基于交互式当前统计模型的变采样率跟踪算法

针对相控阵雷达跟踪机动目标时当前统计模型采用固定机动频率和机动加速度上限而难以适应多种目标机动环境,提出了基于交互式当前统计模型的变采样率跟踪算法．该算法将多个当前统计模型作为交互多模型框架下的模型组成,然后根据各模型相关过程噪声值合成计算雷达的采样间隔,实现变采样率跟踪,提高了适应目标机动的能力和跟踪精度．仿真结果表明,本文算法的跟踪性能明显优于基于Singerk模型的变采样率跟踪算法．     

α-β滤波器在相控阵雷达机动目标跟踪中的应用

建立机动目标的常速度模型、常加速度模型,对αβ滤波器在相控阵雷达对机动目标跟踪中的应用进行了Matlab仿真,提出利用变采样率方法减少跟踪误差的方法,并与Kalman滤波跟踪效果进行比较。仿真结果表明:采用变采样间隔方法,可通过提高采样率,减少目标机动时的跟踪误差,且在不增加计算复杂度的情况下,比普通的Kalman滤波器更有效。     

一种改进的CAMSHIFT手势跟踪算法

在基于视觉的手势分析中，手势跟踪是一个关键环节、从实时性的角度考虑，提出了一种改进的CAMSHIFF(Continuously Adaptive Mean Shift)算法，实现了对动态手势的实时跟踪．实验表明，该算法快速准确可靠，并且较好地处理了跟踪过程中大面积肤色干扰及手势被遮挡等问题，对复杂场景的检测与跟踪也取得了较好的效果．同时，该算法还适用于其它具有特定颜色目标的跟踪．     

基于EM算法的杂波环境下机动目标跟踪研究

提出了一种新的基于EM方法的杂波环境下实时机动目标跟踪算法，算法与交互多模概率数据关联算法结构近似，模型后验概率与关联概率由HMM滤波计算得到．仿真结果表明，所提算法跟踪精度与传统交互多模概率数据关联算法性能相当，该算法是有效的．     

基于S函数的inc算法在光伏发电MPPT上的应用

传统的变步长inc算法虽然在控制性能上有优势,但是不仅计算量较大,影响跟踪速度;且稳定步长较大,系统稳定性有待提高。因此,基于Matlab/Simulink平台搭建了光伏发电最大功率点跟踪技术控制模型,利用Simulink中S函数编程,实现了新型变步长inc算法仿真,并得出了相关结论。仿真实验结果表明,基于S函数的新型变步长inc算法不仅跟踪速度较快,而且在最大功率点处的跟踪也准确稳定。     

基于双向预测的变采样率分块压缩视频感知

目前现有的变采样率分块压缩视频感知方案仅使用了视频帧的前向预测,即先对参考帧进行 测量,然后根据当前帧与参考帧各块之间相关性的大小自适应地分配采样率．这种方式只利用了当 前帧与参考帧的帧间相关性,而忽视了自身与后面帧的相关性特点．针对这个问题,提出了一种基 于双向预测的变采样率分块压缩视频感知方案,利用双向预测和双向运动估计为当前帧分配合理 的采样率并重构视频图像．实验结果表明：相比较现有的变采样率方案,此方案可以适当降低帧的 采样率并且提高视频的重构质量,获得１～３ｄＢ的峰值信噪比增益和０．０２～０．０６的结构相似性 增益．     

目标跟踪中的观测时间控制算法

为解决目标跟踪精度与观测时间间隔的矛盾，提出了一种基于目标状态估计协方差控制的观测时间确定算法．该算法以卡尔曼滤波器作为状态估计工具，根据跟踪精度要求设定目标估计状态协方差上限，通过目标估计状态协方差来控制观测时间间隔，从而实现对目标的优化观测．仿真结果验证了算法的有效性．     

基于信息融合的井下图像跟踪

提出了一种新的井下图像跟踪算法——图像相关算法与卡尔曼滤波器之间的信息进行融合．此算法基于贝叶斯规则，将一种常用的均方差图像相关算法和卡尔曼滤波器两者信息进行融合，得到一种新的成像跟踪算法．改进后的算法融合了MSD相关器和卡尔曼滤波器两者的信息，使得两者之间的信息反馈增强，提高了跟踪算法的性能和鲁棒性，大大减少了目标失锁的可能性，另外，改进后的算法还融合了噪声的统计性能，提高了对噪声的抑制能力．从理论计算和实验结果看，用这种算法获得的图像比一般相关算法获得的图像更具有真实性和准确性．     

UPF与RBF结合的机动目标跟踪算法

针对UPF算法精度较高，但计算量大的问题，基于对精度与实时性考虑，提出了UPF与径向基神经网络相结合的模型与机动目标跟踪算法．通过计算机模拟仿真，证明了该算法的可行性．     

成像目标跟踪算法分析

对基于分割的质心跟踪算法、基于提边的差分跟踪算法及特征匹配跟踪算法等主流算法进行了比较分析,引入目标运动的速度、方向、区域面积和长宽等5个特征值,根据它们的相对连续性,分析跟踪算法计算出来的位移视差的可靠性．通过对这些特征值的相应处理,可以加入抗短时遮挡功能,从而大大提高正确跟踪目标的概率．     

阶比跟踪中的惠特克插值

阶比跟踪技术是旋转机械升、降速振动信号分析的重要方法之一,等角度采样又是实现阶比跟踪的关键.为获得等角度采样数据通常是对原等时间间隔采样数据进行插值计算获得.介绍了一种基于惠特克重构理论,应用加窗sinc插值法由原有等时间间隔采样数据实现等角度重采样的方法.与以往采用的线性插值、多项式插值法相比,这种方法具有无理论误差,可在较低采样率下实现高精度插值等优点.实际测试验证了这种方法可以有效地实现等角度重采样.     

