自适应差分演化粒子滤波器

针对非线性、非高斯系统中的粒子滤波算法存在粒子权值退化和重采样后引起样本枯竭问题,提出一种自适应差分演化粒子滤波算法。用一种自适应参数控制策略对差分演化算法的参数进行控制,并以此代替粒子滤波中的重采样算法。通过对状态更新后的粒子做自适应差分变异、自适应杂交和选择等优化操作,利用权值大小选出下一时刻的粒子集合。实验表明,该算法能有效缓解粒子权值退化和样本枯竭问题,缩短算法运行时间,提高估计精度,同一般的差分演化粒子滤波算法相比,状态估计的精度更高。     

基于自适应重采样次数的协方差角度估计算法

针对基于Hermitian分解的协方差角度估计算法在低信噪比(SNR)时性能差的问题,提出了基于自适应重采样次数的协方差角度估计算法。该算法首先用接收信号扫描角度空间内的所有导向矢量,划定正确的角度估计区间,并给出判断角度估计结果是否可靠的标准。然后构造协方差矩阵,得到角度估计结果,接着以角度估计结果是否可靠为判断标准自适应地对原始信号进行重采样。若重采样后对应某一信号的多个角度估计结果都不可靠,则对原信号重采样并估计到达角,直到所有信号均有可靠结果为止。仿真结果表明,所提算法修正异常的角度估计结果,提高协方差角度估计算法在低信噪比时的精确度。     

一种基于IMM的自适应跟踪数据率算法

针对交互式多模型(IMM),提出一种自适应跟踪数据率的算法.该算法利用IMM模型更新概率对各模型产生的采样间隔时间进行混合估计,产生系统的自适应采样间隔时间.在保证跟踪精度的基础上,有效地降低了跟踪采样次数.仿真结果表明了方法的有效性.     

基于代价参考粒子滤波的机动目标跟踪算法

代价参考粒子滤波算法通过动态优化自定义代价函数和风险函数来衡量状态滤波估计的质量,选取最优的状态估计.与粒子滤波算法相比其优点是不需要任何先验概率知识的假定和重采样过程可实现并行处理.将代价参考粒子滤波与当前统计模型的优点相结合,提出一种新的当前统计模型自适应跟踪算法,用于非线性非高斯系统的机动目标跟踪.Monte Carlo仿真表明,该算法跟踪精度优于标准的交互多模型算法和当前统计模型自适应跟踪算法,实时性好于当前统计模型高斯粒子滤波算法.     

一种适于时差法超声流量计的自适应采样方法

针对超声流量计高精度、低功耗的要求,提出一种自适应采样方法,克服了周期性采样的不足.该方法以相邻二次采样的时差变化率作为动态控制采样周期的主要指标,可根据流体流动情况自动调整采样周期.通过对自适应和周期性采样算法的实验数据进行比较分析,自适应采样方法不仅能在流体波动环境中显著提高计量精度,而且还可以在流体处于稳定时降低系统功耗.     

基于相控阵雷达的自适应采样目标跟踪算法

研究了一个基于相控阵雷达的自适应采样的目标跟踪算法，该算法基于IMM。该算法有两个目的：估计、预测目标的运动状态；估计运动中过程噪声的大小，并利用过程噪声的大小来决定更新时间间隔以适应目标运动状态的变化。文中对自适应更新采样的算法和传统的固定周期采样的IMM算法进行了比较。仿真结果表明：在保证同样的跟踪质量情况下，自适应更新采样算法能减少采样次数。     

基于空间分布和时间序列分析的粒子滤波算法

针对粒子滤波存在的粒子贫化问题,提出了一种改进的重采样粒子滤波算法.在重采样步骤中基于采样粒子集的空间分布引入时间序列分析,选取相关度最高的粒子进行传递,避免了只关注采样粒子权值的传统重采样算法中仅复制大权值粒子而任意丢弃小权值粒子的缺陷,因此能够消弱粒子贫化现象,提高算法的估计精度.在理论上利用两样本Kolmogorov-Smirnov检验原理证明了改进算法重采样后的粒子集和采样前的粒子集来自同一总体.仿真结果表明,尤其是在初始采样粒子数目较小时,该算法在非线性系统状态估计中的精度优于传统的粒子滤波算法.     

