一种改进的机动再入目标自适应跟踪算法

在机动再入目标高精度跟踪问题的研究中,由于目标变化速度快,动态模型为非线性,传统的Jerk分段均匀假设和随机模型近似思想建立的机动再入目标分段匀Jerk模型和过程噪声自适应方法中,存在加速度的方差期望近似瞬时方差的固有误差.为解决上述问题,提出了改进的机动再入目标自适应模型及相应的容积卡尔曼滤波跟踪算法,采用加速度状态协方差修正项来近似加速度的瞬时方差,同时引入强跟踪渐消因子增强加速度状态修正项近似瞬时方差的能力,给出了更精 确的机动再入目标自适应模型;结合状态扩展方法和容积卡尔曼滤波算法实现了机动再入目标的高精度自适应跟踪.仿真结果表明:改进后的算法对机动再入目标跟踪具有更高的精度和稳定性,对目标机动性变化有更低敏感性.     

自适应渐消有偏扩展卡尔曼滤波在目标跟踪中的应用

针对机动目标跟踪过程观测矩阵病态导致扩展卡尔曼滤波算法跟踪效果不佳的问题,提出一种自适应渐消有偏扩展卡尔曼滤波算法。该算法以扩展卡尔曼滤波为基本框架,并借鉴Gauss-Markov模型的思想以解决观测矩阵病态问题。算法根据状态估计均方误差最小条件求得有偏因子,以降低病态观测矩阵对滤波估计的影响;根据滤波发散判据提出一种新的渐消因子估计方法,以实时调整预测协方差矩阵,从而改善滤波增益并有效提高目标跟踪精度。仿真结果表明,改进算法比传统扩展卡尔曼滤波对目标跟踪的精度有较大提高,同时稳定性更好。     

多渐消因子平方根容积卡尔曼滤波算法

针对平方根容积卡尔曼滤波（square root cubature kalman filter,SCKF）在系统模型不准确和状态突变情况下鲁棒性差的问题,提出了一种多渐消因子平方根容积卡尔曼滤波算法（multiple fading factors strong tracking SCKF, MSTSCKF）。MSTSCKF引入强跟踪思想,通过多渐消因子实时调整增益矩阵,建立多渐消因子数值求解方法,克服多渐消因子求解依赖先验知识的不足;采用假设检验理论对系统异常进行检测,降低误判概率,提高滤波稳定性。通过仿真分析,比较了SCKF、单渐消因子平方根容积卡尔曼滤波（single strong tracking SCKF,STSCKF）和MSTSCKF的算法性能,实验表明MSTSCKF具有更好的跟踪精度和鲁棒性。     

一种新的多渐消因子容积卡尔曼滤波

将强跟踪思想引入容积卡尔曼滤波（cubature Kalman filter，CKF），建立强跟踪CKF能有效克服CKF在模型不确定、状态突变等情况下，滤波性能下降的问题。通过分析现有多渐消因子计算方法，发现它们均只利用了协方差矩阵的对角线元素，并没有考虑各个状态之间的相关性，不能充分发挥多渐消因子的优势。为此，本文提出渐消因子矩阵，基于正交原理推导渐消因子矩阵的求解方法，提出多渐消因子强跟踪CKF算法。多渐消因子强跟踪CKF算法突破了传统多渐消因子为向量的限制，也不再要求渐消因子取值要大于1。仿真验证了算法具有更好的滤波精度何鲁棒性，能更好的满足工程应用的要求。     

基于广义似然比的自适应在线配准算法

针对机载雷达配准时出现的偏差跳变问题,提出一种基于广义似然比(GLR)的在线配准算法.该算法通过对配准公式的测量残差进行检验,可以自适应地估计偏差跳变量.Monte Carlo仿真实验表明,与传统的配准算法相比,在偏差发生跳变时,该算法能迅速检测到跳变发生时刻并正确估计出跳变量的大小,偏差估计值可在较短的时间内收敛到跳变后的真实值,且估计精度较高,接近CR下界.     

