一种多特征自适应融合的粒子滤波红外目标跟踪方法

提出了一种自适应融合颜色特征和边缘特征的粒子滤波跟踪算法。首先,利用粒子滤波的天然框架,选择在红外条件下最能代表目标信息的颜色特征和边缘特征构造目标的多特征模型;然后,根据不同特征对目标与背景的可分性,对多特征模型中各特征分量的权值进行自适应调节;最后,借助动态空间模型,对粒子滤波跟踪算法进行改进,预测粒子的运动状态,从而克服环境突变对跟踪稳定性的影响。实验结果表明,本文算法能克服各种背景杂波及噪声的干扰,并能很好地解决目标在复杂背景下的尺度变化和突变运动带来的困难,保证了跟踪的鲁棒性和稳定性。     

顾及有色噪声的自适应粒子滤波UWB定位算法

传统卡尔曼滤波算法要求噪声模型符合高斯分布，在UWB室内定位中，由于载体本身的机制等干扰，观测噪声不仅仅是白噪声，也存在有色噪声的情况，而粒子滤波可以处理有色噪声的问题。本文通过增加似然分布自适应调整来改进粒子滤波用于目标跟踪的精度，同时研究在白噪声、有色噪声下似然分布自适应调整粒子滤波和拓展卡尔曼滤波在UWB中的优势与不同。试验结果表明：观测噪声为白噪声时，拓展卡尔曼滤波和粒子滤波均可以较好地实现对行人的定位跟踪；观测噪声为有色噪声时，自适应粒子滤波定位效果优于粒子滤波、拓展卡尔曼滤波。     

粒子滤波算法在GPS/DR组合导航中的应用

针对建议分布函数的选择问题,系统地分析比较了改进的粒子滤波算法。在此基础上提出了一种新的粒子滤波算法——自适应渐消扩展Kalman粒子滤波方法。该方法用渐消扩展Kalman滤波产生建议分布函数,由于参数的可在线调节性,使得系统具有更好的自适应性和鲁棒性。与用转移先验、扩展Kalman滤波、自适应扩展Kalman滤波、迭代扩展Kalman滤波以及无迹Kalman滤波产生建议分布函数的粒子滤波方法相比,自适应渐消扩展Kalman粒子滤波进一步提高了粒子滤波的精度。通过对GPS与航位推算(DR)组合导航系统GPS/DR的试验,验证了该方法的有效性。     

粒子滤波算法在GPS/DR组合导航中的应用

针对建议分布函数的选择问题,系统地分析比较了改进的粒子滤波算法.在此基础上提出了一种新的粒子滤波算法--自适应渐消扩展Kalman粒子滤波方法.该方法用渐消扩展Kalman滤波产生建议分布函数,由于参数的可在线调节性,使得系统具有更好的自适应性和鲁棒性.与用转移先验、扩展Kalman滤波、自适应扩展Kalman滤波、迭代扩展Kalman滤波以及无迹Kalman滤波产生建议分布函数的粒子滤波方法相比,自适应渐消扩展Kalman粒子滤波进一步提高了粒子滤波的精度.通过对GPS与航位推算(DR)组合导航系统GPS/DR的试验,验证了该方法的有效性.     

强跟踪自适应卡尔曼滤波在高铁沉降监测中的应用

以高铁沉降监测为应用背景,研究了一种强跟踪自适应卡尔曼滤波算法,并将其与其他几种卡尔曼滤波算法进行仿真对比。结果表明,滤波算法具有较高的精度和较强的跟踪能力。     

基于粒子群优化的模糊特征自适应选择方法

模糊特征的选择影响着模糊分类的结果.从大量模糊特征中选择出有效特征进行分类,存在着一定的难度.粒子群优化算法(PSO)是基于群体智能的新型进化计算技术,具有自适应、自组织等智能特性,具有强大的寻找最优解的能力.将离散二进制PSO用于模糊特征选择,实现了基于PSO的模糊特征自适应选择方法,并通过航空和卫星遥感影像的模糊分...     

基于粒子群优化的模糊特征自适应选择方法

模糊特征的选择影响着模糊分类的结果。从大量模糊特征中选择出有效特征进行分类,存在着一定的难度。粒子群优化算法(PSO)是基于群体智能的新型进化计算技术,具有自适应、自组织等智能特性,具有强大的寻找最优解的能力。将离散二进制PSO用于模糊特征选择,实现了基于PSO的模糊特征自适应选择方法,并通过航空和卫星遥感影像的模糊分类实验,验证了此方法的有效性。     

粒子群优化算法在遥感影像增强中的应用

遥感影像的复杂性给影像增强处理带来了困难。非完全Beta函数增强方法具有理想的增强效果,但是,其参数的合理选取是算法的关键与难点。粒子群优化算法(PSO)是基于鸟群群体智能的新型进化计算技术,具有自适应、自组织等智能特性,具有强大的寻找最优解的能力。这里将PSO用于Beta函数参数的自适应选取,实现了基于PSO的非完全Beta函数增强方法,并通过航空和卫星遥感影像的增强实验,验证了该方法的有效性。     

粒子群优化算法在遥感影像增强中的应用

遥感影像的复杂性给影像增强处理带来了困难.非完全Beta函数增强方法具有理想的增强效果,但是,其参数的合理选取是算法的关键与难点.粒子群优化算法(PSO)是基于鸟群群体智能的新型进化计算技术,具有自适应、自组织等智能特性,具有强大的寻找最优解的能力.这里将PSO用于Beta函数参数的自适应选取,实现了基于PSO的非完全Beta函数增强方法,并通过航空和卫星遥感影像的增强实验,验证了该方法的有效性.     

