Kalman滤波在液压电机故障诊断中的应用

针对液压电机故障信号的特性,介绍了Kalman滤波及其递推算法在信号处理上的应用给出了时间序列自回归(AR)模型建立信号状态方程和观测方程的方法,并在这两个方程的基础上结合Kalman递推算法对信号进行滤波.通过有效的仿真和实际验证表明:利用Levinson-Durbin算法获得AR系数建立信号模型,再通过Kalman递推能够有效的达到滤波的效果.     

基于ICA的步进频率探地雷达目标信息提取研究

基于独立成分分析较强的信号分析能力,提出了一种针对步进频率探地雷达的独立成分分析与中值滤波处理相结合的目标信息提取方法,从进频率探地雷达回波信号中提取出目标信息.通过对实测数据的处理,结果表明该方法取得了较好的效果.     

基于扇扫声纳图像的动态目标跟踪方法

扇扫声纳在搜寻目标,躲避障碍物,跟踪动态目标,水下检视等方面有着广泛的用途。针对影像噪声大,实现动态目标的自动跟踪有较大难度的问题,分析了扇扫声纳影像中动态目标和静态目标的特点,利用目标在序列影像中的变化完成动态目标的分离,在此基础上,使用卡尔曼滤波方法实现动态目标的跟踪,最后结合实际数据进行了分析,表明算法的有效性。     

改进的非相参导航雷达探测有效浪高算法

针对X波段非相参导航雷达对海杂波的成像,研究了利用信噪比和布拉格散射探测有效浪高的方法,提出一种用最大流速带通滤波来分割信号与噪声获取信噪比的算法。结合信噪比与有效浪高的关系,经相关定标处理,得到探测区域连续的有效浪高。与传统的X波段导航雷达测高方法相比,该算法不需要得到雷达探测区域精准的流速,简单高效,占用资源少。与舟山浮标有效浪高数据的对比,表明其有效提高了雷达测浪高的便捷性和稳定性。     

一种改进Mask R-CNN的运动目标定位方法

针对在复杂场景下传统算法对运动目标分类精度不高且无法直接输出关键点空间坐标这一问题,本文提出了一种基于改进Mask R-CNN的运动目标定位方法。该方法在TensorFlow 框架下采用自制数据集预训练提取多尺度的卷积,将采集到的网络视频流通过RoIAlign算法处理获得像素级的特征并匹配SIFT特征点建立空间坐标系统,在空间约束下结合Kalman filtering补偿运动轨迹,通过投影变换矩阵将像素坐标转换为世界坐标。实验表明该方法提高了模型在干扰背景下的鲁棒性,平均误差在8cm以内,实现了在复杂场景下可以获得实时高精度的定位信息。     

基于改进卡尔曼滤波的配电网动态数据平差方法

受设备、天气等多方面因素影响,电网量测数据不可避免的存在误差。在实际应用前,应选用合适的估计方法进行数据平差。为减小不良数据对估计精度的影响,本文提出了一种鲁棒性无迹卡尔曼滤波算法(RUKF),在进行无迹卡尔曼滤波之前引入基于运行模式的不良数据检测方法,通过分析量测量的变化趋势调整阈值,避免出现不良数据的漏检与误检现象。以IEEE 33-bus与某实际107节点系统为例,进行仿真验证。实验结果表明,在存在不良数据的情况下,RUKF与传统UKF相比,求得的数据平差结果具有更高的估计精度,提高了数据估算的鲁棒性。多个实验表明本文提出的RUKF算法对数据平差计算可以提供有效的理论支撑。     

一种新的Gabor滤波器在笔迹鉴别中的应用

针对Gabor滤波器在进行笔迹特征提取时,局部特征不显著和速度慢的问题,提出利用一种新的Gabor滤波器提取笔迹图像的特征,另外,考虑到滤波器参数的设置的重要性,详细分析了各参数对滤波后笔迹图像的影响,最后利用笔迹库进行实验取得满意的识别率。     

禁忌搜索粒子滤波算法在目标跟踪中的应用

雷达目标跟踪量测系统常受到闪烁噪声干扰,导致传统滤波算法的滤波性能急剧下降甚至发散。针对标准粒子滤波算法存在粒子退化的缺陷,重采样环节引入禁忌搜索思想,提出了禁忌搜索扩展卡尔曼粒子滤波算法,驱散局部最优的粒子集,使其向全局最优位置靠近,提高采样粒子的有效性。结合交互多模型（IMM）,将算法与IMM-PF算法进行仿真比较,结果表明该算法对机动目标具有较优的跟踪性能。     

基于TDOA测量的协同导航建模与仿真

针对基于数据链的协同导航系统估计惯导误差的效率不高,研究了以伪距差测量实现无源协同导航的方法。设计通过直接对偏航角的估计提高修正惯导误差的效率。分析并介绍了方法的设计思想和特点,为双曲线/SINS组合导航系统设计滤了波器。仿真结果表明,通过测量伪距差的实现协同导航方法,可以修正惯导系统累积误差,提高惯导导航精度。     

Creating high‐frequency national accounts with state‐space modelling: a Monte Carlo experiment

This paper assesses a new technique for producing high‐frequency data from lower frequency measurements subject to the full set of identities within the data all holding. The technique is assessed through a set of Monte Carlo experiments. The example used here is gross domestic product (GDP) which is observed at quarterly intervals in the United States and it is a flow economic variable rather than a stock. The problem of constructing an unobserved monthly GDP variable can be handled using state space modelling. The solution of the problem lies in finding a suitable state space representation. A Monte Carlo experiment is conducted to illustrate this concept and to identify which variant of the model gives the best monthly estimates. The results demonstrate that the more simple models do almost as well as more complex ones and hence there may be little gain in return for the extra work of using a complex model. Copyright © 2001 John Wiley & Sons, Ltd.