一种基于记忆渐消因子指数加权的动态分布式传感器融合算法

由于新疆生物氧化提金预处理过程的工业现场易受到外界因素如昼夜温差、强风等干扰,传统测量方法往往存在较大的误差,为解决这个问题,①根据预处理过程,建立了传热机理模型。 ②针对该过程设计一个小范围传感器网络,提出了一种基于多连通融合结构的传感器分层融合结构, ③数据处理过程中,引入一种基于渐消记忆指数加权的多重衰落因子调整预测误差协方差,提高基于扩展卡尔曼滤波(EKF)在一步预测中的有效性。 ④以各传感器的状态估计精度用作加权融合准则,通过添加动态加权因子来预测每个传感器的预测置信度?。仿真实验的性能指标表明,该方法比传统的单传感器方法具 有更高的全局精度,并能有效降低干扰噪声的影响。     

互信息配准的一种改进算法

在传统的互信息配准方法中,由于重叠面积的变化会引起配准测度的不稳定,导致误配准.本文提出了一种改进的方法,用"面积补偿"的原理来保证参考图像和待配准图像相对平移时重叠面积保持基本不变,有效地增加了配准测度在配准过程中的鲁棒性.通过对比实验证实了此方法的有效性.     

强跟踪输入估计概率假设密度多机动目标跟踪算法

针对多机动目标跟踪中,目标数目未知及加速度不确定的问题,提出一种强跟踪输入估计（modifiedinputestimation,MIE）概率假设密度多机动目标跟踪算法．在详细分析算法的基础上,通过引入强跟踪多重渐消因子,以不同速率实时调节滤波器各个通道的预测协方差及相应的滤波器增益,从而实现MIE算法对加速度未知或发生人幅度突变的机动目标白适应跟踪能力;并将该算法与概率假设密度滤波算法有效结合,町以较好地跟踪未知数目的多机动目标．仿真结果表明,新算法比传统的多机动目标跟踪算法具有更岛的跟踪精度,且具有较好的实时性．     

基于系统误差和状态联合估计的目标跟踪算法

针对线性系统中系统误差对状态估计精度造成的不利影响,在卡尔曼滤波算法框架下提出一种基于系统误差和状态联合估计的目标跟踪算法。在算法实现过程中,首先定量分析了系统误差对目标状态估计及其估计误差协方差矩阵的影响,进而结合状态扩维技术构建系统误差配准的实现过程,最终依据标准卡尔曼滤波迭代流程设计了算法实现步骤。仿真实验结果表明: 在系统误差恒定和时变两种情况下,新算法在系统误差配准和状态估计上具有可行性和有效性。     

基于中位数的用户信誉度排名算法

针对推荐系统易受Spammer攻击的影响,从而导致对象的实际得分不准确的问题,提出基于中位数的用户信誉度排名算法。通过衡量用户信誉度调整用户打分权重,根据中位数具有不易受极端打分影响的特性,选取用户打分与对象得分差距的中位数作为降低用户信誉度的标准,不断迭代调整用户信誉度以及最终得分直至收敛。在多个真实数据集上的运行结果证明,相比现有排名算法,该算法具有更合理的信誉度分布和更高的排名结果准确度,通过该算法预处理后的数据集在SVD++上运行可以得到更低的均方根误差。     

基于FasterMDNet的视频目标跟踪算法

多域卷积神经网络(MDNet)算法在卷积层采用选择性搜索的方式来提取候选框,因此它没有共享完整图像特征,从而导致在线视频目标跟踪速度慢。针对这个问题,提出一种快速多域卷积神经网络(FasterMDNet)视频目标跟踪算法。FasterMDNet是建立在MDNet基础上的一种模型,在卷积层后面引入RPN(Region Proposal Network)网络,优化了损失函数,共享完整图像卷积特征,加快候选区域建议框(ROI)更高效的生成;为了更好地获得目标和背景信息表示,在RPN网络后加入ROIAlign层,对提取的候选区域建议框特征图用双线性插值方法来提高感受野的分辨率。该算法对目标跟踪基准数据集OTB2013、OTB2015、VOT2016进行了评估,并与前沿的跟踪算法做对比,实验结果证明,该算法跟踪准确率优于其他对比方法,并且对比相同实验环境下MDNet算法,在线跟踪速度提高了近12倍。     

