采用随机矩阵的多扩展目标滤波器

针对杂波环境下多扩展目标的运动状态和形状信息的联合估计跟踪的问题,提出了一种基于随机矩阵的扩展目标跟踪算法。该算法采用具有噪声基于密度的空间聚类(DBSCAN)划分与预测划分相结合的联合划分算法对量测集进行划分,然后采用联合概率数据关联(JPDA)的软关联思想建立量测簇与扩展目标之间的对应关系,最后采用随机矩阵法对扩展目标进行估计获得运动状态和形状信息,特点是:将量测集划分为互不相交的几个簇,以使每个簇中的量测源于同一目标或杂波;建立量测簇与扩展目标之间的关联关系及状态更新。联合划分算法与DBSCAN划分的比较仿真实验表明,在有距离相近目标时采用联合划分算法比采用DBSCAN划分的滤波器的跟踪效果好得多。所提多扩展目标滤波器与ET-GMPDH滤波器的仿真实验表明,所提算法有较高的跟踪精度、较大的检测概率及较小的虚警概率。     

一种基于衰减-时延聚类估计的欠定语音盲分离算法

针对衰减-时延混合模型,提出一种改进的欠定语音盲分离算法.第一步根据独立语音源在时频域上的稀疏性,用势函数法分别聚类估计衰减矩阵和时延矩阵,然后配对以确定各声源混合矩阵.第二步由估计的混合矩阵,采用改进最短路径法恢复出目标语音.为了减少计算量,设置门限对能量较小的时频点直接置零处理,在衰减矩阵和时延矩阵聚类估计时采用了分段聚类算法.仿真实验表明本文算法分离出的语音和源语音相似系数达0.96,0.97,0.93,信噪比达12.66dB,12.86dB,8.87dB,且有效减少了计算量,证明了该算法的可行性和有效性.     

K近邻隶属度的P-PHD滤波多目标状态提取

在P-PHD滤波多目标状态提取中,传统的K-Means聚类方法存在需要提取峰值、聚类时间长、类簇边缘易被侵蚀等问题。针对此问题,在对一般聚类算法的研究的基础上,进一步提出了一种基于K近邻隶属度P-PHD滤波多目标状态提取算法。该算法首先通过量测与粒子的关联性,根据距离来进行量测筛选剔除虚警量测信息,估计真实目标量测类别,然后利用K近邻隶属度将粒子分配给各个估计的真实量测类别,重新分配粒子集,在新粒子集直接提取目标状态信息,从而避免粒子峰值提取过程,降低了算法的时间复杂度。仿真实验表明,所提算法与传统P-PHD滤波以及其它改进聚类算法的P-PHD滤波相比,具有状态提取精度高以及运算时间短的优点。     

一种改进的FCM聚类算法的混合矩阵估计

在增强信号稀疏性的基础上,对模糊C均值(fuzzy C-means, FCM)聚类算法进行改进,达到提高混合矩阵估计精度的目的,更好地解决欠定盲源分离问题。主要针对稀疏成分分析理论"两步法"中的混合矩阵估计算法改进,提出一种基于隶属度划分优化的FCM聚类算法。通过改变目标函数中的隶属度划分方式,来影响数据的归类,从而决定了混合矩阵中元素的估计精度。最后,将改进的算法用于语音信号仿真实验,完成混合矩阵估计。实验结果表明,用改进的算法所获得的矩阵估计误差小且精度高,可使归一化均方误差减小1.3 dB,角度偏差最多可减小1°。     

未知数量稀疏源的盲分离方法

提出了一种新的用于未知数量稀疏源的盲分离的统一方法.为了改善聚类分离的精度,首先选取混合空间中半径给定、中心位于原点的超球面以外的数据点,并将这些数据点映射到中心位于原点的单位超球面上.由此,原来的超平面线性聚类变为致密聚类,各聚类互相重叠的现象消失.然后,通过对这些映射到单位超球面上的数据点进行聚类分离来估计混合矩阵,再利用混合矩阵估计源,其中最佳不相似阈值和相应的聚类数量是自动生成的.仿真实验验证了该方法对实际音频信号包括语音信号的有效性.仿真结果表明该方法精确、简便,稳定性好,且计算量较小.     

