MPEG-4视频编解码系统的优化设计

本文提出并实现了一种四步搜索块匹配的运动估计算法，并在运动估计算法的实现中给出了整象素搜索与半象素搜索相结合、单矢量估计与四矢量估计相结合的改进方法，该算法能够有效的提高编码效率。     

OFDM定时和频率同步改进算法

在OFDM系统算法中,针对Minn算法存在符号定时和频率同步精度不高,定时模糊等问题,提出了一种OFDM改进同步算法.改进算法依照Minn算法原有的序列pattern,用ZC序列作为新的训练序列,并多次进行相关得以提高精度,最后给出了新的定时尺度函数和频偏估计函数.由于ZC序列具有相关峰尖锐和零旁瓣的特点,使得系统的同步定时估计和频率估计更加精准.理论分析和仿真结果表明,改进算法的定时尺度非常尖锐,频偏估计的均方误差较低.     

基于改进遗传算法的基础矩阵估计方法

基础矩阵估计是计算机视觉的基础。提出了一种新的基于改进遗传算法的基础矩阵估计方法,它以8个匹配点作为最小匹配点集组成染色体,并利用改进8点法估计出相应的基础矩阵,同时以对极距离为核心构造适应度函数,并对传统遗传算法进行了优化改进。实验证明,此方法在估计精度和鲁棒性等方面有很大提高,易于实际应用。     

新息改进GM(1,1)模型参数估计的新方法

为了提高新息改进GM(1,1)模型的预测精度,引入累积法对新息改进GM(1,1)模型的参数进行估计,给出了新的参数估计公式。该方法避免了大量的矩阵运算,降低了计算量。数值计算结果表明,累积法新息改进GM(1,1)模型具有很高的预测精度,是一种值得推广的新模型。     

支持向量机模型分类能力指标的统计分析

在支持向量机（support vector machines, SVM）中,如何衡量SVM的分类能力,最小化风险泛函是一个重要的指标。根据支持向量机小样本特点,给出了支持向量机分类能力的一个量化标准：最优超平面的可靠度β。详细讨论了β的下界和置信区间,并给出了在实际应用中,如何根据样本数据估计β的下界和置信区间。实验也证明了β的下界估计和置信区间的合理性、有效性。     

MIMO-OFDM系统中一种改进的最大似然信道估计算法*

对MIMO-OFDM系统中的信道估计进行研究,提出了一种对最大似然（ML）算法的改进,该算法首先采用ML算法获得初始估计值,然后联合检测进行迭代信道估计,充分利用上了接收端联合数据检测得到的数据信号信息与信道估计进行信息交互来提高估计性能,仿真结果表明,相对于传统估计方法,这种改进方法能够得到更好的均方误差和误码率性能,尤其是在导频数量较少时,此改进算法的性能提升将更明显。     

立体视觉中基本矩阵的改进投影M估计方法

在立体视觉与图像运动分析中，需要排除特征误配点的影响进而得到精确的基本矩阵估计。针对EIV(Error In Variables)模型中基于投影的M估计方法存在的核密度估计和正常点与异常点阈值确定的局限性，提出一种改进的投影M估计算法：首先给出新的用于搜索极值点的自适应核密度估计函数，然后改进了正常点的确定方法。对模拟及真实数据进行了实验，验证了改进投影M估计方法的有效性及稳健性。     

无线网络中Snoop协议的不足及其算法改进研究

本文分析了无线网络中Snoop协议中的算法不足,通过增加带宽估计算法对Snoop协议进行改进。并且对改进方案后进行仿真结果进行分析,结果表明改进的Snoop协议可以改善无线链路上的传输性能。     

一种改进的自适应数字延迟锁定辨识器时延估计方法

对自适应数字延迟锁辨识器时间延迟估计方法进行改进。以误差样本的遗忘因子加权平均来估计均方误差。从而使自适应时间迟估计的总体性能有所改善。文中给出了改进的ＡＤＤＬＤ时延估计的算法和两种遗忘因子加权平均方式，分析了其性能，并给出了计算机模拟的结果。     

