基于小波-强跟踪滤波的陀螺漂移在线预测

为进一步提高陀螺漂移预测精度,根据陀螺一次项漂移系数非平稳时间序列的特点,针对其数据的突变和趋势相较强的问题,提出一种基于小波和多重次优渐消因子强跟踪滤波相结合的非平稳时间序列在线预测方法,并将其应用于陀螺一次项漂移系数预测。实验结果表明,该方法能有效改善数据突变和较强趋势项所带来的状态估计不准、进而造成预测不准的问题,提高了预测精度。     

基于粒子滤波的陀螺随机漂移预测模型研究

陀螺随机漂移是弱的非平稳非线性信号,传统的线性化参数估计方法会导致模型参数不精确。提出采用粒子滤波的方法对陀螺随机漂移时间序列AR模型进行滤波处理,试验结果表明:粒子滤波不仅消除了非线性对陀螺漂移的影响还克服了AR模型的参数估计误差。与UKF滤波方法相比,粒子滤波的随机量不受高斯分布的限制而且滤波结果可以达到或超过UKF。     

小波神经网络用于光纤陀螺漂移误差辨识

提出了采用小波消噪和小波神经网络两个模型对光纤陀螺漂移误差进行辨识。应用小波分析方法消除高频噪声,改善信噪比,把消噪信号作为神经网络期望输出,然后采用带遗忘因子的递推最小二乘 (DRLS) 算法训练网络并调整权值。该算法不进行任何矩阵运算,在保持收敛速度快和精度高的前提下,极大地减少了计算量,提高了小波神经网络的实时性能,仿真结果表明辨识误差在1.5%以内。     

捷联惯导陀螺信号的小波实时滤波器设计

介绍小波去噪步骤和一种实时滤波算法.针对捷联惯导系统中光纤陀螺输出信号的特点和系统导航计算的要求,设计了实时滤波方案,去除了信号中高频部分的噪声,从而抑制了陀螺的随机漂移.通过仿真实验,验证了小波实时滤波算法对陀螺输出信号进行滤波消噪处理的可行性和有效性.     

基于小波支持向量机的陀螺随机漂移预测模型研究

通过小波变换抑制各种干扰噪声,预处理后的陀螺漂移数据采用支持向量机的方法建立陀螺漂移预测模型。试验得到的陀螺漂移数据对提出的模型进行验证。结果表明,相对于独立的支持向量机模型（SVM）和径向基神经网络模型（RBF）,提出模型得到的陀螺随机漂移预测精度更高。     

基于改进小波阈值的激光陀螺漂移信号降噪

针对固定阈值法对激光陀螺漂移信号去除噪声会出现"过扼杀"小波系数的现象,提出一种称为E-median的小波阈值.信号进行平稳小波变换,计算各尺度高频小波系数的E-median阈值,采用软阈值法修正高频小波系数,通过平稳小波逆变换重构信号.对激光陀螺漂移仿真信号和实测信号去除噪声,该阈值均能保留原信号的特征并有效去除噪声...     

基于均值漂移和粒子滤波相结合的水下运动目标跟踪

泳池是一个变化较大的动态场景,会受到气泡、光照强度和水波等因素的干扰,针对泳池环境的复杂性特点,本文提出一种基于均值漂移和粒子滤波相结合的水下运动目标跟踪算法。首先,结合Mean Shift算法中的核函数原理和目标模型,以RGB颜色直方图为核心建立水下运动目标模型,然后在粒子滤波跟踪水下目标的过程中,利用Mean Shift算法对粒子进行收敛,使粒子的分布更加接近目标的真实位置。仿真试验结果表明,本文提出的算法能够克服水波、阴影、气泡、遮挡等因素的干扰,实现了水下复杂背景下的实时稳定的目标跟踪。     

强跟踪SRCKF及其在船舶动力定位中的应用

针对平方根容积卡尔曼滤波器(SRCKF)在定位系统船舶模型不确定时存在滤波精度下降甚至发散的问题,提出了一种具有强跟踪性能的SRCKF算法.基于强跟踪滤波器(STF)的理论框架,采用三阶球面径向容积规则代替STF中的雅克比矩阵计算,结合渐消因子的等价表述,构建强跟踪SRCKF.基于滤波收敛判据和渐消记忆滤波思想,分析了强跟踪SRCKF的收敛性.强跟踪SRCKF兼具STF鲁棒性强、SRCKF滤波精度高和实现简单的优点,有效克服了STF的理论局限性及SRCKF在系统模型不确定时滤波性能下降的缺点.利用船舶陆上仿真系统进行试验,证明了强跟踪SRCKF的有效性.     

