基于小波变换的K-L变换去噪应用研究

在通信对抗电台指纹特征识别研究中,需要多个不同的传感器来采集数据.经多路传感器系统所采集到的原始信号数据,各传感器通道的有效信号之间具有较强的相关性,而随机噪声之间不具有相关性,K-L变换对不同通道间不相关随机噪声的去除具有比较大的优势.原始信号中可能含有多个频率,实现对各个频率成分分别去噪具有重要意义.用基于小波变换的K-L变换去噪方法进行电台指纹特征识别的应用.仿真结果显示对各频率分量基于小波变换的K-L变换去噪能够较好的实现信噪分离.     

一种改进的无线局域网位置指纹定位法

精确、实时的室内定位技术是提供基于位置服务的关键技术之一。针对经典的基于无线局域网指纹定位法由于室内环境复杂多变、无线信号波动而不能实现精确定位的问题,提出了一种改进的指纹定位算法。该改进算法通过优化特征接入点的选取和指纹距离的计算,以及对最近邻的类聚处理,实现了对指纹匹配精确度和位置估计准确性的提高。实验表明,所提出的改进算法相比于经典的位置指纹法具有更高的定位精确度和鲁棒性。     

基于改进圆拟合算法的激光光斑中心检测

主要运用图像处理的方法来检测激光器输出光斑的中心位置,在圆拟合基础上改进了算法,加入了采集处理,去噪滤波,以及多次迭代等处理方法,提高了检测光斑中心位置的精确度,同时预处理和去噪滤波有效地减少了测量时的白噪声以及椒盐噪声的干扰,增强了抗干扰能力。     

基于视频去噪算法移动机器人视觉定位研究

提出基于视频去噪算法的移动机器人的视觉定位方法,应用运动补偿时域视频去噪算法对视频图像去噪,提取去噪视频图像的图像像素,用摄像机标定方法确定目标空间坐标,扩展卡尔曼滤波Matlab仿真算法对目标进行定位,有效地解决了视频图像的拖尾、重影等现象,实现目标动态定位。实验结果表明视频去噪效果良好,摄像机标定准确,目标定位精确度高,达到了预期效果。     

室内定位系统中位置指纹库滤波算法研究

WiFi指纹定位是目前最受欢迎的室内定位技术之一,离线阶段创建的位置指纹库的精确与否对定位的精准度有很大的影响。传统的指纹库构建一般对采集的数据进行均值滤波,误差较大,并且在范围较大的场合进行定位时,由于位置指纹数据过多,使得定位时效性不好,结果不理想。为了提高指纹库的可靠性,通过给采集的源指纹数据赋予权值并根据权值的大小划分有效数据进行滤波处理,建立高精度指纹库,并利用基于临近域加权最近邻算法进行验证。实验结果表明,与传统的构建指纹库和定位算法相比,该方法显著提高了定位精度,缩短了定位时间。     

基于统计直方图两步法的星载单光子数据去噪

针对星载单光子激光有效回波信号混杂于噪声中难以区分的问题,提出一种基于统计直方图两步法的星载单光子数据去噪方法。先后采用沿轨小窗口直方图粗去噪与距离平方统计直方图精去噪,实现星载单光子回波数据中的噪声光子有效剔除。利用该方法对美国星载单光子激光雷达先进地形激光测高系统(ATLAS)的强与弱波束、白天和夜间、平地与山地3种典型情况下的回波光子数据进行实验,结合ATLAS官方去噪结果,基于混淆矩阵统计去噪精确度。实验结果表明,强波束数据去噪精确度为98.86%,弱波束数据去噪精确度为96.94%;夜间数据去噪精确度为99.02%,白天数据去噪精度为98.86%;山地数据去噪精确度为96.28%,平地数据去噪精确度为96.94%。说明本文方法适用于常见的以上3种典型情况下的星载单光子数据去噪。     

基于VIO和Wi-Fi指纹技术的室内定位系统设计

针对视觉惯性里程计(Visual-Inertial Odometry,VIO)在特征高度重复的场合易产生较大误差以及Wi-Fi指纹精确度不高等问题,提出了一种基于VIO和Wi-Fi指纹技术的室内定位方法。该系统运用VIO和Wi-Fi指纹在系统层面的结合,利用Wi-Fi指纹的无漂移、成本低的特点和VIO在一定范围内的高精确度，先进行Wi-Fi指纹粗定位，后进行VIO精定位，将大面积切割成小面积从而有效提高系统室内定位精确度，降低误差。该系统能在精定位的同时进行对指纹数据库的更新。实验结果表明,该系统的定位误差小于单独使用VIO或Wi-Fi指纹的系统,平均误差达0.15 m，能够有效提高定位精度。     

低指纹密度下分段式高精确度室内定位方法

针对室内环境中传统定位方法在大定位区域、低指纹密度下定位精确度低、计算复杂度高的问题,提出了一种基于线性插值法和分布重叠的分段式定位方法。该方法采用传统的最近邻法进行粗定位,得到可信区域;利用线性插值法更新可信区域内指纹数据库,增加指纹密度;在可信区域内,采用基于分布重叠的指纹相似度匹配法实现精定位。实验结果表明,在低指纹密度下,该定位方法定位精确度较高,算法复杂度适中,具有一定的适用性。     

基于canny算子的改进边缘检测算法

本文提出了一种基于Canny算子的改进边缘检测算法。该算法既具备传统Canny算子信噪比高、定位精确的优点,又具备较强的去噪能力和较好的边缘检测效果。实验表明,本文算法增强了Canny算子在噪声干扰情况下的去噪效果,提高了边缘定位的精确度,能够得到更加完整的边缘轮廓。     

基于RSSI的Wi-Fi室内定位常用算法对比

WiFi定位是室内定位的方法之一,其观测值主要为WiFi的信号强度(received signal strength indication,RSSI),利用信号强度进行室内定位的方法基本上可以分为两种,一种根据模型计算接收节点与发射节点的距离,估计接收节点的位置;另一种是根据事先采集的信号强度指纹进行空间匹配。通过在不同场景下对两种定位算法的比较,基于信号强度指纹匹配的定位精度明显高于基于估计接收节点的定位精度,但与指纹匹配法相比,位置估计法更加灵活。