复平面子空间分解的TOA无线定位方法

提出了一种利用复平面对二维移动站定位进行建模的方法,将到达时间信息转化为复数求模,通过代数运算, 利用子空间的方法对目标进行定位,再利用蜂窝站址的旋转不变性对定位解进行融合,推导了复平面下TOA定位的克拉美界 (CRB)。通过计算机仿真证明该方法具有较好的定位性能,在TOA测量精度较高时能够达到CRB界,有较好的应用价值。     

一种基于加强三维模型细节的形状分布检索算法*

基于形状分布算法提出了一种加强细节检索的算法。该算法首先将经过预处理的模型分割为N个子模块并分别进行特征提取,然后构造每个子模块的形状分布直方图,最后通过比较子模块的相似度来计算模型的相似度。该算法相比形状分布算法比较准确地计算出了模型间的相似性,有效地提高了细节的分辨,解决了外形相近但细节不同的问题。     

基于“风车”形子单元的自重构机器人运动及自重构规划

自重构机器人区别于其他类型机器人的一个重要特征是其在具有移动能力的同时还具有自重构能力.为了赋予自重构机器人这2种能力,在分析DL-Cube(double L-cube)自重构机器人单元模型的结构特性基础之上,设计了基于"风车"形子单元的分层规划算法,实现了由"风车"形子单元构成的自重构机器人构形在平面内的运动;同时,借助于"风车"子单元自身具有的移动、转变模块方位、携带模块能力,机器人实现了平面内由24模块组成的"长方形"初始构形到目标构形为"H"构形的自重构.通过运动和重构仿真实验,验证了分层规划算法的有效性及利用"风车"子单元进行自重构的可行性.     

Kalman滤波预测的多小区子载波分配方法

小区间干扰协调是3G演进系统中抑制小区间干扰的重要策略, 并且在各类小区间干扰协调方案包含着不同的频率复用方法。为了在抑制干扰的同时提高频谱利用率,提出了可用频率集合的概念。如何分配可用频率集合中不同频点的子载波直接关系到小区间干扰的强弱程度,而现有的子载波分配方法往往基于当前信道状况, 导致在分配过程中因时间的滞后性而带来较大的干扰。针对这种情况,提出了一种基于Kalman滤波预测的自适应子载波分配方法。该方法通过检测获取不同子载波对用户的信道增益干扰比(GIR), 进而采用Kalman滤波估计得到下一时刻的GIR预测值大小,并以该预测值作为子载波分配的依据。仿真结果表明,与固定子载波分配方法和基于当前GIR的子载波分配方法相比,该方法能有效降低不同频率复用方法下的小区间干扰,改善小区和用户的性能,具体表现在提高了小区吞吐量,降低了用户的阻塞率,以及改善了小区边缘用户的比特丢失率。     

像素聚类改进二进制描述子鲁棒性

目标：本文通过挖掘图像局部区域特征信息,提出了一种鲁棒性更高的二进制描述子。针对BRIEF关于旋转和视角变化鲁棒性差的问题,本文通过图像补丁分层处理、增加关键点图像补丁个数来捕获更多的局部特征信息,对BRIEF描述子改进。方法：首先,根据灰度序列对补丁内所有像素点分类,像素的一个聚类形成了一个亚补丁,然后在每个亚图像补丁上进行类似BRIEF的随机测试。其次,由于原图像补丁大小、尺度大小影响补丁的像素点成分,从而影响像素聚类的效果,所以在原图像关键点周围分割出多个不同大小的图像补丁,或是将原图像补丁根据尺度金字塔确定几个尺度大小不同的补丁,然后再对图像补丁进行分层、测试。所构建的描述子不仅包含了补丁像素的灰度比较信息,而且包含了灰度排序信息和像素群聚信息,提高了描述子的鲁棒性。结果：通过性能对比实验,发现所提的描述子的性能提高了,而且好于对比的浮点描述子。结论：所以挖掘图像补丁的特征信息能提高二进制描述子的鲁棒性。     

上有天堂,下有雨崩

无需理由.只要有阳光和一个双肩包就好,带上满满的懂憬和活力,去一个也许熟悉,也许陌生的地方,随意放逐,不需挂念。雨崩,我来了!起初自信满满的我,在西当温泉下车时,真的被当时的路况吓傻了,全是泥泞、骡粪,看着根本没处下脚。不过也只能硬着头皮上路。领队说,这样的路要走18km,上坡12km下坡6km,正常的话走5、6个小时,慢的话要走7个小时。走在如此艰难不堪的路上,沿途根本没时间欣赏风景,只能顾盯着脚下的路了。     

一种融合多特征与子快的抗遮挡算法

为解决复杂情况下运动目标的检测问题,本文提出一种基于多特征融合和新子块分割的算法。该算法通过综合目标的颜色和纹理特征加强对目标的跟踪,并通过新的子块分割完成对不同子块的权值赋予,对发生遮挡时不同区域进行差别处理。同时在发生完全遮挡时还采用kalman滤波模型对轨迹进行预测,获得运动目标信息并更新。实验结果表明:该算法能够较好的完成遮挡情况下的目标跟踪。     

Adaptive detectors in the Krylov subspace

The validity of the application of the Krylov subspace techniques in adaptive filtering and detection is investigated. A new verification of the equivalence of two well-known methods in the Krylov subspace, namely the multistage Wiener filters （MWF） and the auxiliary-vector filtering （AVF）, is given in this paper. The MWF and AVF are incorporated into two well-known detectors, namely, the adaptive matched filter （AMF） and Kelly＇s generalized likelihood ratio test （CLRT） including their diagonally loaded versions, which form new detectors. Compared to the conventional AMF, CLRT, and their diagonally loaded versions as well as the reduced-rank AMF and GLRT, the probabilities of detection （PDs） of the new detectors are improved especially when the sample support is low. More importantly, the new detectors are robust of the rank selection of the clutter subspace compared to the reduced-rank AMF and GLRT. These new detectors all possess asymptotic constant false alarm rate （CFAR） property.     

基于核保持嵌入的子空间学习

子空间学习是特征提取领域中的一个重要研究方向,其通过一种线性或非线性的变换将原始数据映射到低维子空间中,并在该子空间中尽可能地保留原始数据的几何结构和有用信息.子空间学习的性能提升主要取决于相似性关系的衡量方式和特征嵌入的图构建手段.文中针对子空间学习中的相似性度量与图构建两大问题进行研究,提出了一种基于核保持嵌入的子空间学习算法(Kernel-preserving Embedding based Subspace Learning,KESL),该算法通过自表示技术自适应地学习数据间的相似性信息和基于核保持的构图.首先针对传统降维方法无法挖掘高维非线性数据的内部结构问题,引入核函数并最小化样本的重构误差来约束最优的表示系数,以期挖掘出有利于分类的数据结构关系.然后,针对现有基于图的子空间学习方法大都只考虑类内样本相似性信息的问题,利用学习到的相似性矩阵分别构建类内和类间图,使得在投影子空间中同类样本的核保持关系得到加强,不同类样本间的核保持关系被进一步抑制.最后,通过核保持矩阵与图嵌入的联合优化,动态地求解出最优表示下的子空间投影.在多个数据集上的实验结果表明,所提算法在分类任务中的性能优于主流的子空间学习算法.