基于动态网格划分的移动无线传感器网络定位算法

定位技术是无线传感器网络中关键的基础支撑技术,目前提出了许多静态网络的节点定位算法,移动无线传感器网络的定位研究相对较少.针对定位节点和参考节点随机运动的网络模型,提出了一个基于动态网格划分的蒙特卡罗定位算法.算法中当接收的参考节点数超过一定阈值时使用最远距离节点选择模型,选出部分参考节点参与定位和信息转发,节约能耗.接着基于选择的或所有接收的参考节点构建采样区域,进行网格划分,使用网格单元数计算最大采样次数,在采样区域内采样并使用误差补偿的运动模型进行过滤,提高了采样效率,减少了计算开销,并保证了较好的定位精度.仿真实验表明算法在定位精度,计算开销、能耗等方面都具有较好的性能.     

一种适用于低测量噪声系统的粒子滤波算法

针对常规粒子滤波算法使用先验密度函数来采样粒子,从而使粒子分布依赖动态模型来降低估计精度 的问题,以基于观测量相似函数采样的相似采样粒子滤波为基础,提出一种改进的粒子相关性预采样相似采样粒子 滤波算法．在系统测量噪声较小的情况下,利用相似采样获得更加贴近真实后验分布的粒子来提高估计精度;而相 关性预采样则通过计算相邻时刻粒子的转移概率并淘汰概率较低的粒子来提高粒子利用效率,在保证估计精度的同 时显著降低粒子数量需求．设计了算法的重要性密度函数并推导了权值递推公式．通过蒙特卡洛仿真分析了本文提 出的算法．最后通过一个混合坐标系下的目标跟踪实例阐述了算法的应用．     

一种面向低采样率的点云数据处理网络

在直接处理点云的三维神经网络中,采样阶段实现了对原始点云中关键点的筛选,对于整个网络的性能及网络的抗噪能力具有重要作用。目前主流的最远点采样（FPS）方法在处理大规模3D点云数据时计算量大且耗时,并且低采样率时经过FPS采样后模型性能下降明显。针对这两个问题,提出一种面向低采样率的点云数据处理网络AS-Net。设计一个新的采样模块代替原backbone中的FPS,其由两个Layer组成,每个Layer基于长短期记忆网络获取原始点云与采样点云之间的联系权重,从而高效提取关键信息,去除冗余信息。在此基础上,利用注意力机制选择特征值较高的原始点云作为采样点,采样点作为后序任务的关键点输入到网络,进一步提高网络模型性能。基于ModelNet40数据集的实验结果表明,在低采样率条件下,AS-Net仍可达到81.6%的分类准确率,与使用FPS作为采样方法的网络模型相比提高52.7%。此外,其对噪声干扰具有很强的鲁棒性,对于大场景的分割时间效率优于同类采样方法。     

基于时间序列的自适应采样机制策略研究

在传感器网络中,节点对同一事件采集的数据间存在一定的时空相关性。若有效利用数据相关性,动态调整采样间隔,则能够减少不必要的采样,从而相应地减少采样、计算、传输所耗费的能源,延长网络寿命。采用二次指数平滑法进行预测,参考TCP拥塞控制思想,快速调整采样间隔。实验证明,与普通算法相比,该算法能同时降低错误丢失率和采样率。     

点云模型适应性上采样算法

针对点云模型采样密度的不足,提出一种新的适应性上采样算法。算法首先采用均匀栅格法建立点云模型的拓扑关系,提高数据点K-邻域的查找效率,利用协方差矩阵求取点云模型中数据点的法向量,并用法向传播算法进行法向重定向,然后检测点云模型中采样点密度不足的区域,在采样密度不足区域的点的切向矩形平面内适应性均匀采样,并把这些采样点几乎垂直投影到点云模型所在的原始曲面上,由此得到的模型即为上采样模型。该算法得到的上采样模型可以较好地补充点云模型的细节信息,能够满足点云模型的绘制和后续几何处理的需求。     

基于RBPF-SLAM算法的研究与实现

同时定位与地图创建（the simultaneous localization and mapping,SLAM）是机器人领域的难点问题,目前广泛采用Rao-Blackwellized Particle Filters （RBPF）算法解决该问题.在传统的RBPF算法实现中构建的高误差建议分布会采样计算大量粒子来拟合目标分布,频繁的重采样步骤导致粒子逐渐耗散,浪费大量计算资源.在本文中通过把运动模型信息与观测信息相结合优化建议分布,减少采样粒子数量,引入自适应重采样方法减少重采样步骤.在算法的实现时使用树形数据结构存储环境地图,实验结果表明,该改进算法可以显著计算效率,减小存储消耗,构建地图更为精确.     

保持特征的点云迭代简化算法

提出了一种特征保持的三维点云迭代简化算法。首先对点云模型构造KD树结构,计算采样点的k邻域,然后利用点云模型的局部几何信息作为参数,包括局部采样密度、采样点的精度和曲率,计算评估函数值,迭代删除评估函数值最小的点。实验结果表明,算法在简化点云数据的同时,能有效去除噪声数据,而且很好地保留了原始模型的特征信息。     

基于粒子滤波的移动传感器网络节点定位算法

根据移动传感器网络中节点定位的特性,对经典粒子滤波的采样策略、粒子加权策略和重采样策略进行改进和优化,提出一种新的移动节点定位算法PFNL.该算法克服了经典粒子滤波算法存在的粒子退化、采样枯竭等缺陷,从而降低节点定位过程中的计算开销和存储开销.仿真实验结果表明,PFNL算法在同等参数条件下的定位精度高于典型定位算法.     

基于线性动态系统的视频压缩感知自适应改进

线性动态系统的视频压缩感知(CS-LDS)是指从随机采样数据中直接估计出模型参数,然而对所有视频帧采取同样的采样方式,使得采样数据存在一定的时间冗余.针对这一问题,结合自适应压缩采样技术提出了一种自适应的改进算法.首先,对视频信号建立线性动态系统(LDS)模型;然后,通过自适应压缩采样方法得到视频信号的采样数据;最后,通过采样数据估计出系统模型参数,实现视频信号的重构.实验结果表明,在不影响视频重构质量的条件下,所提方法相对于CS-LDS算法,不仅能够节省统一测量过程中20%~40%的采样数据,而且平均每帧能够节省0.1~0.3 s的运行时间.改进后的算法降低了采样数目与算法运行时间.     

基于RBPF和数据关联的多目标跟踪

粒子滤波用一组带有权值的随机采样点近似后验概率密度函数,实现对任意状态模型的精确估计。把Rao-Blackwellized粒子滤波与多假设跟踪算法相结合,将多目标跟踪问题分为2个部分,即数据关联中后验概率分布的估计和基于数据关联的单个目标跟踪估计。前者通过序列重要性重采样实现,后者使用卡尔曼滤波进行最小均方误差估计。实验结果表明,采用最优重要性分布可以减少计算所需粒子数和计算量。