改进重采样的高斯粒子滤波定位技术

针对粒子滤波算法中仍然存在的样本匮乏现象,在高斯滤波的基础上,提出了一种改进重采样的高斯粒子滤波(IR-GHPF)算法.经过新的重采样后的粒子包含了更多相邻粒子的状态信息,提高了粒子的多样性.将此算法应用于无线定位系统中,仿真结果表明,该算法在NLOS环境下仍然具有较高的估计精度,其定位性能优于粒子滤波算法和高斯粒子滤波算法.     

STFT时频分析算法研究及其在列车振动分析中的应用

时频联合分析是处理非平稳信号的有效方法。由于其计算过程中产生的时频表示矩阵数据量大，导致可处理的原始数据的长度有限，只能处理较短的时间信号。而样本数据不够或时间太短又无法全面反映系统的特性。以短时傅里叶变换为例，分析列车地板在加速过程中时频特性。为解决这一问题，提出了一种优化算法。首先根据分析频带对原始数据进行重采样，并对时频分析中的频率值进行合理设置，大大增加了可处理原始数据的长度。     

基于Imote2的WSN桥梁结构健康监测系统无线传输研究

无线传输在桥梁结构健康监测系统中的应用有效解决了有线传输的布线问题,但同时也带来了一些数据传输上的问题,例如：数据传输时数据包容易丢失而降低通信的可靠性;节点采集的数据序列很难完全时间同步,因而影响数据的精确度;简单的单跳通信只能满足基站节点与叶节点在可视路径内进行通信,在复杂环境下有障碍物阻挡时会导致通信不良或无法通信。可采取如下措施予以改进：通信时运用ACK机制减少数据包的丢失,从而保证传输的可靠性;采用浮动时间同步协议（FTSP）和重采样使节点之间的时钟同步度提高;采用AODV协议实现多跳传输,使节点在通信不良时通过中间节点与基站节点通信,增加通信可靠性并加大通信距离。     

软件无线电接收机多速率信号的多段处理方法研究

在软件无线电数字接收机中，为了支持多种速率的信号处理，通常采用分数倍重采样，在硬件实现时，非常耗时和耗资源，这也成为软件无线电数字接收机的难点。在分析传统实现模型的基础上，提出一种基于整数倍重采样的新方法，即按照一定的分段方法，实现多速率的多段动态处理，可以避免分数倍重采样，节省运算时间和硬件资源。通过Matlab仿真证明，该方法性能良好，实用可行，可以用于数字接收机的多速率处理系统，在其工程实现上有较大的参考意义。     

基于改进的鲁棒机器人蒙特卡罗定位算法

针对粒子滤波过程的粒子退化问题和提高粒子的细化能力,提出一种基于改进的鲁棒机器人蒙特卡罗定位（Improved Robust Robot Monte Carlo localization,IRR-MCL）算法.首先利用扩展卡尔曼滤波来精确设计粒子滤波器的提议分布,将当前观测信息融入顺序重要性采样过程,以改善滤波效果,减小所需粒子数;然后,给出IRR-MCL定位算法的实现细节,实验结果表明,该算法与传统的方法在定位精度和鲁棒性方面都有显著提高.     

一种改进的遗传算法的三维人脸建模方法

采用网格重采样算法提取人脸特征实现了真实人脸与原型三维人脸之间的精确对应,在此基础上,提出了基于改进的方向自学习遗传算法的模型匹配算法,该算法在局部搜索中引入方向信息,提高了算法的收敛速度和重建精度,实验结果表明:新算法可有效实现真实人脸与原型三维人脸之间的精确对应,减少了优化参数,提高了模型重建精度和速度,缩短了模型...     

重采样和曲面拟合的图像匹配方法

模式识别中的目标匹配和定位是一个传统问题,但是大多数经典算法其定位精度都是象素级的.图像的亚象元匹配算法,可以突破物理分辨率的限制,把匹配和定位精度从象素级提高到亚象元级,从而满足大规模集成电路制造、摄影测量、工业检测和目标检测等应用对精度的要求.将重采样方法和曲面拟合法有机结合的图像亚象元匹配方法,既有重采样方法精度高的优势,同时通过曲面拟合法加快了计算速度,减少了所需时间.实验结果证明了这种基于重采样和曲面拟合的图像亚象元匹配算法的有效性.     

基于立体图像对的体视显示新算法研究与实现

研究了由带有视差的图像对恢复摄像机矩阵和空间物体的三维几何形状这一多视图三维重构问题,结合Hartley和Rorther等人提出的基于无穷远平面诱导的单应进行射影重构算法,提出了根据图像间的对应关系确定插补图像像素的位置和灰度的新算法,通过这种新算法输出符合双眼特性的体视图像,试验证明插补后体视图像效果较好,速度快。     

采样点模型的布尔运算

提出了一种快速而鲁棒的点模型布尔运算算法.在进行布尔运算之前,首先将点模型中的每个点表示成具有一定半径的面元,并确定它相对于另一个模型表面的内、外及相交关系;然后对相交面元进行全局误差控制下的自适应加密重采样,以求取交线;为了加速面元的内、外及相交关系的检测,对每个模型建立层次结构k-d树.实验结果表明,该方法对于具有不同分辨率以及采样不均匀的点模型也能进行稳定可靠的布尔运算.     

基于条件生成对抗网络的不平衡学习研究

对于不平衡数据的分类,不平衡率并不是影响分类效果的唯一因素,类别间的重叠、正类样本的分离以及噪音样本的存在等均会对分类效果造成影响.针对具有类别重叠的不平衡数据集,提出基于CGAN模型的重抽样方法(RECGAN).该方法结合负类样本的欠抽样和正类样本的过抽样,既能够提高重叠区域正类样本的识别度,又可以克服以往均从样本点的局部邻域出发合成样本的缺陷.实验结果表明,无论是从AUC和F1的取值看,还是从数据集上的平均排序看, RECGAN方法均具有明显的优势.