基于强跟踪滤波器估计的最优融合方法

在分布式雷达数据处理模式中 ,数据融合是获得较精确的目标轨迹的主要环节。为克服卡尔曼滤波器对初始值敏感、鲁棒性差和对机动目标跟踪性能差的缺陷 ,通过利用各传感器的观测数据 ,采用强跟踪滤波器对目标进行跟踪 ,以改善目标状态估计的精度。对判定源于同一目标的状态估计值 ,给出了一种估计状态线进行性组合的最优融合准则。得出了实际数据的实验结果。     

应用回归分析的数据关联算法

针对复杂电磁环境下目标跟踪需要兼顾实时性和精确性的问题,应用测量领域的数据处理方法,提出了回归分析的数据关联算法.首先,利用对滤波曲线的两点回归分析,逐一预测各观测到达时刻的置信区间,筛选出关联点;接着,以系统处理周期为分组标准,对筛选序列进行成组观测数据回归分析;最后,计算出观测融合点,并用该点更新滤波器新息.该算法不仅能将复杂的关联转变成测量点迹动态更新过程,而且优化了同步化处理步骤.仿真实验表明:回归分析算法与联合概率数据关联算法相比,在直线运动场景下,两者的均方根误差及轨迹丢失率相近,且随着目标数目的增多,前者在平均占用CPU时间上的优越性更加突出;在曲线运动场景下,两者跟踪误差相当,前者占用CPU时间仅为后者的1/6.     

无穷范数下的目标状态融合方法

给出了一种无穷范数意义下的状态估计线性组合的最优融合准则，在分布式雷达网数据处理模式中，通过利用各传统传感器输出的观测序列，对目标进行串上，将判定源于同一目标的状态估计值进行融合，得到更精确的目标状态和航迹，给出了实际数据的实验结果。     

多媒体网络环境下大学英语词汇习得与教学

词汇是英语学习的基础,本文主要从词汇习得规律和多媒体网络教学的优势出发,利用多媒体网络增大词汇的输入量;扩大输入渠道;充分挖掘记忆潜能;增加语言输出量。同时利用多媒体网络环境下英语学习的自身特点优化英语课堂词汇教学,改善词汇习得,提高教学质量。     

基于观测值聚类的多雷达数据融合

根据多部雷达同一时刻对同一目标的观测值在空间呈团状的特征,运用模式识别理论中聚类的方法解决数据融合问题。采用一种改进的KNN算法对多雷达观测数据进行聚类,结合聚类中心和目标预测值,应用卡尔曼滤波器估计目标状态,从而实现多雷达数据融合。实验结果表明,这种方法是有效的。     

大学英语教学中文化背景知识的渗透

在外语教学中,英语语言知识是以英语文化背景知识为载体的,学生对文化背景知识的了解会直接影响到语言应用能力的培养。因此掌握更多的英语文化背景知识对大学英语教学有不言而喻的作用。     

多传感器异步关联航迹的融合

异步航迹融合是多传感器多目标跟踪系统的一个重要问题。由于多传感器的采样速率和通信延迟不同,因此为了提高跟踪精度和准确性,融合中心必须进行异步目标航迹融合。在分布式模式下,基于各传感器在Kalman滤波器输出本地目标航迹的基础上,提出了一种融合误差均方差矩阵的迹最小意义下的异步目标航迹融合算法。给出了具体的实现步骤。仿真实验结果表明,这种融合方法是有效的。     

多媒体教学活动的思考与实践浅析

多媒体计算机技术和网络技术的迅猛发展为大学英语教学提供了先进的教学手段和空前的优越条件。它已对大学英语教学产生了深远的影响,给人们的教学思想、教学理念和教学模式带来了深刻的变革。使人们在研究如何教的同时,更加注重研究如何学．如何真正调动学习者的积极性和主动性,更加注重研究以何种更科学、更符合我国教学实际的教学模式来实现更好的教与学的效果。本文结合具体的教学实践,探讨在多媒体环境下大学英语的教学模式,探索如何利用多媒体计算机技术所提供的便利条件来实现“基于课堂教学的以学生为主体、教师为主导的多媒体辅助教学的模式”,创设最佳情景,提供个别话的学习环境,从而提高英语教学趣味性,获得最佳的教学效率。     

基于深度可分离卷积的汉越神经机器翻译

在汉越神经机器翻译中,由于汉越平行语料稀少,使得数据稀疏问题十分严重,极大地影响了模型的翻译效果.为了提升数据稀疏情况下的汉越神经机器翻译性能,提出一种基于深度可分离卷积的汉越神经机器翻译方法.该方法根据越南语的语言特点,将越南语切分为词、音节、字符、子词4种不同的粒度并利用深度可分离卷积改进神经机器翻译模型,通过增加深度可分离卷积神经网络,对模型输入的不同粒度序列进行卷积运算,提取更多的特征数据,相比传统卷积降低了模型的理论计算量.实验结果表明,该方法在越南语4种不同翻译粒度上均取得最佳效果,一定程度上提升了汉越神经机器翻译性能.     

相关噪声下的机动目标跟踪SMFEKF-IMM算法

一种基于Kalman和扩展Kalman滤波器的相互作用多模型(IMM)方法可以减小模型的不确定性,但无法消除由于噪声相关引起的状态偏差的弱点.为了提高目标状态估计的精度,把IMM和一种带多重渐消因子的扩展Kalman滤波器(SMFEKF)相结合,提出了一种具有相关噪声的混合随机模型的机动目标跟踪方法.这种方法引入了一个多重渐消因子,当输出残差发生变化时,动态调节增益和系统噪声水平,使输出残差近似正交,从而抑制了相关噪声的影响,适应目标的状态变化.理论分析和仿真实验表明了这种算法的有效性和可行性.