基于编队目标重心的航迹起始方法研究

在分析了编队目标跟踪现有的K-方法和集群引晶方法的基本原理、步骤及存在问题的此基础上,针对编队目标不同于一般多目标的特点,提出了基于编队目标重心的航迹起始方法。该算法首先根据监视区域内多目标回波的空间距离进行分群检测预处理,以形成编队目标;在完成分群检测后,再利用目标回波幅度信息求解每个编队目标的重心,以编队目标重心为等效量测实现编队目标快速、稳定的航迹起始。仿真结果证明了该方法的正确性与有效性。     

编队目标的仅方位跟踪

编队目标跟踪是多目标跟踪领域中的一个特殊问题.一般认为,在巡航状态下编队中的所有目标以同样的速度和航向匀速运动.这一事实可以用来帮助目标跟踪器改善跟踪效果.给出了在仅方位测量条件下编队目标跟踪的3种模型:分开模型、耦合模型和协作模型.分开模型实质上是多个单目标的同时跟踪,与单目标跟踪没有区别;耦合模型是将多个目标的待估状态耦合成一个综合的目标状态,各目标的测量信息也是合在一起使用;协作模型则是利用跟踪效果好的目标的速度和航向解算结果来帮助跟踪效果差的目标.对这3种方法进行的理论和仿真比较分析的结果表明,协作模型更有优势.     

编队目标跟踪的自适应相关波门算法

为解决空中编队目标跟踪过程中航迹关联的难题,提出一种基于目标运动状态的自适应相关波门算法。首先通过分析编队目标的运动特征,完成编队分割和编队速度的估计;然后将编队目标的速度方向作为约束自适应波门的条件,在跟踪过程中根据目标运动方向确定波门方向,并基于前一时刻编队中各目标的距离来选择波门尺寸,同时考虑测量误差和预测误差的影响。仿真结果表明：相对于传统的固定波门算法,在编队目标跟踪过程中,自适应波门算法在避免编队内目标航迹相互交错和保证跟踪稳定性方面可以达到较好的跟踪效果。     

基于距离向量的编队目标灰色精细跟踪算法

为了解决编队目标精细跟踪的难题,提出一种基于距离向量的编队目标灰色精细跟踪算法.首先提取点迹和编队个体航迹的距离信息建立距离向量,然后基于距离向量形成多个点航映射组合,最后利用灰度理论从映射组合中选出最优组合作为精细互联结果,并利用Kalman滤波完成编队内各目标航迹的状态更新.经仿真验证,与传统多目标跟踪算法中性能优...     

编队目标架次的识别

分析了编队目标间距引起的目标间多普勒频率的差别以及多普勒频率的变化规律,利用Morlet小波变换,对编队目标回波进行时—频分析,从回波信号的三维时频坐标下的等高线上识别目标架次。通过实验结果可以看出,此方法是可行、有效的。     

机器人编队方法解析

随着计算机技术及网络技术的不断发展,机器人学成为专家学者研究的热题。而机器人编队控制是机器人协调合作的基础问题。目前,机器人编队的控制方法主要有行为法、人工势场法、人工协调场法、领航-跟随法和虚拟结构法等。而这些方法往往在进行机器人编队控制过程中,不能独立使用,主要原因是各种方法在使用的时候都存在了缺点,当几种方法结合使用时,无论从稳定性、鲁棒性上都有所提高,可以达到更好的编队效果。本文将对几种常见的编队方法的优缺点加以解析。     

编队协同作战目标分配建模综述

对编队协同作战的目标分配研究现状进行综述,首先分析国内外研究现状,总结模型原理与建模原则,详细分析各类求解算法及特征,总结相关模型与算法的应用环境与原则,最后给出了当前编队协同作战目标分配算法存在的问题及发展趋势。     

无人机集群编队控制方法研究综述

随着无人机技术的进一步发展,多无人机编队飞行的研究也受到了越来越多的关注。无人机相互配合组成编队群,可以充分发挥单个无人机所不具备的优势,更能胜任复杂、多任务场景下的工作。对无人机集群编队控制方法进行分类,分为传统控制法、群体智能算法、深度强化学习算法;对各类方法进行分析,着重归纳讨论了领导者-跟随者方法、人工势场法、运动学控制方法、蚁群优化算法、粒子群优化算法、人工蜂群算法、深度Q网络算法、深度确定性策略梯度算法、多智能体深度确定性策略梯度算法,并给出各自的优劣势;对无人机集群编队控制方法进行总结,指出传统控制法已接近成熟,但为了实现无人机的智能自主协同编队控制,仍需在群体智能算法和深度强化学习算法上融合新的思想与改进,从而发挥大数量无人机在复杂场景下的优势。     

基于DSP的无人机编队视频跟踪技术

无人机编队飞行可协同完成任务,比单机执行任务效率更高。队形控制是实现编队飞行的关键技术之一。视觉跟踪技术能从视频序列中获得感兴趣目标的状态参数,故在编队中可以利用视觉信息进行目标检测与跟踪来确定邻机方位及距离信息,从而实现队形控制。首先利用视觉传感器获取无人机的运动图像,然后基于DSP采用KLT算法,计算出无人机在图像上的相对位移,实现无人机的跟踪。实验证明,跟踪结果准确性较高,满足实际应用的精度要求,可用于无人机编队稳定跟踪,为进一步解决无人机相对定位问题提供位移信息。     

