单目视觉拼图导航中的单应矩阵估计

在单目视觉拼图导航与水下自主机器人的准确定位中,针对单一的单应矩阵代数估计方法和鲁棒估计方法导致估计结果较大的偏差性,研究了利用图像对之间的匹配点估计单应矩阵的原理。分析了测量数据点对可能存在的误匹配及测量误差,会导致测量矩阵的非线性、病态性,从而影响单应矩阵的准确估计。融合几种单应矩阵估计方法,提出了因子归一化鲁棒估计方法对单应矩阵进行估计。利用该方法既能优化测量矩阵,又能剔除误匹配点。实验结果表明,该方法较准确地估计了单应矩阵。     

不确定退化测量数据下的剩余寿命估计

剩余寿命估计是工程系统预测与健康管理的关键.目前,基于观测的系统退化数据进行剩余寿命估计得到了很大的关注.由于系统随机退化过程和测量误差的影响,测量数据中不可避免包含退化随机性和测量不确定性.然而,现有基于观测数据的剩余寿命估计研究中,没有将退化随机性和测量不确定性对估计的剩余寿命分布的影响同时考虑.鉴于此,提出了一种基于Wiener过程且同时考虑随机退化和不确定测量的退化建模方法,利用Kalman滤波技术,实现了潜在退化状态的实时估计.在退化状态估计的基础上,得到了同时考虑退化状态不确定性和测量不确定性的解析剩余寿命分布.此外,提出了一种基于极大似然方法的退化模型参数估计方法.最后,通过陀螺仪的退化测量数据验证了本文提出的方法优于不考虑测量不确定性的方法,可以提高剩余寿命估计的准确性.     

光纤传输系统中误码率测量的时间选取

详细讨论了误码发生服从泊松分布的条件下,以实际误码个数除以传输的总码数来估计误码率这种方法的估计特征;给出了测量结果的精度、可靠性与测量时间内平均误码个数及测量时间的关系,可为实际测量中测量时间垢选取提供参考。     

测量方差自学习加权下的多传感器融合算法

分析了测量方差预先设定对多传感器融合算法中加权系数的分配和状态估计的不利影响;提出了一种测量方差自学习的多传感器加权和滤波算法.该滤波算法能够充分利用传感器每次量测带来的新信息进一步优化测量方差, 同时依据优化后测量方差合理地分配权系数和改进状态估计, 提高了对状态估计的精度.最后通过仿真计算验证了该算法的有效性.     

转换测量卡尔曼滤波算法在导弹起爆控制技术中的应用研究

利用导引头测量信息构建最佳起爆控制算法以实现最佳起爆是导弹战斗部起爆控制技术的一个重要方向.最佳起爆算法包括剩余飞行时间、脱靶量及脱靶方位的估计.为提高估计精度和满足实际应用要求,对导引头测量信息进行滤波至关重要.该文研究了转换测量卡尔曼滤波算法在起爆控制参数估计中的应用,该算法将球坐标系中导弹导引头的测量信息转换到直角坐标系下进行滤波,同时消除了由于坐标转换而引起的偏差.仿真结果表明,该算法的应用有效地提高了起爆控制参数的估计精度.     

基于误差预处理技术的水下被动目标跟踪方法

针对伪线性估计器有偏性问题进行了研究,指出产生有偏性的原因是由于将测量方位误差引入了测量方程。针对潜艇测量方位的变化特点,提出了一种对测量方位分段拟合的处理方法,将处理后的测量方位用于伪线性估计器。通过仿真实验,验证了该方法不但可以大大减小有偏性,而且提高了目标要素的解算速度。     

基于DFT相位的正弦波频率和初相的高精度估计方法

提出一种新的基于DFT相位的正弦波信号频率和初相的高精度估计方法.利用分段DFT频谱的相位差消除了初相对频率估计的影响且避免了相位测量模糊问题.给出了频率和初相估计的均方根误差计算公式.理论分析和Monte Carlo模拟结果显示频率估计均方根误差接近Cramer-Rao(CR)下限,初相估计均方根误差略高于CR下限的2倍.阈值信噪比远远低于基于时域瞬时相位的频率和初相估计方法.在信噪比为6dB、采样点数为1024的情况下,频率估计均方根误差约为DFT频率分辨率的1%,初相估计均方根误差约为2度.该方法已用于FMCW液位测量雷达并取得1mm距离测量精度.     

