双状态机的自适应步态检测算法

针对步态检测算法无法适应于不同的运动状态、不同传感器姿态问题,该文提出基于双状态机的自适应步态检测算法,该方法在原算法基础上利用最大整体加速度阈值对状态机进行状态分割,并利用时间阈值和整体加速度阈值对状态机进行二次判断。通过四类步态检测算法的比较实验,常规峰值检测算法、状态机步态检测算法在行人行走状态下步态检测精度均优于99%,而在行人跑步状态和行走+跑步状态的步态检测精度仅为60%和70%,无法适应行人的不同运动状态;本文算法在不同行人运动状态、不同传感器姿态下均具有较强的适应性和可靠的步态检测正确率。     

多场景下的行人步频自适应检测方法

针对步频检测中容易出现步数过计、错计等问题影响行人航迹推算(PDR)室内定位精度,提出一种自适应步频检测算法. 由于智能手机内置加速度传感器直接采集得到的数据存在大量干扰噪声,提出一种组合滤波去噪方法,即将加速度数据依次通过赫尔指数移动平均法、卡尔曼滤波(KF)和低通滤波的预处理滤波组合去除噪声. 然后在不同场景下,如上下楼、水平地面和不限制步速,经过峰谷值去异、自适应动态阈值、峰谷值成对的检测算法后获取峰谷值个数,实现在多场景和多步态下的准确计步. 实验结果表明:相比峰值检测和动态阈值算法,该方法能有效剔除伪真步数且适应于上下楼场景,综合场景下的实验平均精度达到99.44%.      

一种基于智能手机的室内融合定位方法

随着室内无线终端与智能手机的快速发展,室内定位技术成为近几年的研究热点之一。本文研究了基于低功耗蓝牙(BLE)和行人航位推算(PDR)技术,利用扩展卡尔曼滤波(EKF)进行融合处理的室内定位方法。该方法包含3部分:①离线阶段利用蓝牙指纹快速采集方法建立指纹库,在线阶段利用加权K邻近算法进行指纹定位;②利用手机内置传感器准确估计航向角,并结合步态识别算法和步长估计算法推算行人位置;③利用EKF对两种定位结果进行融合,获取最优位置估计。试验结果表明,融合定位方法的平均定位精度为1.17 m,90%的概率定位精度达到2 m。     

基于天顶轴速度零点的行人步数检测

针对现有峰值检测算法适用性较低和深度学习方法算力要求较高的问题,研究和完整阐述了步态规律和数据特征,通过分析步态规律提出了基于天顶轴速度零值的行人步数检测算法。通过将载体坐标系下的加速度计数据转换到地理坐标系下,使用经验模态分解、趋势项剔除等方法提取出每一步中的有效天顶轴速度零点,统计有效零点的个数作为步数。在多种行走状态下的实验表明,相比改进的峰值检测模型,本模型的准确率与可靠性有明显提升,在行人过快或过慢行走时提升效果更为显著。     

一种基于蓝牙室内指纹定位的贝叶斯改进算法

贝叶斯估计是重要的位置指纹定位算法，但传统的等值贝叶斯先验概率在动态定位中不适用。针对该问题，本文提出了一种基于贝叶斯指纹定位的改进算法。首先，借助陀螺仪获取的航向信息和高斯核函数模型建立概率投票算法，计算先验概率；然后，结合先验概率和信号强度计算待测点位于参考点上的后验概率；最后，选取概率最高的参考点，以概率为权重计算待测点的最或然值。以智能手机为试验对象，在规则路径试验中，改进算法的平均定位误差为1.15 m，定位误差小于2 m的概率为96.1%，不规则路径试验中，平均定位误差为0.50 m，定位误差在1 m的可信度为94.8%；并且改进算法对定位中位置跳变的现象有明显改善，具有较好的稳健性。     

基于卡尔曼滤波的Wi-Fi/PDR融合室内定位方法研究

当前智能手机大多集成了多种传感器,组合多种传感器数据进行室内定位已成为研究热点。本文针对传统的Wi-Fi位置指纹室内定位精度不高的问题,提出了一种基于卡尔曼滤波结合行人航位推算的融合定位方法,经测试,融合定位方法的平均定位精度为3.1 m,较单独Wi-Fi指纹定位精度提升了43%。同时针对PDR步数检测不准确的问题,本文提出了基于低通滤波和阈值滤波的组合滤波方法,将计步准确率提高至99%,对于不同的应用场景具有较强的适应性。     

