一种模糊自适应交互多模型算法

提出了一种模糊自适应交互多模型（FAIMM）算法。该算法通过模糊推理机制，在线调节模型集合中部分模型的参数，使这些模型对不同的目标机动模式有更强的自适应能力，从而使该算法可以采用较少的模型达到很好的跟踪滤波效果，而且避免了传统交互多模型算法的模型冲突问题，大大减少了计算量。最后将该算法与传统的交互多模型算法进行了仿真对比，仿真结果表明，FAIMM算法比传统的交互多模型算法有更好的跟踪性能。     

尺度自适应的多模型压缩跟踪算法

为了对复杂环境中的目标进行长时间的精确跟踪,在压缩跟踪算法的基础上提出一种尺度自适应的多模型压缩跟踪算法。该算法首先利用离线学习获得目标的尺度约束集,建立目标的多尺度模型,实现尺度的自适应选择;其次,利用随机投影矩阵对多尺度图像特征进行降维,减少算法计算量;最后,利用多模型分类器在线学习训练朴素贝叶斯分类器实现目标跟踪。实验结果表明,本文算法在跟踪尺度变化的目标和外观变化的目标时,跟踪性能有了较大改善,虽然处理时间有一定程度的增加但仍满足实时性的要求。     

基于自适应视野聚类匹配的多目标分离与提取

针对雷达多目标回波微多普勒信息复杂交叠、难以分离与提取的问题,提出了一种基于自适应视野聚类和Viterbi算法相结合的多目标信号分离与提取方法。该方法在时频分析的基础上,利用各旋转目标散射点不同的微多普勒变化特性,进行自适应视野处理,获取各时刻视点在不同视野范围内的食物浓度序列,通过聚类分析获得0-1编码序列,并结合Viterbi算法进行配准处理,得到最优匹配路径,从而实现多目标信号分离与提取。仿真结果表明,该方法能够有效地克服交叉区域干扰及背景噪声的影响,适用于复杂散射模型,较好地实现了微动多目标信号分离及提取。     

组合导航自适应交互多模型算法研究

针对交互多模型(IMM)方法模型集覆盖能力与计算量相矛盾的问题,提出了将简化的Sage-Husa自适应滤波与IMM相结合,构成一种自适应交互多模型的方法.简化的Sage-Husa自适应滤波首先给出噪声统计特性的粗略值,IMM方法以该粗略值为中心,对称地得到模型集,再进行IMM估计.车栽组合导航仿真表明,该算法能够以较少的模型实现对实际模态的覆盖,而且精度比IMM方法也进一步提高.     

基于"当前"统计模型的交互式多模型算法

提出了一种基于"当前"统计模型的交互式多模型算法。在交互式多模型算法框架内,计算"当前"统计模型的概率,自适应地调整"当前"统计模型中目标加速度,使其能够反映目标的机动特性,充分发挥了"当前"统计模型和交互式多模型算法的优点,扩大了"当前"统计模型的应用范围,提高了"当前"统计模型的自适应性。Monte Carlo仿真结果表明了该算法的有效性。     

一种简化的交互多模式算法

通过对交互多模式(IMM)算法在机动目标跟踪中的分析,发现该算法在实现过程中滤波模式的确定和模式间转移概率的确定,要求具有一定的经验知识,对不能获得准确先验知识的研究带来了一定的困难。针对这种情况,研究了一种简化的IMM算法跟踪模型,该模型通过检测目标是否发生机动,自适应调整Kalman滤波(KF)的部分参数,从而实现不受IMM算法中有限模式集合限制的机动目标跟踪。通过仿真实验,证明了该算法在机动目标跟踪性能方面与IMM算法具有相似的效果,而在计算复杂度和对先验知识的要求方面有所降低     