基于R阵动态估计的自适应滤波算法

针对组合导航系统中观测噪声特性复杂多变、难于准确估计的问题,基于不同测量系统的测量互补特性,提出了针对单次历元的观测噪声特性动态估计方法。在此基础上,以预设滤波精度为指标,提出了通过构造自适应因子对估计观测噪声进行适当调节的自适应卡尔曼滤波算法。该算法通过构造相对测量关系,避免了直接对测量噪声真值求解的难题,并且在滤波过程中采用序贯处理方法进行实时解算,有效降低了计算量。在GPS/DR实际系统中的应用结果表明,同改进的sage-husa算法及MAKF算法相比,基于R阵动态估计的自适应滤波算法能够自适应地跟踪GPS测量噪声特性的变化,定位结果光滑可靠,具有明显的优越性。     

测量方差自学习加权下的多传感器数据融合算法

分析了测量方差预先设定对于多传感器融合算法中加权系数分配和状态估计的不利影响，提出了一种测量方差自学习的多传感器加权和滤波算法。该滤波算法能够充分利用传感器每次量测带来新的信息进一步优化测量方差，同时依据优化后测量方差合理地分配权系数和改进状态估计，提高了对状态估计的精度。最后通过仿真计算验证了该算法的有效性。     

合成孔径声纳姿态及运动估计--鲁棒Kalman估计算法

合成孔径声纳姿态及运动估计系统一般由惯性测量单元(IMU),差分DGPS,声多普勒计程仪DVL,深度传感器,磁罗经等多种测量传感器组成.通常情况下,惯性测量单元(IMU)必须与DVL或DGPS进行数据融合,才能获得更好的测量性能;同时,由于姿态及运动监测系统的传感器较多,系统受外界扰动影响比较严重,即观测野值比较严重.因此,将M-估计原理应用到Kalman滤波算法中,利用鲁棒Kalman滤波算法来处理合这类估计问题.计算机仿真结果表明,该方法将惯性测量单元(IMU)测量结果与差分DGPS或DVL测量结果进行数据融合,较好地解决了合成孔径声纳姿态、运动估计问题.     

Frequency and Timing Offset Estimation Using Single Reference Symbol

In this paper we will investigate the performance of an estimator employing single OFDM reference symbol for timing and frequency offset estimation. We will show how both coarse and fine frequency offset estimation can be performed with this single OFDM reference symbol. The performance of this estimator will be compared with the ML estimator employing OFDM reference symbols of different length for coarse and fine frequency offset estimation. It will be shown that, unlike ML estimator, the estimation range of the analyzed estimator is not constrained.     

A MAP Estimator for the m Parameter in Nakagami Fading Ultra-Wide Bandwidth Indoor Channels

A maximum a posteriori (MAP) estimator for the Nakagami m parameter in an ultra-wide bandwidth (UWB) indoor channel is proposed. Previous work exclusively studies maximum likelihood (ML) estimation and moment method (MM) estimation of the Nakagami m parameter. This letter derives the MAP estimator for the Nakagami m parameter by using the a priori probabilities of the Nakagami fading parameters in an indoor UWB channel. The performance of the MAP estimator is examined and compared with those of the ML estimator and the MM estimator. Numerical results demonstrate that the new MAP estimator is superior to the ML estimator and the MM estimator in an indoor UWB channel, especially when the sample size in the estimation is small     

广义Pareto分布海杂波模型参数的组合双分位点估计方法

广义Pareto分布的复合高斯模型可以很好地描述高分辨低擦地角对海探测场景中海杂波的重拖尾特性,实现该杂波模型下双参数的有效估计对雷达检测性能具有重要意义。对此,该文提出一种双参数的组合双分位点(CBiP)估计方法。该估计方法基于低阶多项式方程的显式求根表达式,充分组合利用回波中的样本信息,旨在实现高精度的双参数估计过程。此外,考虑到实际雷达工作中存在岛礁、渔船等造成的功率异常大的野点样本时,不同于传统的矩估计、最大似然(ML)估计等方法,组合双分位点估计方法仍可保持估计性能的鲁棒性。仿真及实测数据实验表明,在纯杂波环境中,组合双分位点估计方法可以实现与最大似然估计方法近似的估计精度,若存在异常样本,组合双分位点估计方法的估计性能优于上述几种传统估计方法。     

DVB-S2 ACM技术中的信噪比估计

为了在DVB-S2系统自适应编码调制(ACM)技术中实现对信道信噪比的精确、高效估计,提出了一种基于子空间分解的数据辅助类信噪比估计算法。计算机仿真结果表明,在较宽的信噪比范围内,该算法的性能优于数据辅助类的最大似然估计算法和经典的基于子空间分解的ED算法,估计精度高,计算复杂度低,非常适合在DVB-S2系统ACM技术中应用。     

