一种分数阶卡尔曼滤波器

传统卡尔曼滤波器一般适用于整数阶系统,为了使卡尔曼滤波器的应用由整数阶系统扩展到分数阶系统,将分数阶系统与卡尔曼滤波算法相结合——将离散分数阶微积分定义的状态空间表达式融入传统卡尔曼滤波器的表达形式中,推导得到一种基于分数阶系统的卡尔曼滤波器算法.仿真实验将输出量与两个状态量分别作为研究对象,利用MATLAB设计了分数阶卡尔曼滤波器算法模块,通过对象的输入和受到噪声污染的输出最优估计出对象的状态,证明了本文提出的分数阶卡尔曼滤波器具有良好的滤波和状态估测力.     

基于互相关函数法的海水声速测量方法研究

精准的海水声速测量具有重要意义,高精度的时差估计是使用时差法进行声速测量的关键.针对时差测量精度不高而导致海水声速测量准确性低的问题,本文采用互相关函数法进行时差估计,并利用插值技术提高时差估计精度.该方法利用发射超声波信号与接收超声波信号之间相关性强,超声信号与随机噪声相关性弱的特点,将发射信号和接收信号滤波、去噪后,作互相关处理,计算延时.通过实验可以证明,此方法可提高时差估计精度,进一步可提高时差法测量海水声速的准确性.     

基于改进时延估计的声源定位算法

针对强噪声和强混响条件下, 室内声源定位算法收敛速度慢和定位精度低等问题, 提出一种基于改进时延估计的声源定位方法. 该方法建立在单源多元混响模型下, 首先用四元十字型麦克风阵列估计时延; 然后在广义互相关时延估计算法的基础上, 引入二次相关法以削弱噪声干扰, 同时采用LMS(最小均方)自适应滤波算法弥补广义互相关方法的不足, 提高混响环境下的时延估计精度; 最后, 通过远场近似几何方法定位声源. 实验结果表明, 与相位变换加权广义互相关函数(GCC-PHAT)算法相比, 该方法具有较好的抗噪能力与抗混响能力, 能获得更准确的定位结果.     

基于PHAT-β广义互相关的变压器机器鱼避障时延估计仿真

针对变压器机器鱼避障过程中发射信号和回波信号时延信息难以准确估计的问题,提出一种基于相位变换加权(PHAT-β)广义互相关(GCC)算法的时延估计方法.区别于传统的基本互相关(BCC)算法,PHAT-β GCC算法可以根据信噪比在频城内对互功率谱进行灵活调节,提高了时延估计的抗噪性和准确性.首先对发射信号和回波信号进行快速傅里叶变换和共轭相乘得到互功率谱,然后对互功率谱进行PHAT-β加权、傅里叶逆变换得到广义互相关函数,最后通过峰值检测得到时延估计值.仿真分析和验证了不同类型发射信号(正弦信号、方波信号)、不同信噪比(20、10、0 dB)、不同指数调节因子的时延估计性能,结果表明所提算法相对于传统的BCC算法具有更好的抗噪性和更尖锐的时延估计峰值.     

基于体素邻域信息的均值漂移聚类算法检测fMRI激活区

为了提高fMRI激活区提取算法的抗噪能力及精确性,提出了一种基于体素邻域信息的均值漂移聚类算法.采用互相关分析方法计算每个体素的时间序列与刺激函数的相关系数,并计算该体素的时间序列与邻域中体素的时间序列的相关系数,以这2种相关系数构建有效整合体素邻域信息的二维特征空间.再用均值漂移算法对此特征空间进行聚类搜索,完成对脑神经活动区域的检测.利用仿真数据和实际fMRI数据对算法进行测试.仿真数据测试结果表明,当选定合适的核宽,无论激活区域大小,所提出算法的敏感性和特异性均优于较传统的互相关分析算法和互相关聚类算法.实际fMRI数据测试结果显示,所提出算法与其他2种算法的结果具有良好的一致性,而所提出算法的检测区域更完整.     

基于最小均方的自适应滤波时差估计研究

时差估计的研究中,基于雷达信号的复杂多样性,采用最小均方自适应滤波算法,其基本原理是应用梯度下降法并通过权值衡量误差来实现滤波.对基本最小均方算法和变步长最小均方自适应算法进行仿真验证,选出最优算法,并利用sinc函数内插实现分数倍时差估计.算法仿真结果表明,对接收机离散信号的点数时差估计的误差精度提升至10倍左右.     

