粒子数自适应的粒子滤波算法

针对粒子滤波算法时间复杂度高的问题,引入一种在滤波过程中粒子数可以根据过程噪声方差大小进行调整的自适应粒子滤波算法,即KLD-Sampling粒子滤波算法.该算法在保证一定滤波精度的前提下,可以有效地减少滤波过程中使用的粒子数,从而减小滤波时间,提高滤波效率.此外,分析了该算法中距离阈值和小区域阈值的选取与参与滤波粒子数的关系及其对算法性能的影响.仿真实验对分析结果进行了验证.     

基于自适应α-β滤波的目标跟踪算法研究

由于雷达对目标角度测量精度低,而红外传感器角度测量精度高,所以引入红外角度数据用以修正融合航迹点的方位角。建立了自适应α-β滤波的数据关联快速算法模型。进行了模拟战场实际目标的仿真试验。仿真结果表明该算法充分利用了红外与雷达的互补性,达到了降低目标航迹的方位角和俯仰角跟踪误差的目的,使航迹状态估计更加精确。     

常用目标跟踪滤波算法分析

概括了在目标跟踪中常用的几种滤波算法,从目标模型建立到滤波器的算法原理进行了分析和归纳。这些算法各有特点．在不同的情况下它们的跟踪精度、实时性有很大差异。针对一种典型的目标运动,对其中有代表性的算法进行数据仿真,分析和验证了这几种典型滤波算法各项性能的差别。     

一种新型自适应中值滤波算法

对开发大米检测中的脉冲噪声提出了一种新型的基于极值和噪声密度估计算法的自适应滤波算法,结合了EM算法和IMFLED算法的优点。实验表明该算法比现有的中值滤波去噪和保持物体的实际大小、边缘等许多重要细节的能力更强,特别在噪声密度比较高的情况。     

修正的截断正态概率密度模型自适应滤波算法

针对机动目标跟踪问题,在截断正态概率密度模型的基础上,通过目标机动状况与相邻采样时刻间位置估计量变化之间的函数关系实现噪声方差自适应调整,提出了一种新的自适应滤波算法——基于截断正态概率密度模型修正的自适应滤波算法。计算机仿真结果表明,该算法在跟踪机动目标时,具有良好的跟踪性能,并极大地改善了跟踪非机动目标的能力。     

基于自适应滤波算法的OFDM信道估计

在对传统的信道估计方法分析的基础上,利用自适应滤波的跟踪和估计性能,结合DFT方法,将自适应滤波理论应用于无线信道的估计之中。DFT方法通过在时域插零然后FFT变换到频域可以显著降低噪声的影响。基本LMS方法由于在进行FFT之前对由导频点处的信道时域估计值进行自适应滤波,能进一步减小噪声的干扰。基于时变步长的LMS算法由于兼顾了稳态性能和收敛速率是上述几种估计方法中性能最优的一种。     

自适应Kalman滤波的运动物体跟踪算法研究

针对实时视频中的运动物体跟踪问题,提出了一种基于自适应Kalman滤波的运动物体跟踪新算法。首先利用基于∑-△背景估计算法检测运动物体,并提取主要颜色特征。然后构建物体运动模型,并生成自适应Kalman滤波的系统状态模型。最后利用主要颜色特征进行物体跟踪,其结果反馈给自适应Kalman滤波器,并通过遮挡率自动调整参数达到正确跟踪。实验结果表明,所提出的自适应Kalman滤波算法在运动物体被遮挡等复杂条件下的鲁棒性好,还具有跟踪准确性高和数据计算量小等优点,可用于实时运动物体的检测与跟踪。     

用模糊自适应滤波算法估计时延

为了对系统中的时延进行估计,基于MRAS结构、最小均方算法和模糊理论,利用系统的输入和输出数据,提出了自适应模糊滤波AFLMS算法。该算法的运算量比通常具有IIR形式的系统辨识算法小得多,且收敛快,便于实时应用。在各种最小均方算法中,μ因子决定算法的收敛速度和稳定性,然而它是难以选择的。采用模糊技术来确定μ因子,克服了其困难。采用PRBS作为输入测试信号,利用计算机和采样电路,对带有时延的系统的仿真结果说明了该算法的有效性。     

分类因子自适应抗差滤波

自适应抗差滤波的关键技术是构造观测等价权矩阵和合理的自适应因子，以便能有效地平衡观测信息、状态信息及其各分量对状态参数估值的贡献．文中在自适应抗差滤波和双因子相关观测抗差估计原理的基础上，提出了将常速度模型的状态预报信息分为位置和速度两类，并分别构造相应的自适应因子．导出了相应的分类因子自适应抗差滤波解，并给出了分类自适应因子的计算表达式．计算结果表明，分类因子自适应抗差滤波不仅能有效地控制观测异常和动态扰动异常的影响，而且利用分类因子合理地平衡了位置预报信息和速度预报信息对状态参数估值的贡献，其精度要优于基于位置不符值和速度不符值的单因子自适应抗差滤波．     

