一种归一化的单应矩阵直接线性估计方法

基于少量信息的几何变换（单应）估计是特征目标检测、注册、识别、三维重建等方面的关键步骤。在研究中发现,基于点与直线的直接的单应矩阵估计方法会导致出现较大误差的情况。针对这一情况介绍了一种基于点与直线对应的单应矩阵估计方法,在此基础之上根据观测数据分布情况,提出了怎样进行归一化处理,来提高算法的鲁棒性。     

基于2D单应矩阵约束的图像匹配方法

针对目前普通图像匹配不精确的问题,用2D射影变换的单应矩阵约束估计算法和尺度不变特征变换(SIFT)算法结合,提出了一种适应性强,图像匹配精度高的图像匹配算法.首先对图像进行SIFT特征提取,在不同的尺度空间下提取特征角点,建立对应数据库.再对特征数据库进行初始化单应矩阵估计,剔除野值点后再用L-M(Levenberg-Marquardt)算法约束对单应矩阵继续估计,直到求出最优化的单应矩阵,最终根据优化单应矩阵生成内点数据库.     

基于L-M算法的射影重建技术研究

在研究已有射影重建算法的基础上，利用L-M算法对基于基础矩阵的射影重建算法得到的线性结果进行优化，提高了算法的估计精度和稳定性，并在求得所有图象对应的投影矩阵后利用Bundle adjustment方法对空间结构及投影矩阵进行全局优化，取得了良好的效果。     

基于高斯分布估计的对位差分进化算法

针对差分进化算法探索能力不足、收敛慢等问题,提出一种基于高斯分布估计的对位差分进化算法.该算法在生成对位种群的同时还生成一个基于高斯分布估计的新种群,意在更充分地搜索解空间.在不满足跳转条件的情况下,算法给出一种基于高斯分布估计的种群跳转,增加了种群多样性.在选择操作时,将所有父代和子代个体混合起来择优选择,减少了部分优秀解和优秀基因的流失.最后在CEC2014标准函数中进行测试,与其他算法进行比较,验证了所提出的算法具有更好的搜索能力和收敛性.     

矩阵恢复的协方差矩阵估计算法

研究受高斯噪声干扰的低秩矩阵恢复。根据高斯噪声的统计性质,引入了协方差矩阵估计模型,构造出针对高斯噪声模型的低秩矩阵恢复算法。该算法基于最小化协方差矩阵核范数求解低秩矩阵,利用奇异值分解理论推导出模型的最优解。该模型结合高斯混合模型能够达到非常好的估计效果。仿真实验表明,该模型具有更快的收敛速度和更好的估计结果。     

基于L-M算法的中国高教投资供给规模预测

预测高等教育投资供给规模,对于制定高等教育发展规划,确定高等教育发展规模十分必要.高等教育投资供给是一个非线性系统,而神经网络对非线性系统处理效果较好.为了改善预测性能,将神经网络训练算法进行改进.论文分析研究了L-M算法原理,将其用于高教投资供给规模的预测中,并对整个预测过程进行优化.实验结果表明,基于优化L-M算法的高等教育投资供给规模预测模型收敛速度快,泛化能力更优.     

基于压缩感知的智能天线 DOA 估计算法

波达方向（direction of arrival,DOA）估计是利用具有一定空间结构的天线阵元对空间信源的来波方向进行估计。为解决MUSIC算法和ESPRIT算法在智能天线DOA估计中空间谱分辨率和抗噪声性能方面的不足,依据压缩感知理论的贪婪算法思想,将匹配追踪（matching pursuit,MP）算法和子空间追踪（subspace pursuit,SP）算法应用在DOA估计中,即提出2种新的算法MP-DOA和SP-DOA。这2种算法主要包括原子库建立、信号投影、最佳匹配原子筛选及信号特征提取等过程。4种算法的仿真实验与对比分析结果表明,MP-DOA算法在低信噪比情况下较其他3种算法性能更优越,SP-DOA算法在角度分辨率和对信源数的包容方面的性能较其他3种算法优越,也验证了应用压缩感知理论的优越性。     

基于L-M算法的移动载荷识别数值分析与研究

近几年,国内运输行业呈现出了极为迅猛的发展趋势,作为连接各地区的主体,桥梁在促进经济发展等方面起到重大作用,如何在保证桥梁性能的前提下,对其寿命进行延长已成为社会各界热议的话题。文章以移动载荷识别为切入点,首先对识别所用L-M算法进行了介绍,其次以斜拉桥、简支梁为例,围绕载荷识别、结构分析相关内容展开了讨论,最后以研究所得出结论为依据,针对不确定参数建立了相应的分析模型,创造性地引入了模糊隶属度等指标,希望能够为日后计算响应区间等工作的开展提供帮助。     

利用粒子群算法计算AHP判断矩阵排序权重

根据判断矩阵的基本性质,可以将判断矩阵的排序权重计算归结为一个最小化一致性指标的最小优化问题。针对这个最优化问题,提出一种利用改进的粒子群算法计算排序权重的算法。首先对判断矩阵排序权重计算及一致性检验、改进的粒子群算法进行了介绍,然后对排序权重计算进行了描述,最后给出仿真实验数据及其分析。实验结果验证了此算法的有效性,并显示该算法具有很高的精度和稳定性。     

一个基于统计方法的OD矩阵求解算法

在传统的OD矩阵估计模型的基础上,并在路段分配概率是随机变量这一假设的前提下,给出了一个统一的OD矩阵模型基本形式,针对该OD矩阵估计模型给出了一个基本求解算法--混合遗传算法.该算法是在传统的数学规划方法和遗传算法的基础之上给出的.同时通过算例的求解,分析了算法的优缺点.     

