平衡WSN目标失跟率的自适应采样频率方法

针对WSN固定采样频率下机动性目标失跟率较高的问题,分析了机动性目标失跟的机理,建立了表征失跟率、采样频率、目标速率关系的数学模型,提出了平衡目标失跟率的自适应采样频率方法,并对速度大小、方向变化的机动性目标跟踪问题进行仿真实验。结果表明,自适应采样频率方法（采样间隔距离参量 取不同值时）相比固定采样频率方法的失跟率平均可降低3.3%-6%;当 等于50米时,失跟率平均降低6%,网络能耗降低13.1%。     

一种用于杂波中机动目标跟踪的自适应关联波门设计方法

针对传统关联波门设计方法在应用于机动目标跟踪时容易引起失跟现象的问题,提出一种新的自适应关联波门设计方法。该方法在综合交互多模型概率数据关联算法的基础上进行关联波门设计,当波门内不存在有效量测时,首先以最大机动水平对应的模型误差协方差对关联波门进行适当扩大,确保量测点迹进入波门。然后假定目标的机动能力已知,在目标运动状态的预测范围内利用观测信息寻找最小均方误差意义下的最优波门中心。该方法可以从根本上改善关联概率,从而降低失跟率,提高目标跟踪精度。仿真结果表明,与传统关联波门设计方法相比,该方法的失跟率降低了30%~40%,而且目标机动时的跟踪精度提高了20%~30%。实测数据同样验证了该方法的有效性。     

车联网干线协调控制相位差自适应优化

为了提高车联网环境中干线的通行效率,提出一种车联网中干线协调控制相位差自适应优化方法.本文基于车辆换道延误模型建立了以上游交叉口车辆数为输入、下游交叉口信号相位差调节量为输出的模糊控制网络;为解决车流和路况变化造成的控制效果降低问题,以车辆交叉口平均等待时间最小为目标,对模糊规则进行自适应调节;通过基于Q-Paramics的车联网仿真平台对本文提出的方法进行验证.结果表明:本文提出方法控制效果明显优于传统干线协调控制方法;在车流大幅震荡和车流随机波动条件下,较固定规则的干线模糊控制方法能够分别降低车辆平均等待时间12.35%和9.7%.本文方法能够适应车流变化和路况变化,具有更优的适应性、可用性及工程价值.     

一种稀疏度拟合的图像自适应压缩感知算法

针对运用压缩感知理论对图像进行自适应压缩采样时,采样率及稀疏度阈值确定具有很强的主观性,提出一种稀疏度拟合的精确自适应采样算法.该算法通过循环迭代来确定各个稀疏度下满足PSNR要求的最低采样率,利用最小二乘法对稀疏度及采样率数据进行拟合,得到稀疏度-采样率选取的最佳目标函数.基于TVAL3重构算法对上述自适应采样算法进行了实验仿真,结果表明,重构图像的PSNR均高于用相同值的固定采样率重构的PSNR值,其中纹理特征区分明显的图像此PSNR差值能达到3.5 dB以上.相比粗糙自适应算法,平均采样率比其降低的同时,重构图像仍得到了更高的PSNR值.      

基于类加权YOLO网络的水下目标检测

由于水下目标检测面临着图像模糊、尺度多样化、复杂背景等问题,给水下目标检测应用带来很多挑战.本文提出了一种基于类加权YOLO网络的水下目标检测方法,主要思想是在深度网络YOLO的基础上,构造了类加权损失函数,来平衡样本难易程度以获得更好的效果,并引入了目标框自适应维度聚类方法,进一步提升了检测性能.实验结果表明,本文算法与传统的YOLO网络模型相比,在每幅图片包含近20个目标的密集目标检测任务中,能够将平均准确率从71.2%提升至74.1%,召回率由71.1%提升到78.3%.     

OFDM中的自适应Turbo编码调制

自适应编码调制(AMC)技术可以有效地提高无线数据传输的频谱利用率.为在目标误码率RBE(BER)限制下优化系统吞吐提出了一种基于正交频分复用(OFDM)的恒功率、变速率的自适应Turbo编码调制的方法,以及基于容量估计的自适应算法.仿真表明,在目标BER为10-4下,此自适应OFDM方法与相同吞吐下的固定Turbo编码调制相比,有7.5dB以上的信噪比(SNR)增益.同时,与基于固定门限的自适应调制算法不同,基于容量估计的自适应算法下,子带数目的减少不会带来吞吐性能的恶化,可以用来进一步降低系统的反馈开销.     

一种自适应量化的分布式次梯度方法

[目的]考虑了网络通讯受宽带限制,提出 了 一种自适应通讯量化的分布式次梯度方法来求解分布式凸优化问题.[方法]首先设计了 自适应量化方法,其次提出了有向网络下的分布式优化次梯度算法.[结果]得到了当 目标函数为凸函数和强凸函数时该算法的收敛率.[结论]数值例子表明所提算法能有效降低通讯成本,并能适用于更一般的非平衡有向通讯网络.     

基于浅层空间特征融合与自适应通道筛选的目标检测方法

为解决加深主干网络造成的检测速度下降问题,提出了一种基于特征融合与通道筛选的目标检测方法.首先,该方法合理地复用了每个下采样阶段内的子空间信息,在每个下采样阶段,利用所设计的8倍、4倍、2倍下采样模块进行特征融合.然后,将融合后的特征图谱进行自适应通道筛选后组装到SSD的网络中,强化全局信息在目标检测模型中的作用.最后...     

基于“当前”统计模型的模糊自适应航迹预测算法

基本的"当前"统计模型由于其机动加速度极限值固定不变,只能描述机动加速度较大的机动目标。因而基本的"当前"统计模型及其自适应滤波算法(CSAF)对机动性较强目标的预测性能较好,而对机动性较弱目标的预测误差较大。针对这个问题,新算法中设计了一种新的模糊隶属度函数,利用机动目标的"当前"加速度来自适应地调整机动加速度极限值,使"当前"统计模型可以描述具有任意加速度的机动目标。最后,运用该算法和CSAF算法对机动目标进行了航迹预测仿真实验,仿真实验结果表明,无论对于机动性较强的目标还是机动性较弱的目标,新算法的预测性能均优于CSAF算法。     

基于Rayleigh分布杂波模型的动态目标检测算法

为了解决传统的动态目标检测算法在功率波动明显的非均匀复杂背景噪声下,检测性能严重下降的问题,基于杂波分布模型和恒虚警理论,提出一种基于Rayleigh分布杂波模型的单元最大最小平均恒虚警(CMMA-CFAR)检测算法,通过均值和均方差估计噪声平均功率并动态调整检测门限参数,在保持较低虚警率的前提下,提高目标的检测率.采用了数字滤波器组降低旁瓣功率,抑制强杂波干扰.经过与其它算法仿真对比,该算法具有最优的检测性能,检测率大于95.00%.该方法已应用于车辆开门防撞预警系统,在奇瑞G5车型上进行了标定测试,针对典型接近目标:自行车、摩托车和轿车,平均预警率大于97.50%,误警率小于3.00%.结果表明,该算法在杂波边缘干扰和非均匀噪声背景下,仍具有良好的检测性能.