利用高斯混合概率假设密度滤波器对扩展目标量测集进行划分

针对杂波环境下多扩展目标高斯混合概率假设密度(ET-GMPHD)量测集划分难、计算量大的问题,提出了一种新的基于网格密度分布和谱聚类的扩展目标量测集划分方法。利用动态网格生成技术来获得量测集的网格密度分布;在获得网格划分后,将全部量测数据映射到网格单元中并统计网格单元的密度,且采用双密度阀值法来滤除量测集中的杂波;在谱聚类算法中利用密度敏感距离测度对去除杂波后的量测集构造相似矩阵,继而变换得到拉普拉斯矩阵;利用k-均值聚类算法对拉普拉斯矩阵的特征向量进行聚类划分。采用网格密度划分法滤除量测集中的杂波,使划分子集尽可能多地包含真实量测,增加划分子集与量测集合的近似度,从而在减少计算量的同时保证算法的跟踪性能损失不大。仿真实验表明,与典型的量测集划分算法相比,所提方法在跟踪误差损失约5%的前提下,计算效率提高了38%以上,具有更好的性能。     

基于信号时频域聚集性的欠定盲分离混合矩阵估计方法

为解决欠定盲分离中混合矩阵估计问题,通过研究观测信号在时频域的线性聚集特性,提出一种基于时频域线性聚集程度差异的混合矩阵估计方法,并着重研究在信号线性聚集程度较弱情况下对混合矩阵的估计.首先,利用观测信号或其时频域中相应变换系数的比值分布衡量信号线性聚集程度;其次,采用优化初始中心的K-均值聚类算法估计混合矩阵.该算法降低了对信号稀疏性的要求,并且可以较高精度地估计出混合矩阵.仿真实验结果表明该方法具有可行性和有效性.      

动态灰色聚类自适应的H∞滤波算法

为解决H∞滤波器结构参数随时间增长而发散的问题,提出了一种动态灰色聚类自适应的H∞滤波新算法.实时估计出系统噪声方差矩阵和量测噪声方差矩阵,对状态变量进行灰色聚类,并对滤波矩阵和增益矩阵进行实时自适应调整,计算出状态向量的递推估计值.仿真结果表明:H∞滤波新算法与传统H∞滤波算法和基本Kalman滤波算法相比,滤波精度相当,输出曲线光滑,滤波器的结构参数在10 s内稳定且收敛.改进后的新算法避免了计算值的发散,鲁棒性强.     

基于奇异值分解和均值聚类的单通道盲源分离算法研究

提出了一种基于奇异值分解(Singular Value Decomposition,SVD)的均值聚类单通道盲源分离算法.首先将单通道信号利用SVD分解,依据中值准则进行滤波去除噪声分量,然后在去除噪声分量对应的特征值基础上,根据剩余SVD特征值重构对应分量信号作为盲源分离观测信号.将重构分量信号进行短时傅立叶变换(Short Time Fourier Transform,STFT)进行稀疏化处理,利用散点图判别源信号数目,最后采用均值聚类方法估计混合矩阵,以估计混合矩阵求逆作为分离矩阵实现单通道信号的盲源分离.利用计算机仿真结果证明了算法的有效性.     

多扩展目标的高斯混合概率假设密度滤波器

针对多扩展目标跟踪中状态信息难以估计的问题,提出了一种可以估计扩展目标运动状态和形状信息的多扩展目标高斯混合概率假设密度(RHM-GMPHD)滤波器。首先利用描述凸星形扩展目标量测源分布的随机超曲面模型和传感器量测方程,建立扩展目标运动状态及形状信息与量测之间关系的伪量测函数;然后结合扩展目标状态预报信息,推导了扩展目标状态更新方程,递推地对扩展目标运动状态及形状信息进行估计跟踪。此外,还建立了Jaccard距离来度量RHMGMPHD滤波器对目标形状的估计性能。与联合概率数据关联(JPDA)滤波器和GMPHD滤波器相比,RHM-GMPHD滤波器不仅可以估计凸星形扩展目标的形状信息,并能有效提高对目标数和运动状态的估计精度。仿真实验表明,RHM-GMPHD滤波器对质心估计的均方根误差分别约为JPDA和GMPHD滤波器的1/3和1/2,对目标数的估计接近真实值,对形状估计的Jaccard距离一般小于0.2。     

基于免疫模糊聚类算法的电网抗差状态估计

提出了一种基于免疫进化模糊聚类算法的电网抗差状态估计方法.该方法首先计算出量测数据的标准残差rN和相邻采样时刻量测值之差Δz,初步将量测数据划分为可疑数据和可靠数据.分别在0.5～1和0～1之间随机生成可靠数据和可疑数据的隶属度,形成初始分类矩阵,克服了整个分类矩阵在0～1之间随机生成的缺陷,并大大加快了算法的收敛速度.之后以γN和△z为特征值,应用免疫进化算法对分类矩阵进行模糊聚类,以获得各个量测量的良数据隶属度.依据各个量测量的良数据隶属度,进一步将量测数据划分入淘汰区、降权区、保权区进行状态估计.该方法能获得较高的抗差能力和状态估计精度,且数值稳定性较好.对IEEE14节点系统的算例仿真表明了该方法的有效性.     

