光纤陀螺随机漂移的建模与滤波

光纤陀螺的随机漂移是捷联式惯导系统的主要误差源,为了减小光纤陀螺的随机误差并提高其精度,需要对光纤陀螺的随机误差进行精确建模,本文根据时间序列理论,采用自回归AR模型法,建立了光纤陀螺随机误差模型。根据该模型,采用卡尔曼滤波算法实现了对光纤陀螺的随机误差的滤波。滤波结果和Allan方差分析表明,滤波后光纤陀螺随机误差得到了明显地减小,光纤陀螺的精度得到了有效地提高。     

视频序列中运动目标的检测与跟踪方法

提出了一种视频序列中运动目标的检测与跟踪算法,该算法采用基于码本背景建模的减背景法与差分法相结合的算法,实现对运动目标的快速精确的检测与提取,也能够在存在前景运动的过程中提取背景,使用卡尔曼滤波对运动目标在下一帧中最可能出现的位置进行估计,在此基础上利用Camshift跟踪算法进行较小范围的搜索和目标匹配,减少了运算量、节约了搜索和匹配的时间、提高了跟踪的速度。实验证明该方法具有一定的实用性。     

基于小波变换的话务量预测

本文将小波变换应用到话务量的预测中,利用小波分解法将非平稳时间序列的GSM话音话务量分解为多个细节信号分量和逼近信号分量。对细节信号采用AR模型或者余弦逼近进行拟合建模,对逼近信号采用多项式拟合和AR模型相结合的方式建模。利用某运营商2009年1月~2013年7月每月的博彩日话音话务作为检验序列集,前50个月的数据用来建模拟合,最后5个月数据作为预测比较,发现拟合相关度为0.991,预测平均绝对误差为0.029,预测结果比单纯使用曲线拟合要好。     

多变量时间序列的主成分分析及估计

研究了多变量时序分析中的主成分分析方法，早此对高维多变量时间序列进行了降维处理。本方法是将原来的时序变量变换为低维的主成分变量，然后将低维主成分变量作为新的时序变量进行建模。在此基础上研究了多变量时间序列主成分估计的偏差及其与最小二乘估计的关系。     

基于历史信息的软卡尔曼滤波迭代时变信道估计方法

针对高速移动MIMO-OFDM系统,提出了一种基于历史信息的软卡尔曼滤波迭代时变信道估计方法。考虑高速铁路环境中不同列车在相同位置处的信道具有很强的相关性,首先利用历史列车的信道信息获取最优基函数,基于该基函数对信道建模,将对信道的估计转换成基系数的估计,降低了计算复杂度和提高了信道估计精度。其次,在每次迭代中采用了软卡尔曼滤波和数据检测联合的方法估计基系数;为了更好地减少数据检测误差传播的影响,采用软数据检测方法,并且在每次迭代中将软数据检测误差作为噪声进行处理。另外,采用的软卡尔曼滤波器不涉及 AR 模型跟踪因子,避免了估计跟踪因子引入的计算复杂度。仿真结果表明,所提方法具有更好的估计性能,且更适用于实际的高速移动场景的时变信道获取。     

基于扩展卡尔曼滤波算法的无源定位效果分析

将扩展卡尔曼滤波算法由6维推广至9维,根据观测到的坐标位置、方位角和俯仰角,应用扩展卡尔曼滤波算法进行滤波,并通过计算机仿真得以验证,从而获得较好的定位效果。     

GPS定位误差建模及状态估计

对GPS接收机的定位误差信号进行统计分析和建模研究，指出用二阶马尔可夫随机过程拟合SA引起的定位误差是合理的，并对大地基准点上的定位误差建模，通过扩展卡尔曼滤波对位置，速度及其相关误差进行状态估计，获得了较高精度的定位结果。     

基于子带卡尔曼滤波的语音增强方法

与基于短时谱的语音增强方法相比,卡尔曼滤波的语音增强方法是基于语音生成模型的增强方法,这种基于模型的递推计算,导致卡尔曼滤波时的计算量很大.为了减少卡尔曼滤波的计算量,本文给出一种基于子带卡尔曼滤波的语音增强方法.先将带噪语音分解成子带信号,并通过子带频域谱减后估计低阶AR模犁参数,然后利用卡尔曼滤波对子带信号进行滤波,最后由滤波后的子带信号重构全带语音信号,实现语音增强.实验表明该方法在提高语音质量的同时,通过子带分解降低了卡尔曼滤波的模型阶数,明显减少了语音增强系统的计算量,更容易实时实现.     

八维卡尔曼滤波机动辨识动态用户GPS定位

在８维卡尔曼滤波ＧＰＳ定位基础上，将机动量检测与引入滤波器，达到自适应调整状态模型的效果，结果说明，在８维卡尔曼滤波中加上机动辨识，使ＧＰＳ定位在动态环境应用于精度更高，且比１１维滤波器大大减小了运算量，提高了定位解算的实时率。     

潜艇内波建模中电磁散射方法分析

潜艇内波不同于传统的舰船尾迹,虽然波幅小,但其范围广并且有规律性,可作为一种探测潜艇的手段来加以利用。该文通过Matlab建模,并用物理光学法（PO）对潜艇尾迹的RCS进行计算,为潜艇内波SAR成像提供了有效的实验数据和基础。     

基于序贯蒙特卡罗滤波的MIMO快时变信道跟踪

高数据传输速率以及终端的高速移动,导致无线通信信道具有时间选择性与频率选择性两个特征.本文主要研究了基于训练序列的多输入多输出（MIMO）时变频率选择性衰落信道的估计与跟踪问题.首先,根据时变无线信道的动态性,将信道冲击响应近似看作一个低阶的自回归矢量过程（AR）,以便于进行时变信道的跟踪.接着在此模型的基础上,利用序贯蒙特卡罗滤波对MIMO通信系统中的双选择性信道进行了跟踪;跟踪过程中需要与信号检测交替进行,即在状态变量的预测和新息修正的中间要进行一次码元的检测,所采用的方法是极大似然序列检测,最后与扩展卡尔曼滤波作了比较.仿真结果表明,在信道噪声是非高斯的情形下,序贯蒙特卡罗滤波的跟踪性能更优越于扩展卡尔曼滤波.     