一种基于分数阶卡尔曼滤波器的模型预测控制器的设计与实现

针对一类分数阶线性系统,设计了一种基于分数阶卡尔曼滤波器的模型预测控制器。采用分数阶微分的Grunwald-Letnikov定义对被控对象的分数阶状态空间模型进行离散化,构造了一种分数阶卡尔曼滤波器,并将该滤波器得到的状态估计应用于预测控制系统的最优状态反馈控制中。将所提出的方法用于一种黏弹性阻尼系统的控制,仿真结果表明该预测控制器在设定值跟踪、抗噪声扰动等方面都有良好的控制性能;分数阶微分的短记忆长度不仅会影响分数阶卡尔曼滤波器的估计精度,还会对预测控制器的性能产生重要影响。     

基于平淡卡尔曼滤波的微弱GPS信号跟踪算法

在接收信号很微弱的情况下,全球定位系统(GPS)的传统方法不能很好地跟踪信号.采用非线性卡尔曼滤波算法取代传统的延迟锁定环和相位锁定环,用于高灵敏度GPS接收机的微弱信号处理环节.针对所提出的微弱信号系统模型中相关运算的特点,运用平淡卡尔曼滤波器进行信号跟踪.仿真结果表明,新方法能够较好地跟踪到载噪比低至27 dB-Hz的微弱信号,确保了跟踪精度;同时具有较高的灵敏度.     

组合导航系统新息自适应卡尔曼滤波算法

全球定位系统(GPS)量测噪声的不稳定变化将造成惯性导航系统(INS)/GPS舰用组合系统卡尔曼滤波器性能下降,在对自适应卡尔曼滤波器分析的基础上,提出了一种新的基于新息估计的自适应卡尔曼滤波算法.该算法通过计算新息方差强度的极大似然估计最优估计,将新息方差计算直接引入卡尔曼滤波器的增益计算.仿真结果表明,本文方法较标准卡尔曼滤波器可以提高系统精度和抗干扰能力.     

一种改进的抗噪基音周期检测算法

介绍了一种改进的抗噪性强的基音周期检测算法,该算法利用经典的自相关函数和平均幅度差函数,并将二者相结合.它继承了自相关函数的抗噪特性,并通过能量函数进一步加重基音峰值点,进而提高了在噪声环境下的提取准确度.与传统自相关方法相比,该算法很好地克服了基音半倍和双倍错误.实验证明:这种算法简单易行,又有很好的抗噪性能,在存在噪声的条件下,仍能比较精确地检测出基音周期.     

基于互相关序列和BP网络的声源定位算法

在基于麦克风阵列的声源定位算法中,一种常用算法的基本思路是通过麦克风接收到信号的相关序列来计算信号之间的时延,进而再根据阵列的结构确定声源的位置。在分析传统的声源定位算法基础上,针对双五元十字阵模型,介绍传统的基于广义互相关相位变换加权(generalized cross correlation-phase transform, GCC-PHAT)时延估计的定位算法,并给出基于GCC-PHAT时延估计和反向传播(back propagation, BP)神经网络的定位算法、基于抛物线互相关时延估计和BP网络的定位算法,进而通过分析影响时延估计的主要因素,提出了基于互相关序列和BP网络的新定位算法,该算法将GCC-PHAT互相关序列最大值点的位置、最大值点及其左右各一点的相关值作为BP网络的输入,通过对BP网络进行训练来实现声源的三维定位。仿真实验表明：与传统的基于GCC-PHAT时延估计的定位算法相比,所提出的各个算法均具有较好的定位效果,后者均比前者的定位精度更高,而且提出的基于互相关序列和BP网络的新定位算法在低信噪比和高混响的条件下,也具有较好的定位效果。     

Individual Dairy Cattle Recognition Based on Deep Convolutional Neural Network

Image based individual dairy cattle recognition has gained much attention recently. In order to further improve the accuracy of individual dairy cattle recognition, an algorithm based on deep convolutional neural network( DCNN) is proposed in this paper,which enables automatic feature extraction and classification that outperforms traditional hand craft features. Through making multigroup comparison experiments including different network layers,different sizes of convolution kernel and different feature dimensions in full connection layer,we demonstrate that the proposed method is suitable for dairy cattle classification. The experimental results show that the accuracy is significantly higher compared to two traditional image processing algorithms: scale invariant feature transform( SIFT) algorithm and bag of feature( BOF) model.     

四帧间差分和改进混合高斯模型对运动目标的检测

针对运动目标检测过程中已有算法难以同时提高准确性和实时性的问题,提出四帧间差分结合改进的混合高斯模型(Gaussian mixture model,GMM)算法,首先利用四帧间差分对预处理的视频帧差分处理,得到背景区域和运动区域;其次,使用改进的GMM,借助计数器调整高斯模型,提高高斯分量的自适应性,根据单位灰度值确定高斯分量个数,并引入敏感参数改进传统混合高斯模型对学习率的依赖;模型更新时借助计数器确定更新时机;最后,对结果使用形态学处理,提高目标提取的精确度。与已有算法的性能相比,查准率和查全率的调和平均值提高了约44.8%,对GMM算法的改进使得模型训练与检测的计算时间分别缩短至原算法的0.16倍、0.27倍,相比传统的混合高斯模型和文献中的方法,计算时间分别缩短至1/54、1/4、16/25,且对多种场景均能有效适应。     

