共查询到10条相似文献,搜索用时 109 毫秒
1.
基于小波变换的K-L变换去噪应用研究 总被引:1,自引:1,他引:0
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. 相似文献
2.
3.
4.
基于视频去噪算法移动机器人视觉定位研究 总被引:3,自引:1,他引:2
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。 相似文献
5.
6.
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。 相似文献
7.
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。 相似文献
8.
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。 相似文献
9.