基于Q-Learning的编队防空目标分配方法研究

研究了编队防空目标分配问题,采用马尔科夫决策模型描述了编队防空动态目标分配过程,构建了编队防空目标分配强化学习系统,描述了系统组成,给出了基于Q-Learning算法的模型求解方法,并对模型效果进行了仿真分析,证明了该模型的有效性。     

一种改进的重心法在光带中心提取中的应用

介绍了光切法（LSM）的基本原理,在分析常用的几种光带中心提取法特点的基础上,针对实际光带中光强呈近似高斯分布的情况,提出改进的灰度重心算法。该方法增大了光强大的点在确定光带中心的权重,提高了测量精度,与现有的几种亚像素光带中心提取方法相比,提取的曲线更接近理想值,三维重构的效果很好,通过实验,结果令人满意。     

基于回溯法的逆推攻击

该文针对基于乘法电路的前馈序列密码模型的分析问题,在Golic逆推攻击算法的基础上,利用回溯法及前馈函数的输入输出相关性,提出了基于回溯法的逆推攻击算法。在解决了回溯法平均计算复杂性的基础上,给出了基于回溯法的逆推攻击算法的平均计算复杂性。新的逆推攻击算法在存储复杂性和平均计算复杂性方面均优于Golic算法。     

基于轴向跟踪原理的角跟踪精度改进方法研究

随着计算机软件控制技术的发展,为提高对空间目标的测角定轨精度和测量数据的连续性、有效性,文章着重论述用基于计算机软件控制的轴向跟踪技术对传统测量雷达角跟踪精度的改进方法.     

基于单类支持向量机的目标跟踪算法研究

基于分类的跟踪算法成为当前目标跟踪的研究热点。首先把跟踪问题看成是一个目标和背景的二分类问题,根据每一帧的正负样本数据训练SVM分类器,通过分类器的分类概率值确定目标位置。然而,采集正负样本边界的那些样本很容易出现异常点,当把它们作为目标的下一帧位置时将会出现严重的跟踪漂移问题。为此,提出了一种基于单类支持向量机(One-class Support Vector Machine,One-class SVM)的目标跟踪算法,基于One-class SVM分类能有效地排除其他类的干扰,有效地防止异常样本的出现。并结合加权多示例采样方法,使得每个采样样本会根据不同的权值对于分类器的贡献而不同。仿真实验结果表明,改进的跟踪方法是可行的、有效的,有很好的鲁棒性。     

基于高斯-艾肯特滤波的机动目标跟踪算法

针对交互式多模型(IMM)算法切换滤波模型缓慢、跟踪精度低甚至发散的问题,提出了在机动目标跟踪中使用的高斯-艾肯特滤波算法。首先,该算法确定观测模型和滤波模型集,分别构造量测方程组和滤波方程组,形成总体观测矩阵;然后,针对跟踪目标的非合作机动,提出使用卡方检验来检验滤波效果,并通过滤波控制算法实时调整滤波内存长度,使用高斯-艾肯特滤波对机动目标跟踪具有很强的灵活性,实现自适应跟踪;最后,在目标跟踪仿真中与三种改进模型集的卡尔曼滤波IMM算法进行对比验证,对两类算法进行了复杂度分析。仿真结果证明了高斯-艾肯特滤波算法的有效性,在无先验信息条件下拥有更高的跟踪精度。     

基于目标变换模型的跟踪方法研究

图像目标跟踪是计算机视觉领域中富有挑战性的工作之一,但已有的算法大多都存在一定的局限性。针对目标相关匹配方法难以处理图像序列中目标所具有的连续性的尺度变化、旋转、变形等问题,通过在相邻两帧图像之间建立目标相对变化关系的数学模型,并依据该变换关系的数学描述及一定的相关测度对跟踪问题进行最优化建模,将目标跟踪问题转化为目标变换模型参数的最优化求解问题,最后利用L-M算法对上述优化问题进行求解,实现目标跟踪。实验结果表明,该方法对发生连续性平移、尺度、旋转、变形等变化的目标具有良好的跟踪精度,且对图像质量要求不高。     

基于光流计算的运动目标跟踪方法研究

本文在研究光流原理的基础上,采用光流计算和分析对运动目标进行了较为准确的跟踪。首先对图像进行预处理,包括图像的灰度化,阈值分割和边缘提取;其次通过改进的Lucas-Kanade光流法实现运动目标的检测;最后,求取目标特征点的重心和各点到重心的距离,通过设定合适的阈值,画出目标的跟踪矩形框,从而完成目标的跟踪。     

基于Bag of Features算法的车辆图像识别研究

将Bag of Features算法引入汽车图像识别领域中,并提出了将DoG(Difference of Gaussian)特征提取算法和PICA分类算法结合在一起实现车辆和背景图像分类.首先用DoG特征提取算法提取图像特征.用这些特征聚类产生码书并对图像进行柱状图描述,最后设计PLSA分类器对车辆图像和背景图像进行分类.实验对比了该算法与Tamura纹理特征算法和Gabor纹理特征算法在车辆图像识别中的效果.结果表明本文算法分类正确率优于另外两种方法.     

基于HSI空间和K-means方法的彩色图像分割算法

提出了一种新的彩色图像聚类分割算法,选用HSI空间作为彩色分割空间,在研究H分量的聚类算法中,该分量的圆循环特性被充分的考虑,同时也定义了H分量空间中两点距离的定义和中心的概念;选用最重要的H分量和I分量作为分割聚类特征,运用模糊隶属度刻画了该聚类特征,最后运用K-means算法对彩色图像进行聚类分割.实验结果表明,此算法能够准确地从彩色图像中提取目标区域,且在H分量和I分量上联合分割的结果好于在单个分量上分割的结果.