简述潜艇导航新技术

为满足今后潜艇作战系统对导航的要求，必须研究出新一代导航技术，使潜艇长时间不用浮出水面利用无线电导航或天文导航技术未校正位置误差。本文在美国新一代潜艇导舷技术基础上，评述了潜艇导航新技术及其发展方向。     

剔除噪声影响的AR谱估计算法

通过观测获得的AR序列,常常由于混有观测噪声而使AR谱估计的分辨率和估计质量大大下降。本文通过构造高阶相关阵,用householder变换递推算法做AR谱估计,得到了AR参数的无偏估计,从而剔除了噪声对AR谱的污染,保证了较好的估计质量。     

基于扩展卡尔曼滤波的GPS动态测速算法

为使车载GPS测速精度满足应用于汽车电子控制系统的要求,提出一种对包含白噪声的时变GPS位置数据采用扩展卡尔曼滤波进行测速算法。通过扩展卡尔曼滤波和位差法融合对实车采集到的汽车位置等信息进行处理得到行车速度。通过实验结果对比分析,基于扩展卡尔曼滤波的测速算法比位置差分法的均方差提高了92.499%,测速精度明显提升。     

浮标阵搜潜建模仿真与潜艇逃逸结果分析

通过构建应召反潜作战中典型包围阵的航路模型、潜艇模型和固定翼反潜机模型等多个模型,实现了潜艇逃逸和布放声呐浮标阵搜潜的仿真建模,并对反潜距离、潜艇航速、搜潜阵型等要素对搜潜效能的影响进行仿真实验研究。在此基础上,针对高搜潜概率下,搜潜失败时的潜艇逃逸方向概率分布进行了分析,得到不同阵型的搜潜方向性特征属性。     

基于IGA的AR序列叠加过程的分解与复原

本文研究由若干个AR信号序列叠加形成的多道时间序列的分解与复原问题.首先从信号的独立性出发,利用信号的高阶统计信息,采用独立成分分析(Independent Component Analysis,ICA)中的广义信息最大化(Infomax)算法寻找一可逆矩阵将混合信号进行分离,然后再根据AR序列的偏相关系数的截尾性,利用Levinson递推公式估计出AR序列的参数,最后通过模拟实验验证了此方法的有效性.     

基于ISAR像序列的目标三维重构

提出了一种把矩阵分解应用于雷达目标的逆合成孔径雷达成像(ISAR)三维重构的方法。通过对目标运动场景建模,将目标的ISAR成像过程化,推导出图像序列中散射点二维位置坐标与原目标三维坐标的投影矩阵关系,利用正交投影下的矩阵分解基本方法,从观测矩阵中分解出原目标散射点的三维位置矩阵,进而实现目标的三维位置重构,仿真结果验证了该方法的有效性。     

基于粒子群算法和卡尔曼滤波的运动目标跟踪算法

针对目前一些常用的运动目标跟踪算法存在跟踪精度不高、实时性低、对遮挡问题处理不佳等问题,提出一种粒子群算法与卡尔曼滤波相结合的新的运动目标跟踪方法。利用卡尔曼滤波预测目标中心在下一帧图像中的位置,从而极大减少了搜索范围,并以该位置为中心建立目标搜索区域。然后以目标的灰度统计特征对目标模板和候选区域进行匹配,确保跟踪准确性。为了有效减少搜索匹配次数、提高实时性,利用粒子群算法在搜索区域找到和目标模板最相似的区域,从而找到最优中心位置,并以该位置作为卡尔曼滤波的观测值,进行下一帧跟踪。仿真实验结果表明新算法显著提高了跟踪的实时性、精确性,并对部分遮挡能较好地处理。     

一种基于加性潜变量的扩维卡尔曼滤波方法

现有面对非线性系统所设计的卡尔曼滤波器的性能常随着非线性程度的增强而逐步退化。为了弥补扩展卡尔曼滤波和无迹卡尔曼滤波在线性化过程中的不足之处，文中针对一类由线性项和非线性项累加组成的强非线性系统，建立了一种基于潜变量的扩维卡尔曼滤波方法。该方法将非线性项定义为原始系统的潜变量，并建立了关于潜变量的线性动态关联模型，将潜变量扩维到系统原始的状态变量中，从而建立以原始变量和潜变量为基础的线性系统模型。最后设计出该类系统的高阶扩维卡尔曼滤波器，并经过MATLAB仿真验证了新设计滤波器的有效性与准确性。     

基于视频序列的运动目标追踪算法

介绍了一种对视频序列中运动目标追踪的实现算法,该算法在运动目标检测的基础上,融合了卡尔曼滤波和Meanshift算法实现对快速移动目标的追踪。卡尔曼滤波对下一帧目标可能出现的位置做出估计,Meanshift迭代算子在估计出的区域对目标精确定位。经实际验证其有效地克服了传统Meanshift算法对于快速移动物体追踪可能出现的丢失目标的问题,目标追踪效果明显提高。