步态特征提取的K均值聚类自适应判别

针对微惯性零速修正算法中步态特征的准确提取,以及步态特征的无规律性成为制约行人导航系统中步态信息提取与辨识的问题,该文提出一种基于K均值聚类自适应的行人步态特征辨别方法。分析行人步态规律并通过设定角速率阈值法对步态特征进行初判后,采用K均值聚类自适应算法设定时间阈值并将误判的步态进行纠正。为验证该算法的普适性,分别针对不同测试个体和同一个体5组不同行走速度条件下的步态特征判别实验,结果表明,本文提出的步态自适应判别方法对不同个体具有良好的适应性;为进一步验证K均值自适应步态判别算法对人员位置解算的准确性,分别开展圆形及400m跑道闭合行走实验,对比不同行走路径对应的位置误差可看出,解算位置误差虽然随行走距离增大而增加,但其相对误差均不超过2%。     

一种新的利用历元间位置变化量约束的GNSS导航算法

目前常用相位或多普勒观测值平滑伪距的方式提高全球导航卫星系统(global navigation satellite system, GNSS)的导航性能。然而在城市环境下,GNSS观测信号中断严重,且行人等载体运动具有很大随机性,常规的相位平滑伪距或者常速度/常加速度导航算法效果有限。因此,提出了一种基于历元间载体位置变化量约束的单机GNSS导航算法,该算法利用历元间相位差分观测值计算高精度历元间位置变化量,并以此描述载体的运动,构建滤波模型的状态方程,同时利用伪距观测值构建观测方程,采用扩展卡尔曼滤波实时估计载体的位置。实验使用低成本的单频u-blox接收机实测数据,结合该算法进行导航解算。结果表明,静态情况下,导航结果的平面精度优于0.56 m;在动态情况下,平面精度优于1.0 m。在使用基站播发的GNSS差分改正数后,导航平面精度、垂向精度分别提高约49%、46%。该算法性能可靠,即使前后历元仅有4颗卫星连续观测,仍能够提供连续、平滑的实时定位结果,为用户提供更优的导航体验。     

一种机载LiDAR条带平差最小二乘匹配算法

基于七参数正形变换的数据驱动模型实现了机载LiDAR条带平差,算法借鉴了Robert(2004)的最小二乘表面匹 配思想,通过引入高斯–马尔科夫模型改进了原有算法,得到未知参数的最小无偏方差估计。实验采用两组实测数 据,分别考察了引入高斯–马尔科夫模型的必要性、算法效率以及迭代收敛性和算法精度。实验表明：(1)剖面检查吻 合且精度一致;(2)TerraMatch量测匹配精度,理想数据高程匹配误差小于0.05 m,数据质量不理想时误差稍大,但均 能成功匹配。     

顾及有色噪声的GPS位置时间序列中断探测法

GPS位置时间序列中经常会出现信息中断,造成数据不连续,进而导致测站速度及其不确定度的估计有偏。因此,时间序列中断探测是动态大地测量数据处理的重要内容。在基于t-检验的序贯格局转换分析法(sequential t-test analysis of regime shifts,STARS)算法的基础上,顾及GPS位置时间序列的噪声特性,提出了一种考虑有色噪声的STARS算法(COL-STARS)。该算法首先利用一阶自回归模型(auto-regressive,AR(1))模型进行噪声"白化",然后再进行数据中断探测。经模拟数据和实测数据分析,改进后的COLSTARS算法在一定程度上降低了中断探测的误判,能提高GPS位置时间序列中断探测的准确率。同时,也对STARS算法的参数设置以及滤波对中断探测的影响分别进行了讨论。     

动力学模型自适应滤波算法研究

在全球导航卫星系统（global navigation satellite system,GNSS）动态测量中,常采用Kalman滤波进行导航解算。但是,载体运动的不规则性经常会导致动力学模型偏差增大,从而出现定位精度下降的问题。针对此,在实时估计协同转弯模型（coordinated turn,CT）转弯率的基础上提出了两种减弱动力学模型偏差影响的自适应滤波算法。一种是实时估计转弯率的CT模型与改进的椭球约束方程相结合的滤波算法;另一种是通过对载体运动规律的分析,推导了实时估计转弯率的三维转弯模型,提出了一种三维转弯模型与新息向量构造的自适应因子相结合的自适应滤波算法。实验结果表明,这两种算法在不同的机动情况下都能较好地控制动力学模型误差的影响,其精度明显优于标准Kalman滤波和CT模型与常速度模型相结合的滤波算法。尤其是第二种算法,不仅通过自适应估计提高了动力学模型的精确性,还通过自适应因子进一步控制了动力学模型扰动的影响,显著提高了动态导航解的精度和可靠性。     