基于归一化轮胎模型的路面附着系数观测

针对已有的最大路面附着系数观测算法存在收敛速度不够快以及观测精度不够高的问题,提出一种新型的基于归一化轮胎模型理论的路面附着系数观测算法。该算法通过引进归一化轮胎模型,提出基于滑移斜率(slip-slope)的参考路面附着曲线识别算法,并据此开发了一种基于线性插值的最大路面附着系数观测方法,同时引入了回归最小二次算法(RLS)方法对观测结果实时进行数据后处理。仿真分析表明,该算法能准确识别路面附着系数,可使观测精度提高约30%,同时能有效提高识别的收敛速度。     

基于EKF算法的磷酸铁锂电池在线SOC估算

文章针对大倍率放电条件下,磷酸铁锂电池极化效应加剧变快的现象,考虑了电流对极化参数值影响的电池模型,基于改进后的电池模型,搭建了由dSPACE、可编程电源及电子负载组成的可控电池实验台架,并应用卡尔曼滤波理论对磷酸铁锂电池进行在线SOC状态估算;实验结果表明,改进后的电池模型提高了SOC估算的精度。     

基于FFT变换的快速信道估计算法

联合检测作为TD-SCDMA的关键技术之一,它的实现依赖于对无线信道响应的快速而准确的估计。传统方法的信道估计都需要进行计算量很大的矩阵求逆运算,不能满足实时快速的要求。提出了2种使用FFT（fast Fourier transform）变换的快速信道估计算法,简化了计算量,仿真结果表明,联合检测性能并未受到不利影响。     

基于改进粒子滤波算法的车速估计

针对基于粒子滤波算法设计的车速估计器因提议分布与实际分布不一致导致粒子退化使估计误差变大的问题,提出了一种通过修正提议分布减弱粒子退化影响的改进粒子滤波车速估计器。首先,基于车辆运动学模型和传感器特性建立系统的状态转移方程和观测方程。然后,利用传感器测量值与粒子状态值的差值设计提议分布修正项对状态转移方程进行修正,并对过程噪声做自适应处理。最后,利用CarSim-Simulink联合仿真平台在双移线工况和正弦转角输入工况下进行仿真验证。与自适应粒子滤波器相比,双移线工况下改进粒子滤波估计器产生的纵向速度估计值和侧向速度估计值的平均绝对误差分别减小了40.25%和55.71%;正弦转角输入工况下,改进粒子滤波估计器产生的纵向速度估计值和侧向速度估计值的平均绝对误差分别减小了47.00%和41.21%。     

改进分布估计算法解决多约束集装箱装载问题

集装箱装载是一个空间优化分解的布局问题,其约束条件多,属于典型的NP完全问题,求解难度大。在考虑实际应用中的约束条件下,使用三空间分割的布局方法,并结合分布估计算法(EDA)求解多约束装箱问题。同时对所使用的单变量边缘分布算法(UMDA)进行改进,采用了精英种群的策略并且加入遗传算法中的变异操作,这样能够使算法跳出局部最优解,加快算法收敛速度。实验结果表明该算法在求解速度和成功率方面都有明显的改善。     

基于Teager-Kaiser算子的改进波束域MUSIC时延估计算法

为了降低波束域多重信号分类(multiple signal classification,MUSIC)算法估计接收信号到达时问(time of arrival,TOA)的计算复杂度,提高算法的抗噪性能,提出一种基于TK算子(Teager-Kaiser operator)的改进算法.利用TK算子对数据瞬时变化敏感的特性,...     

基于信道容量估计的一种认知无线电路由算法

针对传统的路由协议不适合在认知无线电网络中使用的问题,提出一种基于信道容量估计的路由算法—CRNRA( cognitive radio networks routing algorithm),该算法综合考虑了主用户可容忍的干扰以及主用户对感知无线( cognitive radio,CR)用户的干扰,对节点间的信道容量进...     

多目标云分布估计算法

为增强多目标分布估计算法(MEDA)的局部搜索能力,将云模型引入到多目标分布估计算法中,提出一种多目标云分布估计算法(CMEDA).该算法一方面利用分布估计的采样操作对进化种群进行搜索,另一方面利用云滴具有随机性、稳定倾向性等特点,进行外部档案搜索,实现群体间信息交换,从而提高多目标分布估计算法的全局搜索能力.数值实验选取6个常用测试函数,并与NSGA-Ⅱ和MEDA算法进行比较,结果表明,CMEDA算法在收敛性和多样性两方面都有较好的性能.