线性自适应滤波算法综述

分析了最小均方误差滤波和基于最小二乘准则滤波算法、变换域自适应滤波算法、仿射投影算法、共轭梯度算法、基于子带分解的自适应滤波算法、基于QR分解的自适应滤波算法优缺点,并对自适应滤波算法的发展进行了展望。     

基于双边滤波算法InSAR干涉图平滑处理的分析

双边滤波算法是数字图像处理领域中较优良的一种算法,研究该算法应用于InSAR干涉图噪声抑制,提出双边与中值滤波的联合滤波算法,采用真实数据分析滤波效果。文中先阐述了常用的滤波算法和双边滤波算法的原理,然后对含有噪声的合成孔径雷达干涉图像进行不同的滤波算法处理,并对滤波结果进行了统计分析,最后采用双边与中值滤波的联合滤波方法,对原干涉图进行处理。结果表明,先双边滤波,再中值滤波处理结果的残留点最少,且对干涉条纹边缘有较好的保护效果。     

漂移瑞利混合滤波算法改进及其在机动目标纯方位跟踪中的应用

针对纯方位机动目标跟踪问题,利用基于代价函数的高斯混合成分减少技术改进了漂移瑞利混合滤波算法,提出一种改进型漂移瑞利混合滤波算法。仿真结果表明:在强杂波背景下,改进型漂移瑞利混合滤波算法（ MSRMF）的计算量与漂移瑞利混合滤波算法相当,但计算精度更高;漂移瑞利混合滤波算法及其改进型算法的估值精度与粒子滤波算法相当,但其计算量却比粒子滤波算法减小了一个数量级。     

闪烁噪声下目标跟踪的容积粒子滤波算法

针对闪烁噪声下非线性非高斯系统的目标跟踪问题,首先建立了闪烁噪声的数学模型;然后分析了传统粒子滤波算法的优劣点,在此基础上,引入容积卡尔曼滤波算法,重新设计粒子滤波的重要性密度函数,提出用容积粒子滤波算法来跟踪目标。最后进行了仿真分析与对比。仿真结果表明,闪烁噪声条件下,容积粒子滤波算法的跟踪误差分别是传统粒子滤波算法和无迹粒子滤波算法的1/5和1/2,有更高的跟踪精度;而运行时间仅是无迹粒子滤波算法的1/2,且跟踪稳定性更好。     

粒子数自适应的粒子滤波算法

针对粒子滤波算法时间复杂度高的问题,引入一种在滤波过程中粒子数可以根据过程噪声方差大小进行调整的自适应粒子滤波算法,即KLD-Sampling粒子滤波算法.该算法在保证一定滤波精度的前提下,可以有效地减少滤波过程中使用的粒子数,从而减小滤波时间,提高滤波效率.此外,分析了该算法中距离阈值和小区域阈值的选取与参与滤波粒子数的关系及其对算法性能的影响.仿真实验对分析结果进行了验证.     

在单片机中实现自适应滤波算法的分析

通过对自适应滤波算法的分析,揭示了自适应滤波算法的本质特性,实现了自适应滤波算法在单片机中数字信号处理算法,为低功耗技术在信号处理中的应用提供了一种方法。     

一种不发散的Kalman滤波算法的研究与应用

重点讨论了Kalman滤波算法的发散问题,提出了一种实际上不发散的Kalman滤波改进算法,并利用改进算法对三相异步感应电动机进行实例仿真研究,仿真结果验证了该算法滤波的有效性。     

捷联惯导系统初始对准中IUPF的应用与设计

针对大失准角条件下捷联惯导系统误差模型的非线性引起的初始对准误差问题,引入了粒子滤波技术.首先,利用加性四元数误差建立了大失准角条件下的系统误差模型.然后,将无迹变换算法和迭代算法引入粒子滤波方法中,提出了迭代无迹粒子滤波算法.并且,为了解决迭代无迹粒子滤波算法中由于粒子数量所导致的算法精度和算法实时性的矛盾,采用采样重要性重采样的方法对迭代无迹粒子滤波算法进行修正,提出了一种既具有迭代无迹粒子滤波精度又计算量较小的新的非线性滤波算法.最后,进行了半物理仿真和数字仿真,比较了经典粒子滤波、无迹粒子滤波和修正后的迭代无迹粒子滤波等多种方案的滤波效果.仿真结果表明,在大失准角条件下,采用修正后的迭代无迹粒子滤波方法可以有效提高初始对准精度和算法的实时性.     