一种改进的在线测量SINS陀螺常值漂移的方法

捷联惯性导航系统(SINS)中随时间变化的陀螺常值漂移是导致SINS导航误差的主要因素之一.在现有全监控方法的基础上,提出一种改进的在线测量SINS陀螺常值漂移的方法.利用短时间内监控陀螺常值漂移变化缓慢的特点,改进监控陀螺的旋转方案,在减少监控陀螺旋转次数提高效率的同时保证陀螺常值漂移的测量精度.详细介绍了其原理并进行了理论推导和误差分析,最后通过陀螺全监控和惯性导航半物理仿真实验验证了其有效性.仿真结果表明,该方法有效降低了实施的复杂性,同时使监控补偿后的陀螺漂移减小了一个数量级(均方根),惯性导航平面位置精度提高了近5倍.     

基于二代小波的光纤陀螺实时降噪方法研究

在以光纤陀螺为主要惯性敏感元件的捷联惯导系统中,陀螺输出信号中的非确定性随机漂移的实时滤除,对提高实际系统的初始对准精度及导航精度均具有重要的意义。考虑到传统小波阈值法的去噪性能及实时性问题,提出了一种基于第二代小波变换,并结合硬阈值、强制降噪和带滑动数据窗的光纤陀螺信号实时降噪改进方案。利用MATLAB进行了正弦信号和光纤陀螺输出信号的模拟实时降噪实验,并与一代小波实时降噪方案进行了比较,验证了改进方案在理论计算速度大幅提升的前提下,降噪性能得到提高,进而减小了系统输出的姿态误差。     

基于强跟踪滤波器的在线故障诊断方法

为了能在线诊断非线性系统故障,介绍了一种基于参数估计为主的强跟踪滤波器方法。由于该方法可得到比较准确的非线性系统状态与参数估计,系统的状态与参数可以得到辨识,因此该方法是一种很有效的在线故障检测与诊断方式。仿真实例也证实了该方法的有效性。     

基于粒子滤波跟踪方法研究

文章针对道路上的车辆跟踪问题,提出了粒子滤波跟踪算法。粒子滤波通过非参数化的蒙特卡罗模拟方法来实现递推贝叶斯滤波,适用于任何能用状态空间模型表示的非线性系统,以及传统卡尔曼滤波无法表示的非线性系统,精度可以逼进最优估计。粒子滤波方法的使用非常灵活,容易实现,具有并行结构,实用性强。文章的主要研究内容包括粒子滤波理论及其实现方法;利用粒子滤波理论来解决目标跟踪问题,构建基于粒子滤波的跟踪框架。     

一种基于Snake和强跟踪滤波器的目标跟踪方法

结合Snake和强跟踪滤波器提出一种新的目标跟踪方法.由于采用了贪婪算法,提高了Snake的收敛速度;采用滤波器进行预测,缩小了Snake的收敛范围,进一步提高了算法的运行速度,跟踪的实时性得到加强.同时,由于强跟踪滤波器的出色表现,对于运动目标的突变,本文的方法也能进行较好的跟踪.实验表明,本文的方法确是一种快速、有效的运动目标跟踪方法.     

基于Camshift和Kalman滤波结合的改进多目标跟踪算法

Camshift算法具有很好的实时性,但是存在遇到大面积与目标颜色相近的背景干扰、目标被严重遮挡时跟踪失效,只能对单目标进行跟踪等问题。针对这些问题,提出了Camshift结合Kalman滤波的改进算法,采用改进算法的跟踪器对每个检测出来的目标进行分别跟踪,从而实现多目标跟踪。实验表明本文提出的改进算法能有效地克服以上问题,并且能达到实时性要求。     

一种改进的粒子滤波跟踪算法的应用研究

粒子滤波跟踪算法计算量大且存在严重的粒子退化现象,因此提出了将均值漂移算法嵌入到粒子滤波的跟踪框架中的算法,该算法可以改善粒子滤波的退化现象,大大减少了算法的运行时间,同时克服了均值漂移算法容易陷入局部最大且无法恢复的缺点。监控系统应用的仿真实验结果表明,该方法具有较强的实时性和鲁棒性。     

