距离相关噪声AOA协同定位下无人机路径优化方法

该文研究到达角度(AOA)协同定位下无人机路径优化问题.考虑实际AOA量测噪声方差是目标-传感器距离的函数,距离相关噪声特性使得AOA定位难度增加.为了更好地适应量测噪声随距离变化特性,该文提出一种变增益无迹卡尔曼滤波算法.随后,给出了距离相关噪声AOA定位下广义克劳美罗下界(GCRLB).在此基础上理论分析了无约束最优传感器位置分布和约束条件下最优传感器位置分布.以GCRLB的迹最小化为目标函数建立AOA协同定位下多无人机路径规划问题,采用罚函数和LM算法优化求解,仿真验证了所提算法的有效性.     

基于GoogLeNet模型的剪枝算法

GoogLeNet包含多个并行的卷积层和池化层,极具表现力,但也导致其参数数量冗余和计算量大,解决该问题的根本途径是将网络稀疏化.剪枝算法通过训练网络、修剪低权重连接和再训练网络三步操作,只保留卷积层和完全连接层中的强相关连接,实现简化网络结构和参数数量的效果,获得近似的网络模型,不影响网络后验概率估计的准确性,达到压缩效果.传统计算方式不适合非均匀稀疏数据结构,所提出的阈值剪枝算法设定合适的阈值,将原始GoogLeNet模型中将近1040万参数减少到65万,大约压缩了16倍.原始网络在进行剪枝处理后,准确率会有所降低,但经过少数次迭代,网络的准确率与原始模型不相上下,达到了压缩模型的效果,验证了阈值剪枝算法对改进GoogLeNet模型训练过程的有效性.     

目标联合状态类型密度表示的跟踪门技术

大多数传统的跟踪门技术仅使用目标的运动学量测信息,在多目标、多杂波跟踪场景中会导致较大的关联不确定性。考虑到属性传感器可以获取目标的类型信息,提出了基于目标联合状态类型概率密度的跟踪门方法。首先给出目标状态与类型的联合概率密度表示,从而导出以类为条件的跟踪门构建方法。为了适用于实时的非线性跟踪系统,门限的计算采用了基于仿真的算法。场景 1显示如果目标的量测预测密度为偏斜函数时,基于仿真的门限算法可以获得最优的跟踪门;场景 2为地面编队目标的跟踪过程。与使用传统的跟踪门相比,以类为条件的跟踪门技术在很大程度上提高了目标量测到航迹的关联率。     

多传感器异步采样系统的顺序融合

针对现有基于伪量测的异步融合算法存在实时性差、融合时刻计算负荷大以及人为引入噪声相关等问 题,提出了一种新的基于采样点顺序离散化思想的顺序式异步融合算法．该算法首先将各个传感器的测量值在融合 中心的坐标系中和时钟下进行映射统一;然后,选取融合周期内各采样时刻对连续状态系统进行顺序离散化,从而 获得本周期内各采样点间的状态方程和相应的测量方程．最终,使用线性最小均方误差意义下最优的线性卡尔曼滤 波器实现本周期内异步采样量测的顺序滤波融合．仿真分析表明,该算法和基于伪量测的异步融合算法相比具有较 少的计算量、较好的实时性和较高的估计融合精度．     

基于局部线性空间划分的流形泛化算法

为了将流形学习算法获取的映射关系扩展到新的样本数据,提出一种基于局部线性空间划分的流形泛化算法.提出局部线性空间划分的局部性、曲率自适应性原则.在此基础上,构建定维投影距离测度,采用定维投影向量量化算法将整个流形划分为若干个局部线性空间.在局部空间上构建流形映射的线性近似映射.在流形映射重构的基础上,针对新样本数据,判断其局部线性空间的归属,进而采用线性近似映射获取低维空间上的映射估计值.在人工合成数据集以及手写数字图像库上的实验证明本文算法的有效性.     

