排序方式: 共有153条查询结果,搜索用时 187 毫秒
1.
2.
带有势估计的高斯混合概率假设密度滤波(GM-CPHD)作为一种杂
波环境下目标数可变的检测前跟踪方法,将复杂的多目标状态空间的运算转换为单目标状态
空间内的运算,有效避免了多目标跟踪中复杂的数据关联问题,但该方法的计算复杂度与观
测数的3次方成正比,在密集杂波情况下计算量十分巨大。针对该方法计算复杂度高的问题
,提出利用一种最大似然自适应门限的快速算法,该算法首先利用自适应门限对观测进
行处理,然后仅利用处于门限内的有效观测进行GM-CPHD算法的更新步计算,大大降低了算
法的计算复杂度。实验结果证明,本文方法在有效降低计算复杂度的同时,在多目标跟踪效
果
方面与GM CPHD相当,优于GM-PHD滤波算法。 相似文献
3.
空时自适应处理(Space-time adaptive processing,STAP)是一种有效的机载雷达运动目标检测方法.空中目标的高速运动会导致其回波产生严重的距离走动和多普勒模糊,并且目标作加速运动时还会导致其多普勒频率随时间变化(即多普勒走动).为了有效检测上述目标,本文提出了一种新方法,该方法在目标距离走动校正之前首先进行杂波抑制,避免了直接利用Keystone变换校正存在多普勒模糊的运动目标距离走动时影响杂波分布特性,进而降低STAP性能的问题;对距离走动校正后的数据进行修正STAP,估计出目标的加速度,并根据估计值对多普勒走动项进行补偿;最后进行常规空时二维波束形成来实现目标能量积累.仿真结果证明了该方法的有效性. 相似文献
4.
基于双通道卷积神经网络的航班延误预测模型 总被引:1,自引:0,他引:1
针对航班延误预测数据量大、特征提取困难而传统算法处理能力有限的问题,提出一种基于双通道卷积神经网络(DCNN)的航班延误预测模型。首先,该模型将航班数据和气象数据进行融合,应用DCNN进行自动特征提取,采用批归一化(BN)和Padding策略优化,提升到港延误等级的分类预测性能;然后,在卷积神经网络(CNN)基础上加入直通通道,以保证特征矩阵的无损传输,增强深度网络的畅通性;同时引入卷积衰减因子对卷积通道的特征矩阵进行稀疏性限制,控制不同网络深度的特征叠加比例,维持模型的稳定性。实验结果表明,所提模型与传统模型相比,具有更强的数据处理能力。通过数据融合,航班延误预测准确率可提高1个百分点;加深网络深度后,该模型能保证梯度的稳定,从而训练更深的网络,使准确率提升至92.1%。该基于DCNN算法的模型特征提取充分,预测性能优于对比模型,可更好地服务于民航决策。 相似文献
5.
针对X射线图像的特点,提出了一种新的X射线手提行李图像增强方法。首先,应用离散小波变换(DWT)对图像进行去噪、融合,然后,结合模糊理论在模糊空间实现图像增强。同时将本文方法与基于灰度分组(GLG)的增强方法、基于直方图均衡 (HE)的增强方法做了比较,实验结果表明,本文方法可以有效地提高图像的清晰度,具有较好的推广能力。 相似文献
6.
压制式干扰和欺骗式干扰是全球导航卫星系统(Global Navigation Satellite System, GNSS)面临的最常见且最有威胁的蓄意干扰。该文提出了一种基于多天线的GNSS压制式干扰与欺骗式干扰联合抑制方法。首先利用子空间技术抑制压制式干扰,然后利用解扩重扩算法获得的加权矢量进行欺骗式干扰识别和抑制,最后对无干扰信号再次使用解扩重扩技术形成指向真实卫星的高增益多波束。仿真结果证明所提方法可以同时抑制压制式干扰和欺骗式干扰。该方法不需要卫星来向信息,对阵列流形误差稳健。 相似文献
7.
航管一次雷达抗风电场干扰目标检测方法 总被引:1,自引:0,他引:1
近年来,全球风力发电装机容量呈指数型增长。然而,现有航管一次雷达的动目标检测(Moving Target Detector, MTD)技术无法抑制具有非零频成分的风电场杂波,可能导致目标遮蔽和虚警率上升。针对此问题,该文提出了一种在风电场杂波下航管一次雷达的目标检测方法。该方法在MTD前端设置风电场杂波抑制器。在该抑制器中首先估计雷达回波每个距离单元的谱中心,并把所有距离单元的谱中心移到零频。其次利用类似于对消固定杂波的方法对消目标回波,而具有较宽频谱宽度的风电场杂波经对消后仍有大部分的能量剩余。然后采用恒虚警率(Constant False Alarm Rate, CFAR)检测确定杂波所在的距离单元,并剔除待检测数据中所有杂波单元,解决了风电场杂波进入非零频多普勒滤波器可能导致当前航管一次雷达MTD检测性能急剧恶化的问题。实验结果表明该方法对风电场杂波强度不敏感,有效地消除了杂波对目标的遮蔽现象并控制了由杂波引起的虚警率上升。 相似文献
8.
9.
10.
基于样本正交子空间的SAR目标识别方法 总被引:2,自引:2,他引:0
利用合成孔径雷达(Synthetic Aperture Radar, SAR)获取的目标像进行识别时,基于子空间的自动目标识别(Automatic Target Recognition, ATR)方法通常是对样本数据的值空间进行操作。当识别相似目标时,由于彼此的值空间存在较大的交集,生成的识别模板的可分性较差。该文提出一种SAR目标ATR方法,该方法将SAR样本数据的正交子空间作为投影空间。因此,不同类目标样本在投影空间的差异性加大,能够明显提高识别效果。实验结果表明,本文方法的识别性能优于其它同类方法。 相似文献