一种具有自动聚类检测功能的欠定型盲信号混叠矩阵估计算法

针对源信号个数未知情况下的欠定稀疏分量分析模型,提出一种具有自动聚类检测功能的混叠矩阵估计算法。提出实现源信号个数的判定的观测信号自动检测聚类方法,同时利用主成分分析对超直线进行估计,从而实现混叠矩阵的精确估计。仿真实验结果表明,该算法适用范围广,是一种快速精确且稳健的混叠矩阵估计算法。     

复杂背景下结合颜色和分形特征的多目标检测

针对复杂自然背景下的多目标检测,提出了结合颜色和分形特征的多目标检测算法.将RGB颜色空间转换到Lab颜色空间,采用改进K-means聚类算法,去除大片背景区域,计算区域分形维数和分形拟合误差.两种分形特征相结合能够准确排除小面积背景奇异区域的干扰,检测出待测图像中的多个目标.仿真结果表明:该算法能够正确检测出复杂自然背景下的多个目标,对彩色图像分割后的保留区域求分形特征,避免了搜索目标带来的计算量.相比于对全图提取分形特征的方法,本算法在时间上缩短约80%.     

基于粒子群优化的后向非线性独立分量分析算法

在分析后向非线性混合独立分量分析算法的基础上,提出了一种基于粒子群优化的独立分量分析算法.该算法以互信息量最小化为目标函数,用高阶奇数多项式拟合非线性分离函数,针对现有粒子群算法的不足,引入带有扰动项改进速度更新公式,通过对粒子群位置矢量和速度矢量的更新,得到全局最优值,从而得到分离矩阵和分离多项式参数.仿真结果表明所提算法是一种非常有效的盲源分离算法.     

一种改进的基于FCM的目标跟踪数据关联算法

为了克服杂波环境下对多目标进行数据互联时,计算量出现组合爆炸现象,提出了改进的基于FCM的多目标跟踪数据关联算法.将航迹的预测值转换到各个传感器的观测空间作为各自的聚类中心,利用目标属于所有量测的隶属度,来代替JPDAF中的关联概率,将多目标数据关联问题可转化为模糊聚类问题,进行关联计算.改进的基于FCM的多目标跟踪数据关联算法,有效地利用了目标状态估计中的历史信息,实现量测与航迹的关联.该算法克服了JPDAF算法计算量大的缺点,实现杂波环境下多目标数据互联.仿真结果表明了该算法的有效性.     

基于粒子群算法的欠定盲源分离方法改进研究

欠定盲源分离技术是一个热门的研究领域,其广泛应用于信息理论、神经网络、统计信号处理、生物医学工程等领域。在大多数实际情况下,当接收到由多路源信号叠加而成的观测信号时,源信号的数量大于观测时长,采用通常的盲源分离技术难以恢复源信号。着重讨论基于"两步法"的欠定盲源分离问题;该分离技术分两个阶段,第一阶段采用基于粒子群算法的K-均值聚类改进算法求解混合矩阵,将蚁群算法信息素的概念应用其中;第二阶段采用最短路径法求解L1-范数模型获得源信号的估计。相比于现存的二阶段方法,该方法可达到更高的信号重构信噪比。     

基于粒子群算法的欠定盲源分离方法改进

欠定盲源分离技术是一个热门的研究领域,其广泛应用于信息理论、神经网络、统计信号处理、生物医学工程等领域。在大多数实际情况下,当接收到由多路源信号叠加而成的观测信号时,源信号的数量大于观测时长,采用通常的盲源分离技术难以恢复源信号。着重讨论基于"两步法"的欠定盲源分离问题;该分离技术分两个阶段,第一阶段采用基于粒子群算法的K-均值聚类改进算法求解混合矩阵,将蚁群算法信息素的概念应用其中;第二阶段采用最短路径法求解L1-范数模型获得源信号的估计。相比于现存的二阶段方法,该方法可达到更高的信号重构信噪比。     

基于密度结构分析的改进FCM混合矩阵估计

欠定盲源分离问题中,针对传统FCM算法(fuzzy C-means,FCM)需要预先设定聚类数目和初始聚类中心,以及聚类结果易受噪点干扰的问题,提出一种基于密度结构分析的改进FCM聚类算法,并利用改进后的算法实现混合矩阵估计.这一改进算法首先用OPTICS(ordering points to identify the...     

基于盲信号分离的波达方向估计

为了将盲信号分离应用于波达方向估计,在基于四阶累积量的定点迭代快速独立分量分析(Independent Component Analysis,ICA)算法进行盲信号分离的基础上,利用分离矩阵得出混合矩阵的估计,并对混合矩阵的列向量在真实阵列流型上进行投影,通过角度扫描估计出信号的方位角.仿真结果表明,该算法在信噪比较高的条件下,具有跟MUSIC(Multiple Signal Classification Method)算法相似的分辨性能,但是在信噪比较低的情况下表现出较高的分辨率.     

一种改进的模糊层次聚类算法

为解决模糊层次聚类算法无法收敛的问题,提出一种改进的模糊层次聚类算法.算法在分群前先进行数据处理,将特征向量相同的群合并成一个新的群,再使用模糊层次聚类算法分群,最后使用K-means算法将类簇收敛为想要的数量.实验结果表明,本算法具有较好的稳定性和分群效果,聚类质量高.