基于多阈值处理的信号多尺度估计算法

给出了一种基于多阈值处理的信号多尺度估计算法。首先对原始测量进行了多尺度小波分解,得出各尺度上的平滑信号和细节信号。对各尺度上的细节信号再作进一步的小波分解,对分解出的次平滑信号和次细节信号进行不同的阈值处理,然后重构,作为相应尺度上的细节信号。最后对最粗尺度上的平滑信号作卡尔曼滤波,再依次与各尺度上的细节信号进行重构,最后得到原始尺度上的信号估计值。     

��������С���任��GPS��̬�˲����㷨

针对应用卡尔曼滤波器进行车辆GPS导航信号的动态滤波时难以建立精确的数学模型以及传统小波变换在实时性方面存在不足,提出了基于提升小波变换的GPS动态滤波新算法.该算法采用提升小波变换对车辆GPS导航信号进行分解;用3σ准则和多项式插值方法对各层提升小波变换系数进行粗差探测与数据修复;采用模平方软阈值去噪算法对各层提升小波变换系数进行去噪;最后进行提升小波逆变换,从而实现车辆GPS导航信号的动态滤波。仿真实验结果表明,该算法的导航定位精度优于卡尔曼滤波算法;虽然在导航定位精度方面稍比传统小波变换算法的性能高,但比传统小波变换算法速度快一倍;显然该算法对车辆GPS导航系统是有效的.     

分布式自适应网格交互多模型JPDA算法

将自适应网格交互多模型(AGIMM)算法和联合概率数据互联(JPDA)算法相结合,提出了用于多传感器多目标跟踪的分布式自适应网格交互多模型联合概率数据互联(DAGIMM-MSJP-DA)算法.该算法在航迹关联检验阶段结束后,融合中心采用模糊加权方法对不同传感器关于同一目标的各模型概率、各模型状态估计及其对应的估计协方差阵进行融合,从而得到关于目标的总体状态估计和相应的估计协方差阵,并将融合后的各模型概率反馈至各传感器以便进行统一的、更为精确的网格自适应调整.最后通过计算机仿真验证了该算法的有效性和正确性.     

基于小波和RBF神经网络的多传感器时间对准算法研究

提出利用小波降噪和RBF神经网络进行时间对准算法,该方法先对采集到的数据进行降噪处理,为下一步操作提供准确数据;然后利用RBF神经网络将不同传感器采集不同采样周期的数据对应到同一个时间点上,进行多传感器时间对准,为后面数据特征提取和数据融合提供高精度数据支持。通过仿真结果与其它方法的对比可得该方法运算速度快,具有数据修正能力和精确度高的特点,适用于多传感器的时间对准。     

基于分布式网络的分步滤波算法的改进

在实际的多传感器动态系统中,传感器之间网络通讯时要进行坐标转换,该过程具有的不确定性将对融合结果产生不利影响。文章对已有的基于分布式网络结构的分步式滤波算法进行了改进,考虑了这种不确定性产生的误差。在某一时刻所有传感器测量信息被获得后,先将这些测量信息进行坐标统一处理,再用中心坐标系统下的测量信息依次对先前的估计逐个进行滤波更新,最终得到该时刻的全局融合估计。文章通过计算机仿真说明了该算法的精确度不仅与集中式算法的精确度仍然相当,而且具有更实际的应用价值。     

基于改进UKF的BDS/IMU组合列车定位方法

为提高列车定位的精确性和连续性,采用北斗卫星接收机和惯性测量单元构建车载组合定位系统.针对多传感器组合定位信息融合估计的非线性和鲁棒性需求,将抗差估计理论的等价权原理应用于标准无迹卡尔曼滤波(unscented Kalman filter,UKF)算法,构造了一种改进的UKF算法,通过对标准UKF算法的噪声协方差进行等价替换,从而起到调节滤波增益的作用,使得滤波算法对传感器观测粗差具有较强的抑制能力.将改进的UKF算法与标准UKF算法应用于列车组合定位进行仿真比较,结果表明:传感器无观测异常时,改进UKF算法的滤波精度总体上略优于标准UKF算法;当传感器观测值含有随机粗差时,改进UKF算法的滤波精度及稳定性明显优于标准UKF算法,北向、东向位置平均估计误差分别降低了48.5%、48.8%,北向、东向速度平均估计误差分别降低了43.7%、48.9%.     