基于改进Fitz算法的多普勒频移估计方法的研究

多普勒频移问题是高速铁路GSM-R无线通信系统需要解决的难点之一,传统的数据辅助算法虽然精度高,但频移估计范围小,在频移估计范围和频移估计精度两者之间很难达到合理平衡;针对高速铁路特殊场景,文章在改进Fitz算法的基础上,采用一种联合估计方法来进行频移估计;首先由车载信息预先估算出频移,并且进行补偿,再利用改进Fitz算法进行第二次频移估计计算;通过Matlab对联合估计方法进行仿真分析,结果表明该方法在增大了估计范围的同时,提高了估计精度,并且运算复杂度低。     

一种新型自适应神经网络回归估计算法

结合自适应谐振理论和域理论的优点,针对回归估计问题的特性,提出了一种新型神经网络回归估计算法ＦＴＡＲＴ３．该算法学习速度快、归纳能力强,不仅具有增量学习能力,还克服了ＢＰ类算法需要人为设置隐层神经元的缺陷,直线、下弦、二维墨西哥草帽、三维墨西哥草帽等４个实验表明,ＦＴＡＲＴ３在函数近似效果和训练时间代价上都优于目前常用于因归估计问题的ＢＰ类算法。     

Heteroscedastic Regression in Computer Vision: Problems with Bilinear Constraint

We present an algorithm to estimate the parameters of a linear model in the presence of heteroscedastic noise, i.e., each data point having a different covariance matrix. The algorithm is motivated by the recovery of bilinear forms, one of the fundamental problems in computer vision which appears whenever the epipolar constraint is imposed, or a conic is fit to noisy data points. We employ the errors-in-variables (EIV) model and show why already at moderate noise levels most available methods fail to provide a satisfactory solution. The improved behavior of the new algorithm is due to two factors: taking into account the heteroscedastic nature of the errors arising from the linearization of the bilinear form, and the use of generalized singular value decomposition (GSVD) in the computations. The performance of the algorithm is compared with several methods proposed in the literature for ellipse fitting and estimation of the fundamental matrix. It is shown that the algorithm achieves the accuracy of nonlinear optimization techniques at much less computational cost.     

Nonparametric estimation for normalized coprime factors of a MIMO system

This paper extends to multi-input multi-output (MIMO) systems the results on frequency response estimation for normalized coprime factors (NCF) under a stochastic framework from closed-loop frequency domain experimental data. Under the condition that the covariance matrices are available for the external disturbances and measurement errors, an analytic solution has been obtained for the maximum likelihood estimate (MLE), on the basis of a linear fractional transformation (LFT) representation for all the plant possible normalized right coprime factors (NRCF). It is proved that the estimate can be expressed by a linear combination of a normalized random matrix with all its columns having independent complex normal distributions. Some methods are suggested to reduce the estimation bias when high-quality experimental data can be obtained. A numerical example is included that confirms the theoretical results.     

新的分布交互式多模型广义概率数据关联算法

为有效解决密集杂波环境下分布式多传感器多机动目标跟踪问题,提出了一种基于改进D-S证据组合规则的分布交互式多模型多传感器广义概率数据关联（DIMM-MSGPDA-IDS）算法。该算法首先对各局部节点均应用单传感器的IMM-GPDA算法跟踪多机动目标,并将其各模型的状态估计、协方差估计、模型概率、组合新息及其协方差矩阵等滤波结果送至融合中心;在航迹关联判决结束后,融合中心根据各模型对应似然函数的大小融合不同传感器关于同一目标的模型状态估计及其协方差矩阵,并提出利用三维（3-D）证据进行直接融合的改进D-S算法对来源于同一目标的不同传感器的各模型概率进行有效融合,然后依此概率来更新各目标的状态估计并反馈至各局部节点,使之获得更为精确的状态预测;最后,将该算法与基于D-S证据组合规则的分布交互式多模型多传感器联合概率数据关联（DIMM-MSJPDA-DS）算法进行仿真对比分析。理论分析和仿真结果表明,该算法能够很好地对强机动目标进行跟踪,且其计算量相对较小,是一种有效的分布交互式多模型多传感器多机动目标跟踪算法。     

