,可以更加明确地区分信号特征值与噪声特征值。理论分析和仿真实验结果均表明,基于移位协方差矩阵的Otsu类间方差法具有比传统信源数估计方法更好的估计性能。     

基于Bayes准则的STAP协方差矩阵估计算法

针对杂波功率随距离缓变的非均匀环境,提出了一种新的基于Bayes准则的加权最大似然估计(WMLE)算法,以改善空时自适应处理(STAP)中的协方差矩阵估计．通过对训练数据进行事件定义,利用Bayes准则给出了加权系数的准确计算方法,解决了WMLE中加权系数的求解难题．仿真分析验证了所提出算法的正确性和有效性．     

基于Toeplitz降维子矩阵的空间多目标跟踪算法

为了克服传统的移动多目标跟踪计算量大、实时性差的缺点,针对阵列天线提出新的多目标跟踪算法.该算法利用阵元接收数据构造空域Toeplitz矩阵,截取该矩阵的一个子矩阵,采用Lagrange极值定理迭代跟踪子矩阵的最小噪声特征向量.根据得到的噪声特征向量,估计空间多个移动目标的波达方向(DOA).该算法对原接收矩阵进行了降维,因而有效地降低了计算复杂度.此外,对数据进行的Toeplitz重构,使得降维后的子矩阵保留了所有阵元的接收信息.仿真结果表明,该算法不但可以处理相关信源,而且具有很好的空间分辨率,适合对目标源进行实时跟踪.     

基于最小方差的自适应K-均值初始化方法

K-均值算法对初始聚类中心敏感,聚类结果随不同初始聚类中心波动。针对以上问题,提出一种基于最小方差的自适应K-均值初始化方法,使初始聚类中心分布在K个不同样本密集区域,聚类结果收敛到全局最优。首先,根据样本空间分布信息,计算样本方差得到样本紧密度信息,并基于样本紧密度选出满足条件的候选初始聚类中心;然后,对候选初始聚类中心进行处理,筛选出K个初始聚类中心。实验证明,算法具有较高的聚类性能,对噪声和孤立点具有较好的鲁棒性,且适合对大规模数据集聚类。     

适于相干信号DOA估计的改进矩阵差分方法

提出一种适用于色噪声背景下窄带信号的波达方向估计方法. 假设未知色噪声协方差矩阵具有对称的Toeplitz结构,利用线性变换改变阵列协方差矩阵,并与阵列协方差相减,理论上消除了噪声对算法估计性能的影响. 新差分算法适用于信号不相干或仅有2个信号相干的波达方向估计. 当相干信号多于2个时,通过与空间平滑算法结合,拓展了算法的应用范围. 与传统差分算法相比,新算法避免了“伪”波达方向估计,降低了计算复杂度. 仿真实验结果表明,新算法具有优越的估计性能.     

Novel Spatially Adaptive Image Denoising Algorithm Based on Covariance Estimation in Wavelet Domain

A new method for image denoising is proposed. By analyzing image‘s statistical properties in wavelet domain, it is shown that the natural image has a strong and spatial variable covariance structure relationship in local space of sub-band. A non-direct estimation method is suggested to make an adaptive estimate of spatial variable covariance by estimating the correlation coefficient and variance of subband image separately. It can be used to estimate adaptive filtering of subband image. The experiment shows that this method can improve the image‘s SNR, and has strong ability to preserve edges.     

基于目标状态估计协方差控制的目标分配方法

针对多传感器多目标跟踪环境中目标跟踪性能与系统资源不足之间的矛盾,提出了一种基于目标状态估计协方差控制的目标分配方法.该方法根据系统对不同目标的跟踪精度要求设定各目标的期望协方差,通过期望协方差与预测协方差的差来确定目标所需的传感器组合,在此基础上实现目标对传感器的有效分配.仿真结果表明了该算法的有效性.     

基于ArchimedeanCopula方法的VaR估计

应用了ArchimedeanCopula方法计算了投资组合VaR值,介绍了该方法函数的选择及参数估计,通过对上证综指和浦发银行2只股票的收益率投资组合的VaR计算表明,由GumbelCopula模拟得出的结果与实际数据差距小,能很好地度量股市间的风险.     

一种基于多帧积累粒子初始化的PF-TBD算法

针对低信噪比条件下传统粒子滤波-检测前跟踪(PF-TBD)算法粒子初始分布针对性不强而导致起始阶段检测和跟踪性能较差的问题,提出一种粒子初始化新算法.该算法首先利用目标幅度帧间的相关性,通过多帧的幅度积累,突出目标可能的位置;然后再根据这些位置初始化粒子,增强粒子分布的针对性,使粒子快速向目标真实位置聚集.理论分析和仿真结果表明,新算法提高了起始阶段目标的检测和跟踪性能.     

nToeplitz数字图像反降晰方法

通过分析图像降晰机制和反卷积图像恢复的原理,利用Toeplitz方法将卷积和反卷积过程转换为矩阵的运算和求逆的问题.首先,由一维反卷积过程中得到Toeplitz方法的机制,并将其拓宽至二维问题.然后,利用Toeplitz方法实现的图像降晰和反降晰的工作.理论分析和仿真结果表明了Toeplitz方法的正确性和恢复精度高.     

多传感器信息融合的最优状态估计方差

多传感器信息融合位置级融合算法中,测量融合(Measurementfusion)算法是最优的。本文证明了测量融合算法的估计方差由系统的"测量函数"决定。该函数值越大,系统的融合估计方差就越小。仿真说明了以上结论的正确性。