一种改进的多传感器伪序贯滤波算法

传统的多传感器数据融合算法假定传感器之间的测量噪声是不相关的,但实际上测量噪声存在着一定的相关性,因而会引起滤波精度的损失．针对该问题,文中研究了测量噪声相关情况下的同步多传感器跟踪系统的测量融合技术．在测量噪声相关的条件下,根据线性无偏最小方差估计理论,提出了一种改进的同步多传感器伪序贯滤波算法,该算法不但适用于噪声不相关情况,而且也适用于噪声相关情况．经仿真研究表明,该算法明显提高了航迹的融合精度：在测量噪声相关时,融合精度比传统算法有明显提高;而测量噪声不相关时,性能与传统的数据融合算法相同．仿真结果表明了该算法的正确性和有效性．     

基于多尺度模糊边缘特征的遥感影像融合方法

针对全色与多光谱遥感影像融合,提出了一种基于多尺度模糊边缘特征的融合方法.该方法根据à trous小波变换特点以及全色与多光谱遥感影像的频率关系,对全色影像进行多层小波分解,并将不同尺度下的小波面叠加得到多尺度小波面,然后对其进行模糊增强处理提取边缘细节信息,最后将边缘细节信息叠加到多光谱影像中得到融合结果.实验中与传统融合方法进行了主观分析与客观定量比较,结果表明本文方法具有良好的融合效果.     

基于小波和Kalman滤波的交叉口流量组合预测

为更准确地预测动态变化的道路交叉口流量,根据城市道路流量分布的特点,提出了在小波分析和离散 Kalman滤波的基础上进行组合预测的方法.这种方法将路口的流量数据构造成几个相关序列,对每个序列分别 进行小波变换和Kalman预测,然后将各序列的预测值组合成最终结果.这种预测方法可用于其他动态流量预 测,如路段流量预测、路口流量分配预测等.实验表明,该方法可以有效地减少预测误差,并具有较好的鲁棒性.      

基于小波卡尔曼滤波的加速度计降噪方法

针对GF-INS中加速度计降噪的实际问题,提出了一种非零均值观测噪声小波卡尔曼滤波算法.在非标准观测噪声条件下,利用滑动数据窗内的小波变换实时在线估计出观测噪声的方差和均值,作为标准卡尔曼滤波的修正信息,从而实现了标准卡尔曼滤波算法的扩展.实验结果表明,在观测噪声为非标准噪声且统计规律未知的条件下,该自适应降噪方法能获得较好的滤波效果,加速度计信号的噪声方差强度减少了3个数量级.     

低可见度环境下基于同步定位与构图的无人驾驶汽车定位算法

为在大范围低可见度环境下实现无人驾驶汽车的高精度定位,基于VINS-Mono算法的系统框架,在系统的前端与后端分别增添了RFAST弱光图像增强模块与VG融合定位模块,提出了一种融合定位算法LVG_SLAM; RFAST弱光图像增强模块采用小波变换将原始输入图像的细节信息与亮度信息分离,对于包含原始图像噪声的细节信息通过统一阈值和均值滤波2种方式实现噪声抑制,并利用双边纹理滤波算法进行细节增强,在此基础上,根据多尺度Retinex算法增强图像的对比度,提高低可见度环境下角点提取的成功率,从而保证图像跟踪的稳定性,改善定位算法的鲁棒性; 基于无迹卡尔曼滤波算法,VG融合定位模块将GNSS定位信息与惯性导航测量信息进行松耦合,融合定位结果作为约束引入VI-SLAM后端,通过联合非线性优化的方式减少累积误差对算法定位精度的影响。计算结果表明：相较于VINS-Mono算法,改进的LVG_SLAM融合定位算法在EuRoC与Kitti公开数据集上表现更加出色,均方根误差分别降低了38.76%与58.39%,运动轨迹更贴近真实轨迹; 在实际夜晚道路场景下,LVG_SLAM算法将定位误差控制在一定范围内,顺利检测到闭环使得定位表现得到大幅改善,均方根误差、平均误差、最大误差、中位数误差分别降低了79.61%、82.50%、71.31%、83.77%,与VINS-Mono算法相比,在定位精度与鲁棒性方面具有明显的优势。     