非高斯杂波协方差矩阵估计方法及CFAR特性分析

在独立同分布的球不变随机向量非高斯杂波背景下,针对采样协方差矩阵(SCM)、归一化采样协方差矩阵(NSCM)及相应的迭代估计矩阵(NSCM-RE),利用统一理论框架分析了3种不同估计矩阵对应的自适应归一化匹配滤波器(ANMF)的恒虚警率(CFAR)特性.理论分析表明,SCM-ANMF只对杂波归一化协方差矩阵具有CFAR特性;而NSCM-ANMF只对杂波功率水平具有CFAR特性;在有限次迭代下,NSCM-RE-ANMF对杂波归一化协方差矩阵不具有CFAR特性.为了改善ANMF的自适应特性,提出了一种自适应协方差矩阵估计方法(AE),并将其作为初始化矩阵进行迭代估计,在有限次迭代下,所获得的AE-RE-ANMF对杂波归一化协方差矩阵和功率水平均具有CFAR特性.最后,通过仿真验证了所提方法的有效性.     

DOA估计算法的一种修正MUSIC算法的研究

传统改进 MUSIC 算法通过对接收信号协方差矩阵作预处理,使信号协方差矩阵分解得到信号子空间与噪声子空间正交,从而降低噪声的影响。但当信号间隔很小时,随着信噪比的降低,传统改进MUSIC算法已无法分辨出信号。基于此问题提出的修正MUSIC算法在使信号子空间与噪声子空间正交的基础上,充分利用了噪声子空间及其特征值对噪声子空间的修正,进而构造谱峰搜索函数估计出信号。通过仿真实验,证实了在信噪比很低的情况下,信号间隔很小且存在相关信号时,修正MUSIC算法能准确地估计出传统改进MUSIC算法不能估计的信号。     

传感器输出特征线性化的稳健算法

利用最小一乘估计的稳健性 ,给出了传感器输出特征线性化的特征直线的稳健估计。该方法在稳健性方面明显优于最小二乘估计 ,更有效地刻划了传感性输出特征的本质     

Point reconstruction from noisy images

In this paper we treat the problem of determining optimally (in the least-squares sense) the 3D coordinates of a point, given its noisy images formed by any number of cameras of known geometry. The optimality criterion is determined by the covariance matrices associated with the images of the point. The covariance matrices are not restricted to be positive definite but are allowed to be singular. Thus, image points constrained to lie along straight lines can be handled as well. Estimation of the covariance of the reconstructed point is provided.The often appearing two-camera stereo case is treated in detail. It is shown in this case that, under reasonable conditions, the main step of the reconstruction reduces to finding the unique zero of a sixth degree polynomial in the interval (0, 1).The authors are listed in random order.     

Effect of intraclass correlation among training samples on the misclassification probabilities of bayes procedure

The sample mean and sample covariance matrix are unbiased and consistent estimates of population mean and covariance matrix only if the samples are independent. In practical applications of Bayes' procedure these estimates are used in place of population means and covariance matrices on the assumption of independence among the training samples. This practice has often given, especially in remote sensing data analysis, misclassification probabilities much higher than that can be accounted for theoretically. The reason may be that the assumption of independence may not be valid. In reality, the samples are rarely independent, they are rather dependent, at best equicorrelated. This paper investigates how such intraclass correlation among the training samples affects the misclassification probabilities of the Bayes' procedure.     

基于旋转矩阵KF的低成本MEMS姿态解算

针对低成本MEMS器件组合的姿态检测系统在运动加速度干扰下姿态估计精度较差等问题,提出了一种基于旋转矩阵卡尔曼滤波器(KF)的姿态解算方法.为了克服四元数法观测方程为非线性的缺点,该方法以旋转矩阵部分元素建立状态方程,并对量测加速度采用状态反馈估计的运动加速度进行补偿,减小了外部加速度的干扰,然后通过构造水平观测向量降低了计算复杂度,并给出了量测噪声协方差的推导.最后设计了卡尔曼滤波器对量测信息实现融合.动静态测试表明,该方法消除了累计误差,与无迹卡尔曼滤波(UKF)相比,提高了在运动加速度干扰下的姿态估计精度.