基于推广卡尔曼滤波的无源定位系统仿真

在现代电子战、信息战环境中,由于利用目标辐射电磁信息的无源探测定位系统具有自身隐蔽和探测距离远等优点,因此它具有重要的应用价值,并已成为当今非线性跟踪与估计研究领域的热点问题.针对无源定位中状态空间模型非线性和程度较高所引起的滤波发散问题,分析总结了推广卡尔曼滤波(EKF)次优递推滤波过程,最后给出滤波方程及仿真结果.     

一种基于加速度及轮速信息的参考车速估计方法

以两轮驱动轿车为研究对象,提出了一种基于加速度及轮速信息的参考车速估计方法。以Kalman滤波为基本算法,结合试验分析,通过估计系统噪声特征和修正量测方程,改进了算法对加速度量测信号静态偏差变化的跟踪能力,提高了参考车速的估计精度。利用该方法估计参考车速具有不依赖大量试验、计算量小的特点,适于实车应用。     

分步优化方法在后车架轻量化中的应用

为解决实际工程中设计变量多、设计空间大的优化问题,提出了分步优化策略.它将所有的设计变量分成数目较少的几组,结合新近开发出来的基于元模型的优化方法,逐步确定每一组设计变量的值.将该策略应用于某款车后车架的轻量化分析,验证了其有效性.     

基于Matlab分析的Gabor滤波技术和SVM在交通标志识别中的应用研究

本文将现代统计学理论中的支持向量机技术与Gabor滤波技术相结合,提出一种基于支持向量机的交通标志识别方法,并使用MATLAB工具设计出一个简单的实验验证平台。整个系统由图像处理、特征提取、SVM分类器3个模块构成。首先对数码相机采集到的图像进行色彩分割处理,将得到的GRAY图进行Gabor滤波处理,将提取到的特征量与数据库中的基准元素通过使用SVM算法进行分类,最终实现了对交通标志的准确识别。     

Kalman算法在纯电动汽车SOC估算中的应用误差分析

针对纯电动汽车电池组的工作状态和输出特性,分析了模型参数的变化对Kalman算法估算精度的影响.指出了纯电动汽车应用Kalman滤波算法估算SOC应考虑的因素,并结合电池模型参数的变化提出了Kal-man方程修正方案.最后通过电池的城市工况模拟试验,验证了分析的正确和可行性.     

基于加速度区间判断的坡道识别方法

介绍了坡道识别的原理;在功率谱分析的基础上,设计了纵向加速度滤波算法,通过比较汽车在坡道上行驶时用加速度传感器测得的加速度数值与汽车纵向速度经差分后获得的加速度数值之间的差异,进行了基于加速度区间判断的坡道识别方法研究;完成了水平道路的加速度比较试验和坡道识别的实车试验,并在此基础上进行了基于坡道识别的换挡规律设计。实车试验结果表明:该方法能够进行坡道识别,并具有简单、实用、高效的优点;这种基于行驶环境识别的控制是未来汽车控制技术发展的方向。     

融合序列形态学算子的城区LiDAR滤波方法

为解决单一形态学算子在LiDAR数据滤波中的准确性和自动识别问题,提出了一种融合序列形态学算子的城区LiDAR滤波方法.在顾及多种形态学算子优势互补特性和LiDAR不同地物数据特点的基础上,首先利用形态学开运算及白top-hat变换剔除低粗差噪声和树木、汽车、电力线等小型地物,然后利用形态学梯度查找大型建筑物边缘,最后利用连通性分析和二值形态学重建方法剔除大型建筑物,获得准确的地面与地物分类点.使用ISPRS提供的不同复杂度9组城区测试数据进行实验,结果表明,本文方法的Ⅰ类、Ⅱ类及总误差均值分别达到6.90%、3.33%和5.44%,整体分类与自动识别性能优于常规滤波算法.      

基于分块EnKF的非线性目标跟踪算法

针对滤波航迹的相关性以及初始状态的选择会对跟踪性能产生影响的问题,将集合卡尔曼滤波算法引入到非线性目标跟踪领域,验证了其可行性和有效性,提出了基于分块集合卡尔曼滤波的非线性目标跟踪算法.采用分块思想生成初始集合,使用协方差矩阵加权方法解决分块间的航迹相关问题.仿真结果表明基于分块集合卡尔曼滤波的目标跟踪算法计算复杂度和以往的集合卡尔曼滤波算法同阶的情况下可以提供更高的运动参数估计精度,解决了粒子滤波算法计算量大难以进行实时跟踪的问题.      

改进的无迹粒子滤波在组合导航中的应用研究

粒子滤波算法是一种适用于非线性非正态约束的统计滤波算法.针对粒子滤波存在退化现象,从围绕增加粒子的多样性和重要性分布函数的选择出发,提出了一种改进的无迹粒子滤波算法.该算法是利用无迹卡尔曼滤波产生的近似高斯分布作为重要性密度函数,在每次迭代中,结合马尔科夫链蒙特卡洛使粒子能够移动到不同地方,从而可以避免贫化现象.将这种算法应用到GPS/DR组合导航系统中,仿真结果证明了采用改进的无迹粒子滤波方法能达到很好的跟踪效果.     

基于均值平移和自适应预测的运动目标跟踪

针对运动目标跟踪算法不足之处,提出结合改进的均值平移与自适应预测的目标跟踪算法,基于Bhattacharyya系数值进行Kalman滤波器与粒子滤波器之间的切换.引入Kalman滤波器为Mean Shift算法估计初始点,在跟踪稳定的情况下进行模板更新,根据Kalman残差大小判定是否发生遮挡：部分遮挡情况下即结合Kalman滤波器实现对快速运动目标的实时跟踪;完全遮挡情况下结合均值平移和粒子滤波进行鲁棒跟踪.实验证明,改进的算法可以有效地提高跟踪算法的效率,并且能很好地解决遮挡问题.