用于虚拟现实的360度视频编码技术新进展*

随着虚拟现实技术不断发展,360度视频编码开始成为研究热点。应用于虚拟现实的360度视频与传统的视频相比分辨率更高,编码数据量更大,在实际应用中面临传输带宽有限的瓶颈,编码效率问题有待解决。归纳分析了国际标准组织联合视频研究组（joint video exploration team, JVET）正在制定的360度视频编码投影变换技术及其编码优化方法,综合对比了各变换技术的编码性能。根据当前最新研究成果,对下一步研究需要解决的问题进行了探讨总结,给出未来的研究方向和思路。     

稀疏统计二次Renyi熵的运动估计匹配准则

运动估计是视频编码技术的核心,通过对运动估计基本原理的分析可知匹配准则是运动估计的关键环节。针对传统匹配准则描述块匹配精度不高,导致信息冗余较多的不足,提出一种稀疏统计二次Renyi熵的运动估计匹配准则。该匹配准则在计算Renyi熵时,引入了统计直方图,采用统计的方式计算概率密度函数,并结合基于梯度的图像质量评价和运动矢量中心偏离特性,对直方图的统计区间进行稀疏化。实验结果表明,该匹配准则简化了Renyi熵概率密度函数的计算,通过统计区间的稀疏化减少了80%以上的乘法运算量,对运动剧烈的视频序列能够得到优于传统绝对误差和函数的峰值信噪比,取得更好的图像质量。     

具有数据包丢失的离散随机不确定系统的线性最优满阶估值器

研究了具有数据包丢失和随机不确定性离散随机线性系统的状态估计问题.其中数据包丢失是随机的,且满足Bernoulli分布,系统矩阵中的随机不确定性由一个白色乘性噪声来描述.首先,通过配方方法,提出了最小均方意义下的无偏最优线性递推满阶滤波器.所提出的滤波器用到了当前时刻和最近时刻接收到的观测来保证线性最优性.与多项式滤波和增广滤波器相比,本文的滤波器具有较小的计算负担.然后,基于所获得的线性滤波器推导了线性最优预报器和平滑器.进一步研究了线性最优估值器的渐近稳定性,给出了稳态特性存在的一个充分条件.最后,通过两个仿真例子验证了所提估计算法的优越性.     

有界随机测量时滞的网络控制系统的最优估计（英文）

在假设测量没有丢包的情况下,研究了带有随机测量时滞的网络控制系统的最优估计问题.利用已知的时滞分布概率,建立新的模型来描述随机时滞测量.进一步将带有时滞的测量等价成每个通道是单时滞的多通道测量,从而利用新息重组方法,通过求解黎卡提方程求解最优估计器.最后给出仿真实例验证了该算法的有效性.     

半参数广义线性模型惩罚似然估计的几个性质

本文在给出了半参数广义线性模型惩罚似然估计及惩罚准似然估计的基础上,得到了下面几个性质:(Ⅰ)极小惩罚似然估计及惩罚准似然估计等价于惩罚加权最小二乘估计;(Ⅱ)估计的收敛性及加速收敛法;(Ⅲ)估计的一种 Bayes 解释。     

序贯抗差估计在旋转调制陀螺寻北中的应用

基于序贯抗差估计方法针对简化了的旋转调制陀螺寻北仪输出信号进行了寻北仿真研究.介绍了该型寻北仪的基本原理,在经典充贯平差的基础上,结合抗差M估计的原理,得到了序贯抗差估计的计算流程与公式.将寻北仪输出信号划分为2个阶段,对上述方法进行了仿真应用.仿真结果表明：通过该算法所得寻北结果误差均值与标准差均优于其它算法.     

多传感器数据采集系统中的数据融合研究

针对多传感器数据采集系统的准确性与可靠性的要求,提出了单传感器分批估计融合与模糊理论中的相关性函数与加权自适应算法相结合的数据融合方法。首先,对每一只传感器进行分批估计融合,得到了较为可靠的局部决策值。然后,利用模糊理论中的相关性函数,计算出每只传感器与其它传感器的相关程度,并剔除掉那些相关程度较低的传感器的局部决策值。最后,在权的最优分配原则下,利用加权自适应算法对剩下的局部决策值进行数据融合。该方法能在数据先验知识未知的情况下,客观地反映各个传感器的可靠程度。数据分析结果表明:与同类融合方法相比,该方法具有更高的精度。     

用于移动终端的低复杂度快速运动估计算法

针对移动终端硬件计算能力不足的问题,提出一种高性能、低复杂度的运动估计算法。算法根据相邻块运动矢量的分布特性,判断运动趋势的可预测性,进而自动选择不同的混合搜索策略;再结合自适应的提前终止阈值,在保证搜索准确性的同时,大大减少了搜索点数。通过对各种类型的视频进行测试,结果表明,该算法对于不同运动类型、不同运动程度的视频序列都具有较强的自适应性,分别比UMHexagonS(Unsymmetrical-Cross Multi-Hexagon Search)和BBGDS算法节省55%和35.6%的运动估计时间,同时率失真性能保持不变。     

基于多渐消因子强跟踪UKF 和约束AR模型的故障估计与预测

针对非线性系统中不可观测故障参数估计和预测问题, 提出一种基于多重渐消因子强跟踪无迹卡尔曼滤波(MSTUKF) 的状态和参数联合估计法, 通过引入多重渐消因子增强了对变化函数未知的故障参数的跟踪能力. 对于得到的故障参数估计值, 利用递推最小二乘法更新约束AR预测模型, 从而实现故障参数的在线估计与预测. 仿真结果表明, MSTUKF方法在故障参数估计精度上优于UKF 和单渐消因子强跟踪UKF, 约束AR模型的预测精度高于无约束条件下的预测精度.

     

Robust state estimation for uncertain linear systems with deterministic input signals

In this paper, we investigate state estimations of a dynamical system in which not only process and measurement noise, but also parameter uncertainties and deterministic input signals are involved. The sensitivity penalization based robust state estimation is extended to uncertain linear systems with deterministic input signals and parametric uncertainties which may nonlinearly affect a state-space plant model. The form of the derived robust estimator is similar to that of the well-known Kalman filter with a comparable computational complexity. Under a few weak assumptions, it is proved that though the derived state estimator is biased, the bound of estimation errors is finite and the covariance matrix of estimation errors is bounded. Numerical simulations show that the obtained robust filter has relatively nice estimation performances.