神经网络辅助的GPS/INS组合导航自适应UKF算法

GPS/INS组合导航非线性系统最优估计算法中,基于统计信息和假设检验理论的多渐消因子自适应滤波算法的应用前提条件是残差向量为高斯白噪声。本文针对观测异常会影响残差向量的数字特性分布,提出了一种神经网络辅助的多重渐消因子自适应SVD-UKF算法。该算法采用神经网络算法削弱观测异常对残差序列高斯白噪声分布特性的影响,利用奇异值分解抑制UKF中先验协方差矩阵负定性变化,同时构造多重渐消因子对预测状态协方差阵进行调整,使得不同的滤波通道具有不同的调节能力,高效地应用于多变量复杂系统。最后利用车载实测数据进行了验证。结果表明,神经网络算法极大削弱了观测粗差对残差序列高斯白噪声分布特性的影响,拓展了多重渐消因子的应用范围,使其能在观测值含有粗差的条件下自适应调节不同滤波通道,消除滤波状态中的异常,提高组合导航解的精度和可靠性。     

基于改进粒子群优化RBF神经网络的地理信息预测

本文首先针对标准粒子群优化算法容易陷入局部最优的缺点,采用动态自适应调节策略,使得粒子的惯性权重随群体聚集程度而适时变化,从而调整粒子群搜索的速度和方向以跳出局部最优;然后将粒子群算法的全局搜寻能力和RBF网络的局部优化能力相结合,利用改进的粒子群优化算法优化RBF神经网络的关键参数;并将其应用于地理信息的预测,得到满意的结果。     

一种用于RSS提取的改进粒子滤波算法

针对室内WiFi指纹位置定位中取RSS的平均值作为其定位特征值在室内环境的复杂性和动态性不能准确地反映RSS信号真值的问题,以及卡尔曼滤波和粒子滤波算法等用于RSS信号的提取只针对线性噪声或非线性噪声中的一种,在室内动态多变、干扰复杂多样的环境下鲁棒性不理想的问题,结合卡尔曼滤波和粒子滤波,提出一种用于RSS提取的改进的粒子滤波算法。给出了算法实现的步骤,并且在不同地点不同环境条件(静态环境和动态环境)下分别进行了指纹定位在线端的数据采集实验。实验结果表明:基于改进粒子滤波的RSS提取算法的定位精度和鲁棒性均优于均值算法、卡尔曼滤波算法、粒子滤波算法等已有算法。     

模拟退火粒子群与小波的地基沉降预测应用

针对粒子群优化算法易陷入局部极小值问题,改进学习因子使其自适应调整,并与具有良好全局搜索能力的模拟退火算法结合,充分利用两种算法各自的优点,同时结合小波分析去噪,优化神经网络参数,对地基累计沉降数据进行预测,并与标准粒子群优化算法做了对比,实验表明两种方法的结合具有良好的全局和局部搜索能力,预测精度高。     

融合小波变换和自适应Kalman滤波在GPS监测中的应用研究

针对自适应卡尔曼滤波只适用于滤除高斯分布的白噪声,本文提出了融合小波变换和自适应卡尔曼滤波的算法。该算法利用小波变换的多尺度分解,将GPS高频的监测时间序列进行多层分解,重构出新的GPS监测时间序列,将其作为新的自适应卡尔曼滤波初始值,进行滤波处理。将融合算法的滤波结果与单一的自适应卡尔曼滤波结果进行对比分析,结果表明融合算法的滤波效果较为显著。同时,对融合算法滤除的噪声信息进行统计分析,结果表明融合算法滤除的噪声符合正态分布,进一步说明了该融合算法的有效性,为GPS的高频率、高精度的监测提供了技术支持。     

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。     

BP神经网络遥感水深反演算法的改进

针对BP神经网络遥感水深反演算法（简称传统BP算法）的缺点,提出了改进型BP神经网络遥感水深反演算法（简称改进型BP算法）,其基本原理是在模型训练过程中反复运用粒子群算法对BP神经网络的权值和阈值进行优化以弥补传统BP算法的不足。试验表明：改进型BP算法的训练迭代收敛速度明显快于传统BP算法,浅水区的水深反演精度优于传统BP算法,且学习算法对初始权值和阈值不敏感。     

微粒群优化方法的遥感影像变化检测研究

针对目前多时相光谱直接变化检测方法存在训练样本分布限制和样本特征组合单一的缺陷问题,本文将微粒群优化方法引入遥感信息变化检测领域,构建了基于微粒群优化方法的遥感信息变化检测方法,在变化监测的过程中,通过变化规则的自动搜索和建立,实现了遥感影像变化信息的一次性直接提取。在方法验证过程中,选择北京为实验区,成功实现了应用微粒群优化方法对实验区2000年至2006年、2006年至2009年两个时间段的遥感影像进行了土地覆盖类型的变化信息检测,并将应用微粒群优化方法与决策树（C4.5和PART）、最大似然等方法的变化检测结果进行了对比分析。结果表明,微粒群优化方法能够自动搜索变化规则,得到的变化规则比决策树方法更简单,并能够获得更高的检测精度。     

基于自适应 Kalman 滤波的边坡变形预测研究

研究Kalman滤波和自适应Kalman滤波算法,结合边坡监测点的运动模型将其应用于边坡变形监测动态数据变形预测。利用小湾水电站二号山梁高边坡GPS监测数据进行实验研究。结果表明,自适应Kalman滤波在边坡三维形变预测及变形速率估算方面有很好的预测结果。