应用回归分析的数据关联算法

针对复杂电磁环境下目标跟踪需要兼顾实时性和精确性的问题,应用测量领域的数据处理方法,提出了回归分析的数据关联算法.首先,利用对滤波曲线的两点回归分析,逐一预测各观测到达时刻的置信区间,筛选出关联点;接着,以系统处理周期为分组标准,对筛选序列进行成组观测数据回归分析;最后,计算出观测融合点,并用该点更新滤波器新息.该算法不仅能将复杂的关联转变成测量点迹动态更新过程,而且优化了同步化处理步骤.仿真实验表明:回归分析算法与联合概率数据关联算法相比,在直线运动场景下,两者的均方根误差及轨迹丢失率相近,且随着目标数目的增多,前者在平均占用CPU时间上的优越性更加突出;在曲线运动场景下,两者跟踪误差相当,前者占用CPU时间仅为后者的1/6.     

大学生道德状况调查分析及对策探寻——以江西省为例

对江西省部分高校在校大学生的实证调查结果表明：当代大学生道德状况的主流是好的,但也存在政治信念迷茫、诚信品质缺乏、知行不一等问题,大学生道德水平急待提高。造成这种局面的主要原因在于学校道德教育“无能”,应当重新确定道德教育目标和内容、优化道德教育环境、改革道德教育方法以提升高校德育的实效性。     

抗“飞点”的UKF GMPCPHD滤波算法

为实现被动测角目标状态和数目的实时估计,在高斯混合粒子（Gaussian mixture particle, GMP）的势化概率假设密度(cardinalized probability hypothesis density, CPHD) 滤波框架下,提出了基于抗“飞点”无迹卡尔曼滤波器（unscented Kalman filter, UKF）的GMPCPHD滤波算法,即抗“飞点”的UKF GMPCPHD滤波算法。在该算法中,粒子滤波的重要性采样函数由抗“飞点”UKF产生,粒子的预测与更新采用拟蒙特卡罗(quasi Monte Carlo, QMC)方式,目标状态的概率假设密度（probability hypothesis density, PHD）和势分布用一组高斯粒子滤波器（Gaussian particle filtering, GPF）近似。通过该算法与GMPCPHD、UKF-GMPPHD滤波算法的对比仿真,验证了该算法良好的跟踪性能。