基于视觉的机动目标定位跟踪的滤波算法

在视觉定位系统中，由于各种噪声的影响，运动目标的三维位置和姿态的计算精度受到一定限制。为了提高运动物体的定位跟踪精度，提出了一种有效的滤波算法。和已有的方法相比，这种算法具有以下两个特点：第一，不再局限于平缓运动的物体，它对于未知运动规律的机动目标同样有效，第二，由于避免了扩展卡尔曼滤波器的使用，滤波复杂度有所下降。通过分析噪声对位姿计算误差的影响，建立了一组描述位姿测量值和真实值关系的线性测量方程。然后，分别给出了两种滤波算法：基于有限记忆的检测自适应滤波和基于数值微分模型的卡尔曼滤波。在检测自适应滤波算法中，给出了分别适用于快机动和慢机动的最优机动检测函数。一旦检测出机动发生，系统采用有限记忆滤波进行矫正。在第二种滤波算法中，系统采用数值微分技术构造出了描述机动目标运动行为的鲁棒估计模型。并且，引入了衰减因子，以防止滤波器的发散现象。该衰减因子可以根据位姿计算值自适应估计。最后，通过伪贝叶斯估计算法，将两种滤波器进行数据融合，有效的降低了机动时刻位姿估值的误差抖动，进一步提高了定位跟踪精度。仿真结果验证了本算法的有效性。     

一种改进的基于光流法的运动目标跟踪算法

运动目标跟踪需要从背景中准确地检测出感兴趣目标并实现有效率的跟踪。文章结合Codebook模型和光流法提出了一个新的目标跟踪方法,首先用Codebook模型检测得到感兴趣目标,然后提取感兴趣目标内部的特征点并用光流法进行跟踪,跟踪过程中实时更新用以跟踪的目标内部的特征点。当目标发生遮挡时,采用Kalman滤波器预测目标的位置,遮挡结束后根据Kalman滤波器预测的位置和Codebook检测结果重新初始化感兴趣目标内部的特征点。实验结果表明,该算法具有较好的鲁棒性和较高的准确率,能够满足实时跟踪的要求。     

动平衡机用数字跟踪滤波器实现方法研究

电机转子轻量化、高速化的发展，给动平衡机的精度提出了更高的要求。动平衡机的精度主要取决于强背景噪声干扰下小信号的提取能力，要求滤波对信号的变化具有自适应性。提出了数字跟踪窄带滤波方法，实现的自适应跟踪方法简便，消噪效果良好。仿真和应用结果表明，该方法提高了小信号测量的精度和稳定性，减小了平衡机最小可达剩余不平衡量。     

Real-Time Front Vehicle Detection Algorithm Based on Local Feature Tracking Method

This paper proposes an algorithm that extracts features of back side of the vehicle and detects the front vehicle in real-time by local feature tracking of vehicle in the continuous images.The features in back side of the vehicle are vertical and horizontal edges,shadow and symmetry.By comparing local features using the fixed window size,the features in the continuous images are tracked.A robust and fast Haarlike mask is used for detecting vertical and horizontal edges,and shadow is extracted by histogram equalization,and the sliding window method is used to compare both side templates of the detected candidates for extracting symmetry.The features for tracking are vertical edges,and histogram is used to compare location of the peak and magnitude of the edges.The method using local feature tracking in the continuous images is more robust for detecting vehicle than the method using single image,and the proposed algorithm is evaluated by continuous images obtained on the expressway and downtown.And it can be performed on real-time through applying it to the embedded system.     

Simultaneous Multi-vehicle Detection and Tracking Framework with Pavement Constraints Based on Machine Learning and Particle Filter Algorithm

Due to the large variations of environment with ever-changing background and vehicles with different shapes, colors and appearances, to implement a real-time on-board vehicle recognition system with high adaptability, efficiency and robustness in complicated environments, remains challenging. This paper introduces a simultaneous detection and tracking framework for robust on-board vehicle recognition based on monocular vision technology. The framework utilizes a novel layered machine learning and particle filter to build a multi-vehicle detection and tracking system. In the vehicle detection stage, a layered machine learning method is presented, which combines coarse-search and fine-search to obtain the target using the AdaBoost-based training algorithm. The pavement segmentation method based on characteristic similarity is proposed to estimate the most likely pavement area. Efficiency and accuracy are enhanced by restricting vehicle detection within the downsized area of pavement. In vehicle tracking stage, a multi-objective tracking algorithm based on target state management and particle filter is proposed. The proposed system is evaluated by roadway video captured in a variety of traffics, illumination, and weather conditions. The evaluating results show that, under conditions of proper illumination and clear vehicle appearance, the proposed system achieves 91.2% detection rate and 2.6% false detection rate. Experiments compared to typical algorithms show that, the presented algorithm reduces the false detection rate nearly by half at the cost of decreasing 2.7%–8.6% detection rate. This paper proposes a multi-vehicle detection and tracking system, which is promising for implementation in an on-board vehicle recognition system with high precision, strong robustness and low computational cost.