针对重复纹理场景的跟踪定位算法

提出一种针对复杂标识的分类学习算法,并将其应用于移动增强现实系统中,实现了基于自然特征的跟踪定位系统.在场景特征点识别分类基础上,采用关键帧匹配算法实现无标识跟踪定位.针对含有对称结构的场景提出一种误匹配特征的回收机制.实验结果表明,该算法可解决由于场景对称结构导致的错误特征匹配,从而大幅提高特征的正确匹配率.     

一类J-环强正则性的研究

主要证明了:若R是J-环,R的每个单奇异左R-模是YJ-内射模或平坦模,且R的每个极大本质左(右)理想是GW-理想,则R/J(R)是强正则环.     

空地机器人协作导航方法与实验研究

飞行机器人和地面移动机器人所具有的功能互补性使得通过二者间的协作执行使命具有明显的优越性,这对于提高移动机器人使命完成度具有重要的作用.因此,空地机器人协作近年越来越受到研究人员的重视.空地机器人协作的一个重要工作模式是通过飞行机器人的大范围环境感知能力为地面机器人提供导航信息.针对该问题,首先讨论了利用机载视觉传感信息实现地面环境建模(主要是地面障碍物)及地面机器人识别方法;然后,利用波门跟踪算法实现了对地面移动机器人的运动跟踪;最后,提出了空地机器人协作策略;最后,搭建了室内试验平台,进行了实验验证.     

基于无源辨识器的随机非线性系统自适应跟踪模块化设计

运用基于估计的模块化设计思想,研究了受方差不确定Wiener噪声干扰的参数严格反馈非线性系统对已知信号的自适应跟踪问题.构造控制Lyapunov函数,设计了具有鲁棒稳定特性的输入状态稳定控制器,确保系统满足控制器-辨识器分离.对不确定方差采用自适应方式处理.根据无源性理论,设计无源辨识器模块,给出了参数自适应律,确保系统误差的有界性,使跟踪误差在概率意义下收敛.     

一种基于模型概率修正的IMM目标跟踪算法

在IMM算法的基础上,提出了一种新的机动目标跟踪FIMM算法.该算法使用中值滤波对IMM算法模型更新概率进行平滑,再对其利用模糊推理系统进行实时修正,将修正后的概率作为最后输出的权值,让有用模型概率增大,减少了模型之间的竞争,提高跟踪精度.仿真实验表明,提出的FIMM算法显著提高了IMM算法的跟踪性能.     

引入多速率模型的变结构机动目标跟踪

变结构多模型方法(VSMM)能够根据目标机动的实际情况实时确定结构不断变化的模型集合,取代传统IMM方法中的固定模型集.使参与状态估计的模型分布更集中,模型数量相对较少,从而提高算法的跟踪精度.多速率模型(Multirate)能够对原始测量数据进行多分辨分解,有效的抑制量测噪声,从而提高原始数据的信噪比.文章将多速率模型引入变结构多模型方法,提出一种新的机动目标跟踪算法多速率变结构多模型方法(MRVSMM),该方法分别从改善原始数据与改善模型集合两方面对传统IMM方法进行了突破.同时,采用多个多速率模型,并将多个模型的滤波结果相互交织实现对机动目标的全速率跟踪.仿真实验证明,该算法较传统的IMM方法跟踪精度得到了一定程度的提高.     

基于非抽样Contourlet变换的遥感影像道路提取

提出一种基于非抽样Contourlet变换的遥感影像道路提取算法.该算法首先对图像进行非抽样Contourlet变换得到不同尺度不同方向上的变换系数,再通过给定窗口大小分别计算各个尺度各个方向上的变换系数模在窗口内的局部最大值,然后比较各尺度在同一方向和同一窗口位置上系数模的最大值,取值最大的点作为特征点;同时利用自适应阈值对各个尺度各个方向上的系数模值进行二值化,消除小于一定面积的区域,筛选出特征点位于提取区域内的点;最后以筛选出的特征点为种子点,对道路进行Snake跟踪.实验结果表明:该文算法在道路提取的精确度、完整性方面比小波变换好.     

三维无线传感器网络中基于格概率的目标定位算法研究

提出一种基于格概率的目标定位算法,不仅可以有效消除单个传感器节点测量信号强度时存在的不确定性,还可解决检测到目标的节点数目小于4时其他方法无法解决的定位问题.同时还提出一种自学习修正方法,通过实时地修正信号衰减模型中的相关参数,可避免环境动态变化带来的定位失真.仿真结果显示,所提定位算法具有良好的定位精度和较强的抗干扰...     

具有完美匹配且直径不大于7的强优美树

一棵具有n个顶点且有完美匹配M的树T,若有一个优美标号f使得对T的每条边uv∈M都有f(u)+f(v)=n-1,则称树T是强优美的.证明所有直径不大于7且有完美匹配的树都是强优美的,并给出了一种构造大的强优美树的方法.     

随机缺失情况下固定设计半参数回归模型的相合性

目的在随机缺失情况下证明固定设计半参数回归模型的强相合性。方法利用引理,一些不等式及已给条件进行证明。结果证明了参数β的最小二乘估计和未知函数g(.)的非参数核估计是强相合的。结论随机缺失下半参数回归模型中β的参数估计和非参数函数g(.)的估计量是强相合的。