自适应MPAM解调方法研究

提出了一种新型的基于自适应滤波器权系数解调多进制幅度调制(MPAM)信号的方法.文中以常用的最小均方误差自适应算法(LMS)为例,讨论了新型的MPAM自适应解调的过程及其性能.该解调算法不需要自适应滤波器完成收敛,从而降低了采样频率和处理速度.给出的理论性能与仿真结果表明,MPAM自适应解调的误码率仿真结果与理论值吻合非常好;而且该方法具有抗干扰性能强、输出响应快、便于数字信号处理(DSP)技术实现等特点,在相同的采样频率下其误码率优于相关解调的误码率.     

视点相关光线投射算法在三维云可视化方面的应用

针对绘制海量云数据时传统光线投射算法计算量大、绘制缓慢等问题,提出了一种基于视点相关光线投射算法的三维云可视化方法。该方法首先采用基于多分辨率方法的数据预处理策略,然后采用基于视点相关系数的自适应采样频率计算方法确定重采样点的位置,并利用三阶段插值算法计算重采样点的值,最后采用基于块重要性加权香农熵的二维传输函数完成颜色值和不透明度的映射关系,从而实现图像的合成。实验结果表明,该方法计算复杂度低、执行效率高,与现有的光线投射算法相比,不仅图像的重构质量得到了提高,绘制时间也减少了约30%。     

基于稳健自适应频率采样的宽频电磁数值仿真

已有的基于Stoer-Bulirsch有理函数插值的自适应频率采样算法往往对插值间隔、收敛精度等参数非常敏感,算法稳定性差,甚至会出现伪收敛等问题.针对已有算法的上述缺陷,通过采用极点判断、插值区域二分、参数变换和多次收敛性检验等措施,提出了一种逐一增加采样点的自适应策略.形成了一种通用性强、稳定性好的自适应频率采样算法,可以用较少的采样点插值重构未知函数响应.并结合多层快速多极子方法,对宽频带目标电磁散射进行计算分析,实现采样频点的自适应选取,减少了计算量极大的精确数值计算的次数,提高了仿真效率.     

基于级联滤波的多AUV协同定位算法

针对交替领航下的多自主水下航行器(AUV)协同定位系统,利用级联滤波架构设计了一种多 AUV 协同定位自适应滤波算法,通过将协同定位系统中的跟随 AUV 状态估计分解为航向估计与位置估计两部分,克服了在仅有部分距离量测下航向角估计可观测性差的影响,减小了距离量测误差模型不确定所引起的定位误差波动。同时,引入算法复杂度评价标准对所设计的级联自适应滤波算法进行分析。仿真结果表明,该算法具有较高的定位精度,可有效降低计算复杂度。     

无线传感器网络自适应蚁群定位算法研究

针对蚁群定位算法可能出现局部最优解而导致定位不准确的问题,提出了无线传感器网络自适应蚁群定位算法。通过将节点估计坐标移动方向离散化,将传感器定位问题转换成离散组合最优问题。定位过程中通过聚度和信息权重对传感器节点估计坐标向各个方向移动的概率进行修正,解决了定位结果收敛于局部最优解的问题。仿真结果表明,自适应蚁群定位算法比传统蚁群定位算法具有更低的定位误差。     

Multi-target localization algorithm based on adaptive grid in wireless sensor network

The RSS-based multi-target localization has the natural property of the sparsity in wireless sensor networks.A multi-target localization algorithm based on adaptive grid in wireless sensor networks was proposed,which divided the multi-target localization problem into two phases:large-scale grid-based localization and adaptive grid-based localization.In the large-scale grid-based localization phase,the optimal number of measurements was determined due to the sequential compressed sensing theory,and then the locations of the initial candidate grids were reconstructed by applying l_p (0＆lt; p＆lt;1) optimization.In the adaptive grid-based localization phase,the initial candidate grids were adaptively partitioned according to the compressed sensing theory,and then the locations of the targets were precisely estimated by applying l_poptimization once again.Compared with the traditional multi-target localization algorithm based on compressed sensing,the simulation results show that the proposed algorithm has higher localization accuracy and lower localization delay without foreknowing the number of targets.Therefore,it is more appropriate for the multi-target localization problem in the large-scale wireless sensor networks.     