基于IMM的UK-GMPHDF算法在多机动目标跟踪中的应用

为解决非线性系统滤波的非线性和多机动目标跟踪问题,提出了一种基于交互多模型(IMM)的无迹卡尔曼实现的高斯混合概率假设密度滤波(UK-GMPHDF)算法.该算法结合了IMM算法对不同目标机动模型的自适应能力和UK-GMPHD滤波精度高、计算量小的优点.此外,滤波器利用UK-GMPHD滤波,不仅避免了难以解决的数据关联问题,而且可以联合估计目标数和目标状态.在非线性系统和杂波环境下,通过对多机动目标跟踪的应用仿真,将该算法和基于单模型的UK-GMPHDF算法进行了比较,仿真结果表明了基于IMM的UK-GMPHDF算法具有较好的跟踪性能,大大提高了多机动目标跟踪精度,减少了跟踪的多目标误差.     

基于AGIMM的临近空间机动目标跟踪滤波算法

由于临近空间高超声速目标的机动形式复杂,单一模型很难满足高精度跟踪的需要。因此需要使用基于多种模型进行交叉耦合的交互式多模型算法,这种算法特点与临近空间目标高速、高机动特性相适应。提出了一种自适应网格交互多模型跟踪算法用于临近空间高超声速机动目标的跟踪问题。所提方法能够处理自适应时变模型集合,随时调整当前时刻使用的模型数量,相比于固定结构交互式多模型算法极大减少了计算量,计算效率和跟踪精度更高,数值仿真结果验证了所提算法的有效性。     

一种复合型自适应Turbo均衡算法

针对短波信道以及短波瞬间通信以帧为单位进行传输的特点,提出了一种新的复合型自适应Turbo均衡算法(CATEA)。该算法结合最小均方(LMS)算法和递归最小平方(RLS)均衡算法的优点,分别在训练和直接判决阶段调整均衡器参数,因而克服了LMS算法收敛慢以及RLS算法计算量大的缺点。通过将该均衡算法与Viterbi译码算法进行迭代均衡和译码,极大地提高了均衡器性能,同时保持了较低的复杂性。仿真和实验测试证明了该算法的有效性。     

多传感器多目标跟踪中的数据关联

利用多传感器跟踪多目标技术中最重要的问题是目标关联问题。它包括两个方面：同一传感器２次扫描或多次扫描间各目标的关联以及多传感器各自的跟踪航迹之间的关联。在密集目标、高密度杂波和干扰条件下，解决此问题有建立数学模型和计算量方面的困难。常见的算法有ＪＰＤＡ和ＭＨＴ，其模型较准确但复杂，计算量大，实际运用中效果并不理想。本文改进文献［２］中的关联方法，提出一种简单且效果较好的方法，利用线性规划算法实现了一定条件下多目标的关联及跟踪，并进行了仿真和误差分析。     

一种新的信噪比自适应Viterbi译码算法

Viterbi译码算法的复杂度会随着状态数的增加而增加,因此一般适用于约束长度较小的卷积码的译码。提出了一种新的信噪比自适应Viterbi译码改进算法,在每个接收时刻通过门限值选择幸存状态,从而进一步减小译码网格中的路径搜索范围,提高译码速度。仿真表明,本算法并不会降低译码性能,而在高信噪比、大状态数的应用条件下,与传统译码速度相比,可提高译码速度最高至15倍。     

基于HMM的电子设备状态监测与健康评估

为了克服隐马尔科夫模型（hidden Markov model, HMM）在训练时波氏（Baum-Welch, B-W）算法易陷入局部最优解的不足,采用多智能体遗传算法（multi-agent genetic algorithm,MAGA）对其进行参数估计,设计了染色体编码方法和遗传操作方式。利用Viterbi算法的状态估计和状态回溯能力对温控放大器进行状态监测和健康评估研究,仅需建立一个HMM,大幅度减少了HMM作为分类器使用时的模型训练计算量。仿真结果表明,MAGA优化的HMM具有更好的状态监测性能,采用Viterbi算法得到的状态概率值对设备进行健康评估有效可行。     