基于BB-BC的粒子滤波算法研究

粒子滤波是目前解决非线性、非高斯系统问题的主流方法,为克服粒子退化对粒子滤波性能的影响,提出了一种基于大爆炸-大坍塌(BB-BC)优化算法的智能化粒子滤波算法。将大爆炸-大坍塌优化算法应用于重采样,以迭代机制设计解决粒子退化问题。仿真结果表明,该算法与标准粒子滤波算法相比计算简单,滤波效果优于标准粒子滤波算法。     

基于噪声检测的彩色图像滤波算法

对于被脉冲噪声污染的彩色图像,提出了基于噪声检测的彩色图像滤波算法。运用脉冲噪声检测器,估计出图像中的噪声像素,应用后续滤波算法,只对检测出来的噪声像素进行滤波,而对非噪声像素(即信号像素)保持其值不变。并对基于相似度的自适应滤波算法加以改进,作为后续的滤波算法。实验结果表明,提出的滤波算法与传统滤波算法相比,在有效消除噪声的同时,更能够保留图像中的边缘和细节特征。     

一种基于受电弓图像的混合滤波算法

针对受电弓图像采集中的混合噪声问题,提出一种基于ABDND算法与改进均值滤波算法的混合滤波算法。将中值滤波算法与ABDND算法进行结合,对原始图像中的脉冲噪声进行抑制,针对均值滤波算法提出了一种改进方法,将该方法用于对高斯噪声的抑制,从而消除了受电弓图像中的干扰噪声,并通过均方差误差(MES)和峰值信噪比(PSRN)双重指标对滤波算法性能进行验证。结果表明:该算法能够有效滤除混合噪声,具有算法简单,优于传统滤波算法的特点。     

一种改进的自适应卡尔曼滤波算法

针对多传感器数据融合时传统卡尔曼滤波算法极易引起滤波发散,降低滤波精度和系统实时性的问题,研究一种改进的自适应滤波算法对多传感器数据进行融合,得到更为准确的信息数据。该算法在简化的Sage-Husa滤波基础上引入滤波收敛性判据,抑制滤波发散并提高滤波精度和稳定性。同时结合强跟踪滤波思想调整增益矩阵,使滤波器具有强跟踪滤波的特性,提高改进的滤波算法对不确定系统模型的鲁棒性以及对突变状态的滤波处理能力。将改进算法与传统卡尔曼滤波算法进行仿真比较。仿真结果表明,在系统模型参数失配或实变噪声未知情况下,改进的自适应滤波算法有更好的鲁棒性,并且在系统状态突变时仍有较好的滤波效果,明显提高了滤波精度和实时性。     

无线时间同步系统中滤波算法的研究

在无线时间同步系统中,针对无线信道的复杂性及其中噪声随各种环境因素变化等问题,提出在接收授时信号的过程中使用滤波算法来对授时数据进行处理的方法.比较了经典的线性滤波算法——卡尔曼滤波算法与经典的非线性滤波算法——粒子滤波算法.从数学公式出发分析了2种算法的特性且通过仿真对理论进行了验证.结果表明,在无线时间同步系统中,其特性表现为线性的时间函数通过复杂的无线信道后呈现出非线性特征,所以经线性卡尔曼滤波算法处理后的滤波结果是发散的,而非线性粒子滤波算法却展现了优秀的滤波结果,证明了方法的可行性和有效性.     

变换域自适应滤波算法的研究

滤波技术在电子信息处理领域中一直占有极其重要的地位,其中对自适应滤波算法的研究是当今自适应信号处理中最为活跃的研究课题之一.介绍了时域LMS自适应滤波算法,然后在此基础上结合近年来国内外发表的相关文献,总结了变换域自适应滤波算法的研究现状,并分析了每种算法的性能特点,最后展望了变换域自适应滤波算法的前景.     