基于自适应粒子群算法的目标定位方法研究

针对现有定位求解算法复杂和标准粒子群算法易陷入局部最优的缺点,提出了一种基于自适应粒子群算法的目标定位方法.该方法在迭代过程中指数更新惯性权重,择优选择粒子,并根据种群适应度方差值自适应地调整变异概率的大小,增强算法跳出局部最优的能力.仿真结果表明该方法能有效地提高目标的定位精度,在随机噪声干扰方差为0.5的条件下,定位均方误差不超过0.8m.     

分布式声源定位系统节点最优布局方法及性能研究

为提高基于到达时间TOA（Time of Arrival）的分布式声源定位系统在应用中的定位精度,推导出各节点测量性能存在差异条件下定位误差的CRLB（Cramer Rao Lower Bound）,遵循探测区域定位误差的平均CRLB最小的最优准则,对目标以均匀分布和高斯分布概率出现的情形,采用自适应遗传算法进行最优布局仿真研究.仿真结果表明,基于节点观测性能的最优布局与声源出现的概率分布直接相关;且与不考虑节点性能时的最优布局相比,提高了定位区域的整体定位精度.     

基于注意力和自适应特征融合的SAR图像飞机目标检测

针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像中飞机目标尺度多样性及背景强散射干扰的问题,提出了一种基于坐标注意力和自适应特征融合的YOLOv4 SAR图像飞机目标检测算法。该方法首先在主干网络引入坐标注意力机制,以增强对于飞机散射点组合结构的聚焦能力以及抗背景干扰能力。其次,在特征增强网络中引入自适应特征融合机制,提高了对不同大小飞机的特征提取能力,同时改善了YOLOv4算法召回率和精确率不平衡的问题。最后,通过改进的K-Means聚类针对飞机目标调整先验框的尺寸,提高了模型的定位精度。实验结果表明,改进算法召回率达到91.01%,精确率达到90.09%,AP_0.5达到92.34%,分别较原YOLOv4算法提高2.49%,6.56%和3.62%。     

基于自适应渐消记忆的蓝牙序列匹配定位算法

针对传统指纹定位算法建库耗时长和定位精度低的问题,该文提出一种基于自适应渐消记忆的蓝牙序列匹配定位算法。首先,利用行人航迹推算(PDR)和最近邻算法(NNA)对运动序列进行位置标定和接收信号强度(RSS)映射;然后,根据邻近位置的相关性,采用序列递归搜索算法构建指纹序列数据库;最后,通过自适应渐消记忆算法,并结合初始序列匹配度实现位置估计。实验结果表明,该算法在室内环境下能够获得较低的建库时间开销以及较高的定位精度。     

基于MDS和SDP的分布式节点定位算法

提出一种新的节点定位算法,基于MDS和SDP的分布式节点定位算法(DLMS)。该算法的主要思想是将整个无线传感器网络划分成若干个局部定位区域,在每个局部定位区域选择MDS定位算法或SDP定位算法建立一个局部相对定位图,然后将所有的局部相对定位图合并成全局相对定位图,最后利用锚节点的信息得到节点的估计位置。实验仿真结果表明,该算法能够提高节点的定位精度,尤其是在节点分布不均匀的情况下,同时该算法还能够节约锚节点数量。     

基于稀疏贝叶斯学习的网格自适应多源定位

多源定位是信号处理中的重要问题。该文针对目标偏离初始网格点引起的基不匹配问题,构建具有Laplace先验的稀疏贝叶斯学习框架,提出基于稀疏贝叶斯学习的网格自适应多源定位算法AGMTL。本质上,AGMTL实现了稀疏信号重建和网格自适应定位字典的学习。仿真结果表明,AGMTL通过网格自适应调整,在定位误差,估计可靠性,抗噪性能上均远远优于传统的压缩感知定位算法。     

基于改进灰狼优化算法的DV-Hop定位算法

针对无线传感器网络节点DV-Hop定位算法由于节点分布不均,距离估计不准确,导致定位精度较低的问题,提出了一种基于改进灰狼优化算法的DV-Hop定位算法,采用先进的灰狼优化算法以寻找最优值的方式得到未知节点、坐标。同时,为进一步提高优化算法的寻优能力,克服可能出现局部最优的情况,将优化算法与免疫算法相结合,提高优化算法中灰狼种群的多样性,进而提高对最优解的搜索能力,达到提高定位精度的目的。实验结果表明,相对于普通的DV-Hop定位算法和普通的灰狼优化算法,改进之后的定位算法精度更高。