基于遗传预估策略的智能主动队列管理

针对TCP传输过程中的典型时滞特性,提出了一种智能主动队列管理算法.该算法以自学习预估机制模型为核心来克服大时滞特征对网络稳定性能的影响,拥塞控制系统以两条信息通道分别实现模型补偿和预测控制功能.模型补偿通道采用了Smith预估嚣实现对网络时滞特征的动态补偿,并进一步设计迭代进化算法实现对Smith预估模型未建模特征的估计过程.预测控制通道采用基于神经网络的PID智能丢弃算法,通过神经网络的学习预测功能自适应调整预测控制通道的控制行为.通过仿真研究表明了提出的控制方法显著提高了拥塞控制机制的稳定性能和自适应性能.     

基于模糊推理的自适应BP算法

ＢＰ网络是迄今为止应用最广泛的一种神经网络，但这种算法也存在着收敛速度慢、容易陷入局部极小点等问题．本文在标准ＢＰ算法的基础上提出一种改进ＢＰ算法，称之为自适应ＢＰ算法．这种自适应ＢＰ算法采用模糊规则动态调整学习参数，并且能在学习过程中和学习完成后通过隐节点调整算法优化网络结构，有比标准ＢＰ算法更好的收敛性和更好的泛化能力     

Krylov subspace method based on data preprocessing technology

The performance of adaptive beamforming techniques is limited by the nonhomogeneous clutter scenario. An augmented Krylov subspace method is proposed, which utilizes only a single snapshot of the data for adaptive processing. The novel algorithm puts together a data preprocessor and adaptive Krylov subspace algorithm, where the data preprocessor suppresses discrete interference and the adaptive Krylov subspace algorithm suppresses homogeneous clutter. The novel method uses a single snapshot of the data received by the array antenna to generate a cancellation matrix that does not contain the signal of interest （SOI） component, thus, it mitigates the problem of highly nonstationary clutter environment and it helps to operate in real-time. The benefit of not requiring the training data comes at the cost of a reduced degree of freedom （DOF） of the system. Simulation illustrates the effectiveness in clutter suppression and adaptive beamforming. The numeric results show good agreement with the proposed theorem.     

基于自适应阵列理论的波瓣置零综合

本文给出了一种基于Gram-Schmidt正交化方法的自适应波瓣置零综合的新算法,此算法采用的是单元零点向量法,它不仅保持了已有算法在波瓣置零综合中的全部优点,而且在对付宽频带干扰及设置较宽的零点凹口时,阵列副瓣电平上升不大。与通常的算法相比,在设置相同的零点凹口情况下,副瓣电平下降了3～5dB。作为应用举例,本文同时给出了新算法与现已报导的RAMONA波瓣置零综合算法的计算机仿真的数值比较结果。     

一种基于信噪比估计的自适应伪码捕获算法

军事扩谱通信一般都以突发信号帧的形式进行通信,通信时间短、可靠性要求高、信号动态范围大。固定门限捕获方法不能提供满意的性能,门限选得太高会使高信噪比时虚警概率过高,而门限过低会使得低信噪比时漏检概率高,检测概率低,因此需要利用自适应捕获方法。提出一种适合突发短帧模式的自适应伪码捕获方法,该方法可适用于A/D转换前加自动增益控制(AGC)的情况。提出的自适应捕获方法基于接收信号信噪比的估计,推导出根据采样点统计值的比值得到信噪比估计的实用算法,并对该算法进行多项式拟合以适合工程实现,并对算法进行了仿真分析。     

基于K-L信息因子的变结构多模型算法模型集自适应研究

针对传统多模型机动目标跟踪算法对模型数量的增长会产生组合爆炸和模型竞争现象,降低跟踪系统的性能,提出了一种模型集自适应的变结构多模型算法。采用基于Kullback-Liber（K-L）信息因子分析多模型算法中模型集各模型之间的匹配程度,并在此基础上实现对模型集的自适应调节,同时推导了各时刻模型概率与模型之间的模型转换概率矩阵,从而为变结构多模型算法的实现提供了基础。仿真实验验证了所提算法的可行性和有效性。