时序自适应滤波技术用于听觉诱发电位的跟踪

本文针对诱发电位是具有重复出现特性的非平稳信号这一特点，利用时间序列自适应滤波技术对听觉诱发电位进行动态跟踪，时间序列自适应滤波技术将非平稳的听觉诱发电位进行分段处理，每段用一个专门的ＬＭＳ自适应信号增强滤波器来实现，实验表明，利用这一新方法不但能够得到优于常规平均技术的结果，更重要的是它能不断地跟踪诱发电位的变化轨迹，提供变化的细节，为临床诊断和神经生理学的研究提供有力的手段。     

自适应数字滤波器中乘法器的硬件设计

本文在ALTERA公司的FLEX10K系列芯片上，用VHDL语言，对自适应数字滤波器中的乘法器进行了硬件设计和实现，并对乘法器的速度、芯片的资源使用进行了讨论，得出了比较理想的结果。     

GLMS系列算法和时变信号模型的自适应处理

提出了具有指数数据窗的GLMS算法和近似GLMS算法.分析和计算证明,两算法不仅具有较高的起始收敛速度,而且还有较强的跟踪能力和小的失调量,适用于时变和非时变信号模型的自适应处理.     

基于VHDL语言的LMS自适应滤波器的硬件实现方法

提出了一种LMS数字自适应滤波器的硬件实现方法，就是用VHDL语言描述设计文件，在ALTERA公司的ACEX系列芯片上实现自适应滤波器，在Maxplus2上进行了模拟仿真和时序分析，并给出了该算法在MATLAB上的计算结果。     

基于快速卡尔曼滤波算法的运动人体跟踪

在对运动人体进行跟踪时,为保证系统的实时性和精准性,需要根据目标当前的运动轨迹预测目标在下一时刻的位置,并对该时刻的位置进行修正.笔者在卡尔曼滤波理论的基础上,对原有系统的增益矩阵和常数矩阵提出了新的确定方法,简化迭代计算的步骤,提高系统的计算速度,把该理论运用到人体跟踪中,使跟踪速度更为快捷,实现系统的实时跟踪.     

基于像素特征的路面裂缝图像自适应滤噪

分析了破损路面图像的像素点区域特征，针对不同区域提出加权邻域滤波和自适加权中值滤波算法。其权值是通过对图像中区域特征的推理得到的，所以算法中能根据图像的区域特征自适应的进行滤波。试验表明，本算法能够有效滤除噪声，并具有很好的细节保护能力。     

基于改进型Camshift和卡尔曼滤波器的车辆跟踪算法

针对车辆跟踪过程中跟踪目标丢失或者失败的情况,提出一种改进型Camshift(Continuously Adaptive Mean Shift)算法和卡尔曼滤波相结合的跟踪方法。首先,利用卡尔曼滤波器实现跟踪目标的位置估计,以克服目标被遮挡造成的跟踪失败的问题,然后再利用改进型Camshift算法依据目标距离搜索中心的位置,对H分量创建的颜色直方图中的每个像素位进行高斯模型核函数的加权处理,并自适应计算得到最优的搜索窗口,从而改善了传统Camshift不能直接抵制噪声干扰的缺点,解决了因跟踪目标在同色背景噪声干扰下出现的丢失问题。最后通过仿真实验表明:改进型Camshift算法和卡尔曼滤波的结合有效地提高了车辆跟踪的准确性和连续性。     

多目标跟踪动态规划法的算法实现

本文提出了在密集环境下多目标跟踪动态规划法的算法实现问题,给出了航迹质量的评价方法和起始跟踪的方法。     

机器人自适应模型跟随控制系统

对工业机器人控制要求的不断提高,提出了不少现代控制方案。建立在超稳定性理论基础上的自适应模型跟随控制系统(AMFCS)就是一种很有效的方案。本文提出了一种自适应控制算法:单位向量加积分校正自适应算法。设计方法简单,能保证系统大范围渐近稳定,计算工作量小,易于实时控制。对机器人系统期望的解耦特性可以通过选择适当的参考模型来实现。计算机数字仿真实验证明了该方法的有效性。     

利用径向速度测量值的自适应常增益滤波器

本文推广K.C.Wilson的最优常增盆滤波器到利用径向速度测量值的情况。当目标发生机动时,讨论了机动检测器的设置、速度输入增量的估计和状态预测的修正。本滤波方法与卡尔曼滤波和常增益滤波此较的计算机模拟结果表明:本滤波器减小了机动跟踪时的滤波偏差、提高了机动段内滤波精度,又保持了卡尔曼滤波对非机动目标的良好跟踪性能。