一种H.264运动估计器的VLSI设计

MPEG4AVC／ITU—T H．264视频编码标准中所采用的多模式运动估计算法与传统的MPEG4、H．263 高级预测模式相比较而言，编码效率和性能都大大提高。但其诸如模式决策等问题却给运动估计器，特别是硬件运动估计器带来非常大的运算复杂度。本文提出一种H．264运动估计器硬件结构，它采用了新的模式决策算法和快速运动估计算法。仿真结果证明，这两种算法不但能使运动估计器降低其硬件实现成本，而且能减少模式决策和运动估计的时间。     

一种移动环境下的信噪比估计算法及其在多普勒频移估计中的应用

利用移动信道的功率谱特性,提出了一种基于谱分析的平均信噪比估计算法,其实现可以利用FFT(fastfouriertransform),从而有效节省了运算资源。其次结合噪声环境下多普勒频移的理论偏差,提出了基于信噪比估计的改进方法。计算机仿真表明,在一般通信系统的工作信噪比范围,文章的信噪比估计方法具有较高的估计精度,而且基于信噪比估计的改进多普勒频移估计方法在各种移动速度和信噪比下都表现出较高的估计精度。     

多循环频率循环时延估计方法及性能分析

由于单循环频率循环估计子估计性能对循环频率的选择有较大的依赖性,使其在实际应用中受到了较大的限制.为解决该问题,文章研究并给出了多循环频率循环时延估计方法,还详细推导得到了多循环频率估计子组的估计均方误差.在平稳高斯白噪声和慢变化时变高斯白噪声条件下对BPSK和QPSK信号的仿真结果表明,较高信噪比时(SNR＞-6dB)循环估计子组的估计理论精度与仿真精度基本上是一致的,并且三循环频率循环估计子组估计性能要优于双循环频率循环估计子组,而双循环频率循环估计子组的估计性能要优于单循环频率循环估计子.仿真结果充分说明了文章理论分析的正确性,也说明了多循环频率循环时延估计方法的有效性及估计算子的稳健性.     

SAR interferometry: a “Quick and dirty” coherenceestimator for data browsing

Usual coherence estimation in SAR interferometry is a time consuming task since an accurate estimation of the local frequency of the interferometric fringes is required. This paper presents a fast algorithm for generating coherence maps, mainly intended for data browsing. The proposed estimator is based on the speckle similarity of coherent SAR data, and is thus independent of fringe frequency. The following advantages, with respect to the usual estimates, are achieved: (a) The estimator is more than 100 times faster, achieved at the cost of a reduced statistical confidence. (b) The estimator is not affected by possible local frequency estimation errors. (c) The estimator can be directly applied to single look detected images. The theoretical derivation of the statistical properties of the frequency independent estimator is carried out in the stationary case. The nonstationary case is then analyzed on real ERS SAR images     

Estimation of the number of operating sensors in large-scale sensor networks with mobile access

This paper investigates the estimation of the number of operating sensors in a sensor network in which the data collection is made by a mobile access point. In this paper, an estimator based on the Good-Turing estimator of the missing mass is proposed and it is generalized to other related problems such as the estimation of the distribution of energy available at sensors. The estimator is analyzed using the theory of large deviations. Closed-form bounds on the large deviation exponent are presented and confidence intervals for the estimator are characterized.     

Covariance shaping least-squares estimation

A new linear estimator is proposed, which we refer to as the covariance shaping least-squares (CSLS) estimator, for estimating a set of unknown deterministic parameters, x, observed through a known linear transformation H and corrupted by additive noise. The CSLS estimator is a biased estimator directed at improving the performance of the traditional least-squares (LS) estimator by choosing the estimate of x to minimize the (weighted) total error variance in the observations subject to a constraint on the covariance of the estimation error so that we control the dynamic range and spectral shape of the covariance of the estimation error. The presented CSLS estimator is shown to achieve the Cramer-Rao lower bound for biased estimators. Furthermore, analysis of the mean-squared error (MSE) of both the CSLS estimator and the LS estimator demonstrates that the covariance of the estimation error can be chosen such that there is a threshold SNR below which the CSLS estimator yields a lower MSE than the LS estimator for all values of x. As we show, some of the well-known modifications of the LS estimator can be formulated as CSLS estimators. This allows us to interpret these estimators as the estimators that minimize the total error variance in the observations, among all linear estimators with the same covariance.