顾及相似用户特征的个人位置预测算法

个体位置预测在传染病精准防控、公共设施科学规划等应用中具有重要意义,既有位置预测算法主要侧重对个体纵向历史轨迹特征进行挖掘建模,从而实现位置预测,对横向相似性用户的规律特性考虑较少。因此,基于图卷积和长短期记忆模型（long short-term memory,LSTM）框架,提出顾及横向相似用户轨迹特征以及纵向历史规律性特征的个体位置预测算法。首先,构建用户轨迹相似性算法并筛选高相似度用户;然后,利用图卷积模型提取待预测用户相似高的用户轨迹特征;最后,利用LSTM框架提取历史轨迹特征,集成相似用户轨迹特征,从而实现个体位置预测。基于某市8万多个用户连续4个工作日的数据进行实验,结果表明,所提算法的准确率随预测时间步长增加而下降,而夜间预测准确率明显高于白天,但相比于既有模型均有10%以上提高;以15 min为预测时间步长时,模型准确率达80.45%。     

城市场景智能手机GNSS/MEMS融合车载高精度定位

智能手机凭借其普遍性、便携性和低成本等优势,已成为大众用户导航与位置服务的主流终端载体,其多频多系统GNSS（global navigation satellite system）观测值的开放进一步激发了手机高精度定位的研究。然而,受限于消费级GNSS器件性能,手机卫星观测值呈现出信号衰减严重、伪距噪声大、粗差周跳多等问题;并且受城市复杂环境影响,手机GNSS定位的连续性、可靠性也难以保证。提出一种城市场景手机GNSS/ MEMS（micro-electro mechanical system）融合的车载高精度定位方案。首先,构建了速度约束的GNSS差分定位模型;然后,通过手机内置MEMS与车辆运动约束,在挑战环境下进行GNSS/MEMS融合精密定位。实验结果表明,在开阔和树荫场景下,速度约束方法可达到分米至米级定位精度,相比于常规方法分别提升了35.2%和78.9%;在高架场景下,GNSS/MEMS融合定位的精度和连续性均提升显著;在隧道场景下,MEMS推算位置累积误差约为2.5%。实验结果初步表明,手机GNSS具备开阔环境下的车道级定位能力,手机GNSS/MEMS融合可提升城市复杂环境下车载定位的精度和连续可用性。     

基于Inception结构的手写汉字档案文本识别方法

针对手写汉字文本识别准确率不高的问题,提出了一种结合卷积神经网络和循环神经网络进行手写汉字文本识别的端到端方法。首先,通过Inception模块构建的卷积神经网络提取文本图像的基本特征;然后,使用循环神经网络对提取的特征进行预测,并输出一个关于汉字字符集的概率分布;最后,采用连接主义序列分类算法计算识别结果并构建损失函数。利用所提方法在手写汉字文本数据集上进行实验, 结果表明,Inception模块和数据增强方法可以有效提升算法的性能,并取得了71.2%的识别准确率和0.060的文本编辑距离,较现有方法性能有所提升,证明了所提方法的有效性。     

改进的GNSS/SINS组合导航系统自适应滤波算法

GNSS/SINS(global navigation satellite system/strapdown inertial navigation system)组合导航系统已得到广泛的应用与研究,当处于复杂环境时,GNSS输出容易出现误差均方差突变、误差均方差缓变、硬故障和软故障4种现象,进而影响组合导航系统滤波精度及载体的导航安全。为了解决上述问题,提出了一种改进的GNSS/SINS组合导航系统自适应滤波算法。首先,利用滤波过程中的观测异常检验统计量与滤波器门限值构建观测因子,然后,将变分贝叶斯原理与抗野值滤波方法结合,设计了改进的组合导航系统自适应滤波算法。仿真实验表明,相较于传统算法,当GNSS输出误差均方差发生变化时,所提算法可将位置精度及速度精度提高11.8%及13.7%;在GNSS输出发生硬故障时,所提算法可将位置精度及速度精度提高70.8%及69.6%。实验结果表明,所提算法具有较强的自适应性,可提升复杂环境下组合导航系统的精度和连续可用性。     

