GPS/推位组合导航系统测试模拟器的设计

提出了一种GPS／推位组合导航系统测试模拟器的设计方案。针对GPS／推位组合模式的工作特点，利用面向对象技术进行模块分解，设计出可以为相关组合导航系统的验证提供数据源，测试滤波算法，应用性较强、具有可扩展性的测试模拟器。     

关于互补判断矩阵的群决策的专家评判水平

在群决策分析中，如何从一致性分析的角度来分析专家评判水平或对专家评判水平进行分类是一个重要的研究课题。本文针对群决策中基于互补判断矩阵偏好信息的专家评判水平的排序与分类问题，提出了一种分析方法。首先，分析了互补判断矩阵及其一致性的有关性质；然后，通过构造每个专家给出互补判断矩阵的导出矩阵及其向量表示，计算每个专家给出互补判断矩阵与一致性互补判断矩阵之间的偏差，并得到每个专家评判水平的排序结果和专家们评判水平的分类。最后，通过一个算例说明了本文给出的分析方法。     

基于Delta算子的QR分解LMS算法

针对基于Delta算子的自适应滤波问题,提出了Delta算子描述的QR分解LMS(Delta-QR-LMS)算法。首先给出后向Delta算子模型的另一种表示形式,并利用该变换公式推导出Delta-QR-LMS算法的具体迭代步骤。通过仿真算例表明,Delta-QR-LMS算法比传统的LMS算法具有更好的滤波性能和更快的收敛速度。     

基于模糊神经网络的自适应滤波方法仿真研究

提出了一种模糊自适应卡尔曼滤波算法。该算法基于模糊规则，根据新息相关性，自适应调整测量噪声方差R，有效的解决了噪声的统计特性与实际不符时，滤波器发散的现象。同时，利用Elman网络作为误差估计器，补偿模糊自适应卡尔曼滤波器的估计误差。仿真结果表明，两种方法结合，可以有效地防止滤波器发散，缩小实际的滤波误差，提高滤波精度，实现滤波器参数的在线改进。     

基于LMI的多传感器H∞融合滤波器设计

在实际多传感器数据融合系统中,往往过程噪声及测量噪声统计特性未知,但能量有限。此时一些在已知精确系统模型与噪声统计特性情况下保持优良融合性能的方法,不仅无法保持良好性能,甚至会出现崩溃情况。H∞融合滤波方法可以有效地解决此类多传感器融合系统的滤波问题,但存在求解困难问题。基于LMI给出并证明了H∞融合滤波器的解,给出了数值仿真实例。结果表明提出的方法可以解决过程噪声及测量噪声统计特性未知,但能量有限情况下的多传感器数据融合问题。     

一种基于邻域信息的椒盐噪声滤波算法

中值滤波是最早提出的一种有效抑制椒盐噪声的滤波算法，但其最大的缺点是模糊了细节部分．提出了一种改进的中值滤波算法，根据待测点与相邻像素点之间灰度值的相似性来区分噪声点与图像点，对噪声点应用中值滤波，而对图像点保留其灰度值不变，该算法在有效抑制椒盐噪声的同时能很好地保护细节．     

一种基于数字图像技术的工件壁厚测量方法

将数字图像技术应用于工件厚度的测量，利用阅值分割、边缘提取等技术手段获取工件的边缘，在计算工件壁厚时，提出了相关算法。该测量方法具有速度快、精度高、可靠性强、易于控制的优点。     

深度学习在引力波数据处理中的应用初探

截至2018-01-16,LIGO已成功探测引力波事件6次.可以预期,引力波探测事件会越来越多,引力波天文学会很快进入到大数据阶段.深度学习在大数据处理方面近年来得到迅速发展.它在数据处理速度,准确度等方面都表现出极大的优势.深度学习在引力波数据处理中的应用讨论还不多.本文引入此问题,并对其进行初步研究.引力波数据最大的特点是强噪声、弱信号.现行的数据处理方法是利用匹配滤波的方式把引力波信号从强噪声中挖掘出来.同时,匹配滤波方法还可以确定引力波源的性质,定量确定其参数.匹配滤波方法的弱点是计算量巨大.这导致数据处理速度很慢.对于将来的大数据引力波天文学,这更将是一个巨大的隐患.匹配滤波方法的另一个潜在问题是,完备准确的理论波形模板是其工作的前提条件.这个潜在问题的后果是很难找到理论预期之外的引力波信号.深度学习的数据处理方法有可能在这些问题上提供出路.同时,深度学习也会遇到其自身的若干困难和问题.本文将从网络结构、训练数据制备、训练优化、对信号识别的泛化能力、对数据的特征图表示以及对特征数据遮挡的响应等方面来展开讨论.     

基于引导滤波的指节纹图像增强算法研究

在利用指节纹进行身份识别时,为提高图像的质量,避免光照不均匀和环境噪声对特征提取带来的影响,需要在图像预处理阶段进行增强处理。针对指节纹图像的特点,设计了基于梯度图像引导滤波的图像增强算法,并在指背关节纹数据库中进行了验证。结果表明,该图像增强算法可避免光照不均带来的影响,同时突出细节特征,适用于指节纹图像的预处理。最后进行的定量分析证明,经过本算法的增强处理后,图像将保留更多的细节信息特征,有利于后续特征提取和提高图像识别的准确性。     

基于模型误差EKF-HIF算法的锂动力电池SOC联合估计

针对锂动力电池荷电状态(State of Charge,SOC)估计策略,提出了一种基于模型误差EKF-HIF算法的SOC联合估计方法。首先,通过建立电池等效电路模型,利用BP神经网络(Back Propagation Neural Network,BPNN)预测该电池模型误差。其次,推导扩展卡尔曼滤波(EKF)和H∞滤波(H Infinity Filter,HIF)算法流程,根据模型误差选择不同算法进行SOC状态估计。最后,通过仿真验证了该联合估计算法的有效性和可行性。