视觉跟踪中的粒子滤波算法研究进展

详细讨论粒子滤波算法在视觉跟踪领域的研究现状,对应用粒子滤波算法解决单目标及多目标跟踪问题进行了详细的分析.在粒子滤波算法框架内,选择一个合适的建议分布构建基于粒子滤波算法的跟踪算法是文章关注的焦点.对视觉跟踪中的难点问题:遮挡、目标交互、场景光线变化等详细的分析了使用粒子滤波算法的解决方法.第三部分对当前粒子滤波算法在视觉跟踪应用中存在的问题进行了分析,最后给出了结论.     

容积粒子滤波算法及其应用

针对使用现有粒子滤波算法对非线性/非高斯离散时间系统的状态估计精度较低的问题,提出了一种新的粒子滤波算法——容积粒子滤波(CPF)算法.新算法使用容积数值积分原则直接计算非线性随机函数的均值和方差,产生粒子滤波算法的建议性密度函数,获得所需要的带权粒子,进而通过计算粒子均值,获得系统状态的最小均方误差估计.CPF算法由于产生粒子时使用了最新的测量信息,因而提高了对系统状态后验概率的逼近程度.仿真实验结果表明,CPF算法的估计误差约是标准粒子滤波算法和扩展粒子滤波算法误差的1/5和1/3,是无味粒子滤波(UPF)算法的估计误差的1/2,且运行时间只有UPF算法的1/3.     

一种带重采样控制器的IMM-AUPF算法

为了减轻粒子滤波计算复杂性,提出了一种基于交互式多模型(IMM)架构的自适应Unscented粒子滤波算法(AUPF)。IMM-AUPF算法在粒子滤波重采样步骤中设计了一个重采样控制器,根据滤波性能在线调节重采样粒子的数量。并将自适应粒子滤波算法应用于交互式多模型估计方法中,有效地解决了地面机动目标跟踪问题。实验结果表明:基于粒子滤波的多模型滤波器在估计精度方面优于标准的交互式多模型滤波器,且IMM-AUPF算法在计算复杂性方面优于交互式多模型Unscented粒子滤波算法。     

均值加速的快速中值滤波算法

中值滤波是图像处理中常用的滤波方法 ,该方法能够在有效地去除噪声的同时保持图像的边缘细节。但由于其运算的时间复杂度高 ,在滤波子窗尺度较大时 ,不能满足大型图像实时处理的需要。提出了一种利用均值加速的快速中值滤波算法 ,它能有效地降低中值滤波算法的时间复杂度 ,将计算效率和运算速度提高到传统快速滤波算法的两倍以上。该算法应用于大型辐射图像的滤波处理中 ,取得了良好的效果 ,提高了图像滤波的速度 ,增强了图像处理的实时性     

WK混合滤波算法在雷达数据处理中的应用

通常的Kalman滤波算法不能很好的解决信号的时频局部性问题,往往只能在低频和高频两种滤波算法间通过机动检测器(变维滤波算法)或马尔可夫链的转移概率矩阵(VD算法)来进行切换,因为有一定的滞后,并受到机动检测器和转移概率矩阵的影响较大,从而产生较大的滤波误差.笔者将二维可分离小波变换良好的时频局部性和Kalman滤波的实时最佳预测修正跟踪滤波估计结合起来,得出一种有效的混合滤波算法(WK算法),并将该算法用于进行雷达数据的滤波处理,使得滤波估计值逐步逼近真实轨迹.通过实际的仿真验证了该算法比其它单一的滤波算法更为有效.     

基于小波变换的粒子滤波目标跟踪算法

针对纯方位被动目标跟踪中粒子滤波算法固有的计算复杂性问题,提出了一种基于小波变换的粒子滤波算法(WMPF).对粒子权重进行小波多分辨率分解,通过设定阈值对高通部分的粒子权重进行滤波,再根据重构后的粒子权重去掉重复粒子,生成新的粒子集来近似后验概率密度函数,从而在保证滤波精度的同时大量减少粒子数,提高粒子滤波的计算效率.将WMPF算法与标准粒子滤波算法应用于具有非线性非高斯特点的纯方位目标跟踪问题,仿真结果表明,WMPF算法的跟踪精度与标准粒子滤波算法相当,计算效率却远高于标准粒子滤波算法,增强了跟踪的实时性,并且该算法有望进一步扩展粒子滤波的应用范围.