自组织优化分类的AUV地磁导航适配区选取

为确保水下自主航行器(autonomous underwater vehicle, AUV)地磁导航的可靠性及其航迹规划的合理性,提出了一种基于主成分分析(principal component analysis, PCA)和改进反向传播(back-propagation, BP)神经网络结合的候选地磁匹配区自组织优化分类方法。将候选地磁匹配区的分类问题统一在模式识别的框架下,首先,采用PCA对若干地磁图特征参数进行线性变换,获取独立的主成分特征参量;然后,利用遗传算法(genetic algorithm, GA)优化BP神经网络的初始权阈值来提高候选地磁匹配区适配性分类的准确性;最后,借助GA-BP神经网络来构建地磁图特征参数和匹配性能的映射关系,完成地磁适配区的自动识别。仿真实验结果表明,该自组织优化分类方法在地磁导航适配区选取方面具有较高的分类精度和可靠性,为AUV的高精度长航时自主导航提供重要保障。     

一种多尺度自适应点云坡度滤波算法

点云坡度滤波算法原理简单、易于实现,为进一步提升坡度滤波算法的自适应性,提出了一种多尺度自适应点云坡度滤波算法.首先,在数据预处理的基础上引入虚拟网格对点云数据进行分割;然后,利用距离加权的方式逐次计算网格点的坡度角,结合k均值聚类和正态分布自适应确定滤波阈值;最后,使用多尺度策略逐级缩小网格尺寸实现点云数据的精细滤波...     

利用双变量同化与PCA-Copula法的冬小麦单产估测

为了进一步提高冬小麦产量估测的精度,基于集合卡尔曼滤波算法和粒子滤波（particle filter, PF）算法,对CERES–Wheat模型模拟的冬小麦主要生育期条件植被温度指数（vegetation temperature condition index,VTCI）、叶面积指数（leaf area index, LAI）和中分辨率成像光谱仪（moderate-resolution imaging spectroradiometer, MODIS）数据反演的VTCI、LAI进行同化,利用主成分分析与Copula函数结合的方法构建单变量和双变量的综合长势监测指标,建立冬小麦单产估测模型,并通过对比分析选择最优模型,对2017—2020年关中平原的冬小麦单产进行估测。结果表明,单点尺度的同化VTCI、同化LAI均能综合反映MODIS观测值和模型模拟值的变化特征,且PF算法具有更好的同化效果;区域尺度下利用PF算法得到的同化VTCI和LAI所构建的双变量估产模型精度最高,与未同化VTCI和LAI构建的估产模型精度相比,研究区各县（区）的冬小麦估测单产与实际单产的均方根误差降低了56.25 kg/hm2,平均相对误差降低了1.51%,表明该模型能有效提高产量估测的精度,应用该模型进行大范围的冬小麦产量估测具有较好的适用性。     

一种基于改进实例分割模型的路面裂缝检测方法

为了解决现有裂缝识别算法准确度不高、检测与分割任务不能同时进行等问题,提出了一种基于改进型Mask R-CNN模型的路面裂缝识别方法。首先,建立裂缝数据集并进行标注,然后使用Mask R-CNN模型对裂缝数据集进行训练和测试,并对模型中锚点的长宽比进行调整,实现在裂缝定位的同时对生成的检测框内的裂缝像素进行分割;其次,针对Mask R-CNN模型生成的裂缝检测框不精准的问题,设计了C-Mask R-CNN多阈值检测方法,通过结合级联不同阈值的检测器来提高候选框质量,实现高阈值检测下的裂缝精准定位;最后,对改进后的模型进行一系列的优化参数和实验对比,并验证所提模型的有效性。实验结果表明,C-Mask R-CNN模型检测部分的平均准确率均值（mean average precision,mAP）达到0.954,与改进前模型相比提升了9.7%,分割部分的mAP达到0.935,与改进前相比提升了13.0%,识别效果较好。综上所述,C-Mask R-CNN模型可以较为完整地对裂缝进行定位及提取,识别精度较高。     

利用质心Voronoi图对地形自适应简化的算法

地形简化算法利用少量有效的地形信息表达整体地形,能很好地解决海量地形数据与计算机硬件之间的矛盾,同时满足多尺度地形应用需求。针对现有地形简化算法难以兼顾局部地形起伏与地形整体特征的问题,提出一种基于质心Voronoi图的地形自适应简化算法。首先,利用质心Voronoi图的特点,以地形起伏度作为密度函数生成质心Voronoi图;然后,利用分布在地形起伏较大区域的质心Voronoi图种子点及大多分布在地形特征线上的Voronoi区域顶点重构地形;最后,通过原始地形与重构地形的特征线验证地形简化的效果,并与三维道格拉斯-普克（3D DouglasPeucker,3D DP）算法进行精度对比。实验结果表明,从简化地形中提取的山脊线、山谷线、等高线等地形特征线与原始地形的重叠度均较高,算法能较好地保持地形整体特征;且在相同的简化级别下,算法的简化误差小于3D DP算法,具有较高的地形简化精度。