充液挠性飞行器的变结构控制

给出了带有多个挠性附件的充液飞行器的动力学方程,针对此模型采用变结构控制方法设计了系统的控制器。控制任务包括操纵天线使之跟踪事先给定的运动规律,并保持星体在惯性空间稳定,同时有效地抑制附件的弹性振动。通过仿真算例验证了此控制律的有效性。     

基于FPGA+DSP架构的嵌入式视觉跟踪系统

针对视觉监控应用的实时性需求,提出了一种基于FPGA+DSP架构的嵌入式视觉跟踪系统。以FPGA作为主控制器,负责视频的采集,并对图像进行了自动调光、色彩插值、中值滤波和白平衡预处理,通过PCIE接口将DSP的处理结果输出至上位机进行了显示。DSP通过EMIFA接口从FPGA接口获得了高质量的图像,采用基于均值漂移的跟踪算法进行了目标跟踪。阐述了系统各个模块的接口设计及主要算法的实现,并进行了系统的优化设计。实验结果表明,经过预处理后,图像亮度适中,图像色温得到了校正,系统能够获得高质量的图像。经过代码优化后,跟踪算法能够稳定跟踪目标,算法处理每帧图像平均时间为13ms,能够满足实时性要求。     

基于SAR图像的水下运动目标探测方法

为了探测合成孔径雷达(Synthetic Aperture Radar, SAR)图像中的水下运动目标,提出一种基于目标的海表面尾迹特征波纹的检测方法。先运用鲁棒性主成分分析(Robust Principal Component Analysis, RPCA)稀疏分解法对SAR图像尾迹波纹进行增强,再将恒虚警率(Constant False Alarm Rate, CFAR)思想应用于灰度归一化Hough变换检测方法以检测线性波纹特征。针对水下目标检测数据匮乏的现状,首先利用舰船尾迹的实测SAR图像对所提的基于运动目标尾迹波纹增强的局部CFAR检测方法进行验证,然后仿真不同海情、航速及潜深条件下的水下运动目标尾迹和海面的混合波纹的SAR图像,并对仿真SAR图像中目标的线性波纹特征进行检测,达到目标探测的目的。检测实验结果表明,提出的方法可有效探测水下运动目标。     

基于扩展卡尔曼滤波的声传感器跟踪算法

针对声传感器单站单目标跟踪,提出了一种基于扩展卡尔曼滤波(EKF)的跟踪算法,将声波传输时延的影响转换到运动模型的可变周期上,通过参数在线估计的方法,估计该可变周期,进而解决了有信号时延的跟踪问题。通过把先验已知的速率当作观测值,解决了纯方位角跟踪时系统不完全可测的问题。仿真验证了算法的正确性和有效性。     

多特征分层融合的相关滤波鲁棒跟踪

目的 为提高目标跟踪的鲁棒性,针对相关滤波跟踪中的多特征融合问题,提出了一种多特征分层融合的相关滤波鲁棒跟踪算法。方法 采用多通道相关滤波跟踪算法进行目标跟踪时,从目标和周围背景区域分别提取HOG（histogram of oriented gradient）、CN（color names）和颜色直方图3种特征。提出的分层融合算法首先采用自适应加权融合策略进行HOG和CN特征的特征响应图融合,通过计算特征响应图的平滑约束性和峰值旁瓣比两个指标得到融合权重。将该层融合结果与基于颜色直方图特征获得的特征响应图进行第2层融合时,采用固定系数融合策略进行特征响应图的融合。最后基于融合后的响应图估计目标的位置,并采用尺度估计算法估计得到目标更准确的包围盒。结果 采用OTB-2013（object tracking benchmark 2013）和VOT-2014（visual object tracking 2014）公开测试集验证所提跟踪算法的性能,在对多特征分层融合参数进行分析的基础上,与5种主流基于相关滤波的目标跟踪算法进行了对比分析。实验结果表明,本文算法的目标跟踪精度有所提高,其跟踪精度典型值比Staple算法提高了5.9%（0.840 vs 0.781）,同时由于有效地融合了3种特征,在多种场景下目标跟踪的鲁棒性优于其他算法。结论 提出的多特征分层融合跟踪算法在保证跟踪准确率的前提下,跟踪鲁棒性优于其他算法。当相关滤波跟踪算法采用了多个不同类型特征时,本文提出的分层融合策略具有一定的借鉴性。