适用于图像恢复的最优形态滤波设计方法

针对噪声图像的恢复问题,研究了基于SV形态学理论的最优形态滤波设计方法.通过建立SV形态模式谱解决图像与相关几何结构相似性度量问题;通过引入集差距离函数,解决由形态滤波所产生的几何和拓扑畸变程度的量化问题;通过优化问题的设计,在有效去噪和保持图像基本结构之间寻求一个平衡策略,使得优化问题得以求解.最终从理论上证明了一类SV交替滤波和一类SV交替惯序滤波是SV形态学方法下,适用于图像恢复的最优滤波.     

空间变化的彩色形态算子

在空间变化(SV)的灰值形态学理论的基础上,通过引入序函数的方法,建立了彩色图像模型空间上的导出序及与之相关的极大和极小运算,并以此为基础,建立了SV的彩色形态算子的框架理论,对SV彩色形态腐蚀、膨胀、开、闭算子的基本形式和形态学基本性质进行了研究.研究结果表明:基于序函数的SV彩色形态算子,保留了SV灰值形态算子的大多数性质,为多值形态学框架理论的研究提供了基础.     

基于Kalman滤波的分布式全相参雷达相参参数估计方法

针对运动目标,提出了基于Kalman滤波的相参参数(时间差和相位差)估计方法,建立了雷达本地坐标系及目标本体坐标系,给出了目标的运动模型及相参参数的数学模型;提出了利用正交信号对相参参数进行估计的方法,通过对待估参数进行推导分析,建立了状态方程和量测方程,提出了利用Kalman滤波算法对相参参数测量值进行滤波以提高参数的估计精度;仿真分析验证了基于Kalman滤波的相参参数估计方法的有效性.      

一种基于自适应粒子滤波的多层感知器学习算法

针对神经网络状态空间模型中系统噪声统计特性未知导致滤波发散或者滤波精度不高的问题,提出一种自适应的粒子滤波神经网络训练算法.该算法用粒子滤波估计网络的权时,利用序贯更新先验信息的序贯可信度最大化方法在线估计未知系统噪声方差.仿真结果表明:该自适应粒子滤波算法明显优于其他传统的神经网络训练算法,如扩展卡尔曼滤波、噪声可调的扩展卡曼滤波、普通粒子滤波等.     

一种新的重叠混沌信号盲分离算法

提出一种基于粒子滤波（particle filtering,PF）的重叠混沌信号盲分离算法,该算法依据混沌动力学系统的状态空间模型,把重叠混沌信号盲分离问题转化为混沌信号和系统参数的联合估计问题,利用PF方法估计各信号以及系统参数的联合后验分布,再由联合后验分布实现各信号以及系统参数的估计.在PF算法中利用核平滑的方法实现了非时变参数的迭代估计,并通过自适应迭代算法对加性高斯噪声进行了估计.仿真实验的结果表明,该算法能有效地解决重叠混沌信号的盲分离问题.     

应用粒子群优化的高斯粒子滤波

针对高斯粒子滤波(GPF)在多峰高斯假设条件下不能满足贝叶斯估计精度的问题,提出一种基于粒子群优化的高斯粒子滤波算法(PSO-GPF).该算法用粒子群优化算法更新高斯建议分布的参数,解决粒子退化和多峰高斯下的粒子精度问题.同时,带压缩因子的粒子群优化算法能有效平衡粒子的全局探测与局部开采.实验结果表明,新算法的滤波精度比高斯粒子滤波精度平均可提高93.9%,具有更高的稳定性.     

基于自适应遗传算法的粒子滤波器

针对重采样导致的权值退化问题,应用遗传算法的进化思想来优化重采样算法,将粒子权值作为适应度值,合理设定阈值,利用最佳个体保存法保存高适应度粒子,利用自适应交叉、变异操作对低适应度粒子进行进化,将高适应度粒子与进化粒子组合成新的粒子集进行状态估计.仿真实验表明,该算法具有良好的实时性和估计精度,其状态估计精度比标准粒子滤波提高近24倍,比无迹卡尔曼粒子滤波提高近4倍,耗时约为无迹卡尔曼粒子滤波的1/10.     

基于M估计的自适应滤波器

Ｍ估计器是一种广泛应用于信号滤波的稳健性估计器。在Ｈｕｂｂｅｒ引入的Ｅｕｌｅｒ距离函数中,参数ｋ的确定十分重要,直接影响滤波性能。通过对信号局部统计特性的分析,提出了一种自适应选择参数ｋ的变参数Ｍ滤波器,为Ｍ估计提供了一般参数选择方法。文中的理论分析和测试结果表明,该算法对复杂噪声有较好的滤波效果。     

人工蜂群粒子滤波信道估计算法研究

人工蜂群算法是用以解决复杂优化问题的新方法,具有收敛速度快、优化性能高等特点.将人工蜂群算法与粒子滤波相结合应用于信道估计可以摆脱常规方法对线性高斯条件的束缚,具有理论依据和现实意义.结合2种算法的优势提出了人工蜂群粒子滤波,采用人工蜂群算法确定粒子滤波的建议分布.仿真将Alpha稳定分布作为非高斯噪声模型,实现了粒子滤波及其改进算法的信道估计研究.结果表明人工蜂群算法与其他智能算法相比具有更快的收敛速度,改进人工蜂群粒子滤波与无迹粒子滤波相比极大地提高了信道估计精度.     

基于差分算法优化的自复位粒子滤波算法

粒子滤波器作为常用的非高斯非线性的滤波方法，已成功地应用于各种工程领域。然而传统的重采样方法导致了粒子贫化的问题，严重降低了滤波估计的精度与鲁棒性。文中提出一种结合跟踪失败检测与改进差分优化融合的自复位粒子滤波方法。首先通过跟踪失败识别方法对滤波估计值进行初步检验，在正常跟踪时不启用优化策略，算法性能与标准粒子滤波无异；在跟踪失败时，通过差分算法对粒子集进行复位，复位过程中设置了粒子置信区间的上下界以防粒子过度集中，并结合检验指示值规避对粒子的多次优化，以缩短算法的估计时间。仿真结果表明，文中算法通过动态调节方式继承了标准粒子滤波和差分进化粒子滤波的优点，有效提高了滤波估计的鲁棒性与估计精度，可在滤波成功时避免启用优化策略以降低算法的整体时间复杂度，并在滤波失败时启用差分优化策略进行自我复位以提高算法估计精度；且在相同定位精度下，其所需粒子数较标准粒子滤波更少，整体时耗较差分进化粒子滤波更低，在建模不确定时也可表现出良好的效果。