基于相关矢量法L型阵列相干信号DOA估计

针对L型阵列提出了一种基于互相关矩阵的相关矢量(cross correlation matrix correlation vector method,CCM-CVM)重构解相干的波达方向(direction of arrival,DOA)估计算法。为了进一步提高估计精度,在此方法基础上又得到一种改进方法,即CCM-MCVM的方法。该方法基于前后向矢量重构理论,利用阵列互相关矩阵不含噪声的特点,把互相关矩阵的每一个列矢量作为前向矢量,通过对其前向矢量元素进行复共轭变换并颠倒顺序得到后向矢量。利用所有的前后向矢量来重构信号的协方差矩阵并提取信号的子空间,该方法相较于CCM-ESPRIT算法具有损失阵列孔径小,估计精度高的特点。理论分析和仿真结果表明了该方法在低信噪比和小快拍数条件下相较于对比算法具更好的估计性能。     

基于投票策略的特征点提取

特征点提取算法中存在伪角点和定位不准确的问题,导致特征点匹配率低,并且影响图像配准精度和速度.针对这一问题,提出基于投票策略的特征点提取算法.算法通过选举人投票选举出最强特征性点集,有效去除伪角点.点集中的特征点满足多重准则,特征性强度高.依据坐标选举,保证了特征点定位的准确性.在发生相似变换、亮度变化和加噪的情况下对大量图像进行了特征点提取和匹配实验,并与传统的特征点提取方法进行比较.实验结果表明,该算法提取的特征点具有更好的有效性,算法具有较强的适应性和抗噪性.     

基于改进距离向量算法的无线传感网定位研究

为了解决传统距离向量-跳段(DV-Hop)定位算法的精确度受限问题,提出了一种基于跳段大小校正和定位优化的改进DV-Hop算法。根据参考节点之间实际距离和估计距离的差异,计算出整个网络中有效的跳段大小,未知节点和参考节点之间的跳段添加了校正值,而接收信号强度指示(received signal strength indicator,RSSI)的数值用于校正单跳的距离,应用莱文贝格-马奈特(Levenberg-Marquardt,LM)算法来估计每个传感器的优化位置。在求值的过程中,研究了影响距离向量-跳段定位精确度的各种因素。仿真结果表明,与传统的DV-Hop和一些现有的改进算法相比,提出算法的定位精度有所提高。     

一种基于Watterson模型的短波信号时延估计算法

基于TDOA的短波信源定位技术相比于传统的基于AOA的短波定位技术具有设备简单、成本较低且架构方便的优点。然而,对短波信号直接进行传统的TDOA估计并不能得到信号的时延信息。以Watterson短波信道模型构造短波信号,在研究对比基本相关与模值相关算法的基础上,提出了基于广义相关熵模值的时延估计算法。仿真实验表明,即使在较低信噪比下,该方法仍然保持着较高的时延估计性能,是一种适用于短波信号的新型时延估计算法。     

基于Agast-Adaboost的图像匹配算法

针对传统浮点型特征描述算法误匹配率高、匹配率低的问题,提出了一种基于尺度空间金字塔与AGAST(adaptive and generic accelerated segment test)快速特征提取相融合的局部二进制特征匹配算法(Agast-Adaboost local binary feature matching algorithm,ALBFMA).该算法首先构建高斯尺度空间金字塔,将AGAST与尺度空间融合并提取特征点,然后用改进的Adaboost算法对特征点进行二值描述,生成特征向量,从而提高该算法的匹配速率和匹配精度.实验结果表明:与已有算法相比,该算法具有匹配精度高的优点,并且对光照、尺度及旋转有良好的鲁棒性.     

一种基于压缩感知的高精度目标跟踪算法

为解决传统单目标跟踪方法精度低、稳定性差的问题,通过压缩感知的方法研究了扩展卡尔曼滤波,提出了一种基于压缩感知的扩展卡尔曼滤波算法。该算法基于压缩感知理论、采用阵列进行视场范围内的位置跟踪,即多传感器单目标跟踪。结果表明：在信噪比较低时该方法对目标跟踪的精度较高,并且对角度的估计使用的快拍数更少,降低了计算复杂度;并且所提算法在精确度和稳定性方面对目标的跟踪效果都要比传统算法好。     

基于样本选择与PSO-ANN的葡萄酒酒精浓度预测

为了提高拉曼光谱定量分析模型的准确性以及稳健性,提出了一种新的样本选择算法——KM法.实验中以40组葡萄酒光谱为分析对象,将KM法与传统的RS,KS,SPXY样本选择算法相比较.实验结果表明: KM法获得的|RMSEP-RMSEC|要优于其他三种方法,剩余预测偏差(RPD)存在显著性差异,说明KM法具有很好的预测准确度.同时,针对BP神经网络易陷入局部极值的问题,将粒子群优化算法用于优化人工神经网络的参数(PSO-ANN),通过与遗传算法、人工鱼群算法及混合蛙跳算法比较,发现PSO-ANN较之于其他三种方法,能够提高BP神经网络泛化性能,具有收敛速度快、稳健性强及预测精度高等优势.