两种时间序列模型在客流量预测上的比较

模糊时间序列模型和季节模型都是基于时间序列的模型,为了探讨在时间序列表现出一定的周期性时,哪种模型的预测效果会更好,分别利用模糊时间序列模型和季节模型对南京某商场的客流量进行预测,计算并比较两种方法下的相对误差值和RMSE（Root Mean Square Error）值,发现季节模型的相对误差值图形的平滑度要优于模糊时间序列模型,季节模型的RMSE值小于模糊时间序列模型,这表明考虑到数据特征的模型有更好的预测结果。     

基于EKF的机动目标跟踪算法的研究

假设一种机动目标运动:目标的速度大小不变,方向一直对准观测站.比较Singer模型和常速度(CV)模型,采用扩展卡尔曼滤波(EKF)算法对目标进行跟踪.仿真结果表明,在这种机动目标跟踪中,采用Singer模型比CV模型具有较快的收敛速度,而采用CV模型比Singer模型具有较高的跟踪精度.     

基于粒子滤波的分布式目标跟踪算法

根据无线传感器网络分布式目标跟踪的特性,提出一种改进粒子滤波算法。将簇内各节点最新的观测数据用极大似然估计法得到目标的状态信息,该信息作为参考分布更换粒子滤波部分粒子,引入模糊推理的数据融合方法为各个节点滤波结果分配不同权值,通过加权平均法得到目标的状态信息。仿真实验表明该算法能有效提高目标跟踪的精度。     

基于加权改进小波变换的图像融合算法

针对低对比度图像融合时会造成图像细节模糊等缺陷,提出一种基于加权双正交自适应小波变换的图像融合算法。取小波系数局部模极大并进行自适应加权修正以融合高频系数。采用对2幅原图像的低频系数加权自适应的方法对低频系数进行融合。对多聚焦图像和多光谱彩色图像分别采用计算图像信息熵和均方根误差、计算图像平均梯度的方法对融合的性能进行评价。实验结果表明,采用该融合规则得到的融合图像具有良好的融合效果。     

基于均值漂移和卡尔曼滤波的跟踪算法研究

为了寻找一种可以实际运用到学校监控系统的目标跟踪算法,文中对基本MeanShift算法进行描述,并阐述算法的实际意义。MeanShift虽然以其不需要参数、不需要穷尽搜索区域等特性可以较好地实现目标跟踪,但是同时其也有不足,让其在某些跟踪条件下达不到很好的效果。为了使MeanShift目标跟踪算法满足实际应用需求,通过添加核函数和增加权重的方式对基础MeanShift算法进行扩展,并在分析MeanShift算法的不足之后,提出一种MeanShift与Kalman滤波相结合的目标跟踪算法。通过学校的视频监控平台对提出算法进行验证,实验结果表明,该算法可以有效地对目标进行跟踪。     

一种基于运动矢量分析的Mean shift目标跟踪算法

Mean shift算法作为一种非参密度估计算法,目前已被广泛应用于视频运动目标的跟踪。该算法具有运算效率快,对目标变形、旋转不敏感,在部分遮挡的情况下有一定鲁棒性等特点,但该算法在运动目标速度过快的情况下,由于没有考虑利用目标的运动方向和速度信息,因此在跟踪快速运动目标时容易造成跟踪丢失。针对此问题,提出了一种基于运动矢量分析与Mean shift跟踪算法相结合的新方法,即首先对视频编码过程中产生的运动矢量进行概率统计分析,以获取目标运动方向与运动速度的估计值,再以此修正Mean shift运动候选区域的中心位置,使每次搜索开始时,候选中心位置更接近实际目标中心位置。通过与传统的Mean shift算法的跟踪实验比较可见,新算法不仅提高了快速运动目标跟踪的精度,而且减少了算法的搜索迭代次数,从而提高了运算效率。该算法可适用于智能视频监控设备中的视频编码与目标跟踪同时计算的情况,实验结果表明,该算法是有效可行的。     

基于ECM的彩色套印偏差检测算法

为检测彩色套印图像是否存在偏差及其偏差参数,提出基于边缘共生条件概率矩阵(ECM)的彩色套印偏差检测算法。该算法检测彩色套印图像的边缘信息,在边缘图像中计算ECM,并提取ECM中的极值点。若存在非(0,0)点处的极值点,则原图中存在套印偏差且极值为其偏差参数;否则,原图中不存在套印偏差。实验表明,该算法的检测结果可以精确到像素级。