采用拟蒙特卡罗法的被动多传感器目标跟踪

使用拟蒙特卡罗采样方法替代传统的蒙特卡罗采样方法,改善了高斯粒子滤波器的性能,结合多传感器集中式融合策略,提出了一种基于拟蒙特卡罗-高斯粒子滤波器的被动多传感器目标跟踪算法,较好地解决了被动跟踪中的强非线性和弱可观测性问题．该算法在降低计算复杂度的同时提高了跟踪的精度和稳定性,使算法快速收敛,并且具有并行结构,有利于用超大规模集成电路来实现．     

一种自适应高超声速目标跟踪算法

根据临近空间高超声速目标运动特点,建立了临近空间高超声速目标飞行模型.在Singer模型基础上,针对跟踪临近空间高超声速目标时采样时间为一定值的缺点,运用交互多模型算法,并引入跟踪采样时间间隔实时递推公式法,提出了一种采样时间自适应的高超声速目标跟踪算法.仿真实验表明,相比改进前的算法,新算法虽然在初始阶段因为采样初始值设置不合理,造成局部误差相对比较大,但总体上来看,改进后算法在跟踪精度上明显优于改进前算法.     

基于改进的粒子滤波的视觉跟踪算法

通过对基于粒子滤波算法的运动目标跟踪技术进行研究,并针对粒子滤波算法的退化现象做出了两方面的调整。第一,对粒子滤波的重采样阶段做出了改进,在粒子上添加一个微小的高斯干扰,使得重采样的粒子分布发生变化,同时使采样枯竭得到了抑制;第二,经过一段时间的跟踪后,将跟踪目标重新初始化,继续跟踪,使得跟踪结果更加完善。通过自适应调整跟踪目标的窗口,使其大小改变,背景中的颜色尽量没有与跟踪目标相同的颜色。实验结果表明。这种改进过的粒子滤波算法能够在复杂的情况下进行跟踪,并且跟踪性能优于Meanshift方法。     

基于频率跟踪的谐波分析

为提高电网谐波分析的准确性和实时性,采用频率跟踪算法,无需加窗函数及校正措施,通过对采样点数的实时调整有效的减小了同步偏差,通过实验证明了使用该方法计算结果准确、可靠,在电力谐波检测与分析中具有较强的实用性。     

改进的压缩边分段采样算法

针对Savage等人的压缩边采样算法，提出一种改进的压缩边采样算法，该算法利用IP包头与分段相关的字段作为重载字段，增加了边信息存储所需要的空间，降低了重构过程的计算复杂度，并采用64位Hash作为误差效验以显著降低多个攻击者同时存在时重构路径的虚警率，而且通过对重构过程的算法优化进一步降低了计算复杂度，对重构路径所需要的包数、计算量和重构路径的虚警率进行比较．结果证明．改进算法远远超过原算法．将原算法重构路径所需要的计算量（所需要计算的Hash次数）从m^8降低到3m^2（其中m为在相同距离的攻击源个数）以下，在同时有20个攻击者时．原算法虚警率已经高达0．99，使其不可用，而改进算法在同时有1000个攻击者的情况下的虚警概率仍然近似为0，因此改进的压缩边采样算法能够很好地应用到大规模DDoS攻击源追踪中。     

基于概率图模型目标建模的视觉跟踪算法

提出了一种视觉跟踪任务中基于局部特征和概率图模型的目标建模方法,将目标表示为一组具有仿射不变性的区域特征,并通过概率图模型描述特征之间的空间约束关系。在目标跟踪过程中,首先在空域上利用信任传播算法,推断概率图模型中各个特征的状态,然后根据推断的结果设计改进的重要性采样函数,采用粒子滤波算法在时间域上对目标进行跟踪。为了适应目标在运动中的变化,模型根据特征的稳定程度自适应地进行更新。实验结果表明,该方法具有较强的鲁棒性,能够有效实现复杂场景下的目标跟踪。     

机载单站非等间隔轨迹优化滤波模型的研究

针对在机载单站ESM传感器对慢速运动目标跟踪中,由侦收数据率不稳定、可观测性弱及受载机运动轨迹影响导致的定位精度低等问题,提出一种基于漂移瑞利滤波器的非等间隔轨迹优化滤波模型.该模型通过实时更新采样间隔解决侦收数据不稳定的难题,同时基于位置协方差矩阵迹最小准则,预估计观测平台的最优运动方向,进而避免了由相对位置不当引发...     

半监督Hough Forest跟踪算法

针对基于检测的目标跟踪算子存在着目标表观描述的准确性和对跟踪过程的目标表观变化的适应性之间的矛盾,提出一种较为柔性的半监督学习方法：以Hough Forests为基本学习框架,用离线学习的分类器作为先验跟踪算子,并引入基于跟踪过程中用检测得到的object-specific信息和空间一致性信息的随机标签分布,用来生成半监督学习所需要的在线数据样本,对跟踪算子进行修正|分类器的检测和跟踪环节与在线的Hough Forests分类器应用环节类似,但采用了类似粒子滤波的随机采样方式对检测和更新环节进行加速|用匀速运动模型对目标运动进行建模,使跟踪过程中的目标位置预测更加准确.算法在标准跟踪数据集合i-Lids和TUD-campus上与当前流行的目标跟踪算法在线Boosting算法、MILB和Hough Forests跟踪算法进行了比较实验.实验证明：监督Hough Forests分类器提供了解决分类器对目标表观表述的准确性和自适应性矛盾的一种有效机制|整个跟踪算法能够使目标跟踪过程更加快速、鲁棒与准确.