基于小波和Kalman滤波的交叉口流量组合预测

为更准确地预测动态变化的道路交叉口流量，根据城市道路流量分布的特点，提出了在小波分析和离散Kalman滤波的基础上进行组合预测的方法．这种方法将路口的流量数据构造成几个相关序列，对每个序列分别进行小波变换和Kalman预测，然后将各序列的预测值组合成最终结果．这种预测方法可用于其他动态流量预测，如路段流量预测、路口流量分配预测等．实验表明，该方法可以有效地减少预测误差，并具有较好的鲁棒性。     

Chaff cloud jamming suppression based on wavelet transform

Radar target signals and chaff cloud jamming signals have different characters by the wavelet transform. The wavelet coefficients of radar target signals are highly correlated with its near-and-near-scale wavelet coefficients, however the correlativity between the wavelet coefficients of chaff cloud jamming signals and its near-and-near scale wavelet coefficients is less significant. Based on the binary-base discrete wavelet transform and the correlation algorithm, the method of target entropy to estimate standard variance of the jamming signals and each scale is proposed to ensure reasonable threshold, to suppress chaff cloud signals and finally to reconstruct mixed signals by the improved spatially selective noise filtration (ISSNF) method. The extensive simulation results show that the proposed method can availably suppress chaff cloud jamming and decontaminate target echo.     

基于融合模型动态权值的短期客流预测方法

针对传统交通系统中短期客流预测精度低的问题,考虑城市交通站点客流数据在横纵向时间序列的规律性,基于卡尔曼滤波算法和K近邻（K-Nearest Neighbor, ANN）算法,分别根据当日数据和历史数据对客流量进行预测,然后利用权重系数方程对两个预测值加以融合,从而构建基于融合模型动态权值的短期客流预测方法。以某城市的某公交站点客流数据为研究对象,对所建融合模型短期客流预测的准确性和适用性加以验证。结果表明,新建模型、单一的卡尔曼滤波模型和KNN模型的平均相对误差分别为3.6%, 9.0%和7.7%,可见新建模型能更好地拟合客流变化趋势且评价效率更高。     

基于三次B样条小波的图像边缘检测技术研究

图像的边缘信息在图像的各种变换和处理中至关重要，边缘检测是为了获取更多的图像细节信息。根据边缘信息的多尺度杼陛和小波变换的性质，研究了基于B样条小波的图像边缘检测方法。采用三次B样条小波设计的平滑滤波窗算子，实现相对简单、效率较高。测试表明，该算子与其他边缘检测算子具有相似的视觉处理效果。     

基于单双目视觉融合的车辆检测和跟踪算法

提出了一种基于单双目视觉融合的车辆检测与基于Kalman滤波的车辆跟踪算法, 设计了一种基于二维深度置信网络的车辆检测器。在道路图像中利用单目视觉生成车辆可能存在的区域, 构成双目视觉处理的车辆候选集合。在车辆可能存在的区域内利用双目视觉进行误检去除, 并获得车辆的位置信息。在二维图像坐标系和三维世界坐标系内, 利用Kalman滤波器对检测到的车辆进行跟踪。试验结果表明: 算法的检测率为99.0%, 误检率为1.3×10^-4%, 检测时间为57ms, 检测率高, 误检率低, 检测时间短; 与单双目视觉弱融合算法、单目视觉算法和双目视觉算法相比, 本文车辆检测与跟踪算法兼具双目视觉算法检测率高和单目视觉算法检测时间短的优点。