UKF在惯性/重力组合导航中的应用

将UKF(Unscented Kalman Filter)方法用于惯性/重力组合导航系统.UKF方法设计了少量的呈高斯分布的σ点,在每个更新过程中,σ点随着非线性状态方程和测量方程传播,从而获得滤波值及较高的计算精度,而且避免了对非线性方程的线性化过程.仿真结果表明:UKF方法比传统卡尔曼滤波及其改进的滤波模型都有更高的估计精度,并能有效的克服非线性严重时出现的滤波发散问题.     

数字近景摄影测量测图应用探讨

非量测性的数码相机已成为摄影测量中应用研究的热点。论文阐述了利用大面阵数码相机实现近景摄影测量测图的理论、方法与步骤,并通过具体试验加以验证。试验结果表明,基于大面阵相机的近景摄影测量能满足大比例尺测图精度要求。     

GNSS/INS紧组合中的周跳探测方法

讨论了GNSS/INS紧组合算法;依据卡尔曼滤波新息检验理论研究了GNSS/INS紧组合中的周跳探测方法。通过实验论证,对比分析了GNSS/INS紧组合模式和纯GNSS模式下,动态周跳探测与处理的效果。实验结果表明:紧组合模式对周跳的发生更为敏感,可以有效地提升周跳探测的效果。     

基于DEM提取流域特征影响因子的分析

基于DEM的流域特征提取,受数据源、分辨率、重采样技术等因子影响。为系统地评价不同地貌类型对各影响因子的敏感程度,本文提出一种多指标因子分析模型,综合分析不同因子对流域特征,如流域面积、河流分叉比、河网密度、流域长度、流域坡度、流域高程、流域形状等的客观影响。实验过程选取山地、丘陵、平原地形的中小流域为研究区域,以ASTER 30m重采样生成的40—100m分辨率DEM,ASTER 30m、SRTM 90m和GMTED2010 250m的3种数据源及4种重采样技术生成的DEM场景为实验数据。结果表明:分辨率对流域特征影响最敏感,数据源次之,重采样技术不太敏感。山地地形下的流域特征变化趋势性显著,适合山地中小流域的分辨率为最高分辨率,数据源为SRTM,重采样技术为最邻近分配法。丘陵、平原地形评价结果具有随机性。     

结合不确定度与密度聚类算法的多波束异常值自动滤波算法

本文在复现CUBE滤波算法的基础上,借鉴其网格节点可吸收水深点选取模型,提出了一种结合不确定度与密度聚类算法的多波束异常值自动滤波算法。本文使用DBSCAN密度聚类算法对水深值加以聚类,使用卡尔曼滤波推估节点水深值,选取具有最小不确定的水深假设作为节点水深值,实现对多波束测深数据异常值的有效清理。实测数据和仿真试验结果表明：CUBE滤波算法不能将连续异常值完全剔除,而本文算法能够较好地去除连续异常值。本文算法流程明晰、参数简单、性能可靠,对数据质量较差的情况下较多异常值也能够进行清理,具有实际的工程应用价值。     

基于改进卡尔曼滤波的卫星导航定位精度优化

为解决卫星导航定位信号因遮挡而出现非视距传播模式,导致定位精度低的问题,研究基于改进卡尔曼滤波的卫星导航定位精度优化方法。改进蛙跳算法寻优设置,优化支持向量机,分类提取存在遮挡信息的卫星导航信号;设计基于改进卡尔曼滤波的卫星导航定位精度提升算法,动态估计存在遮挡信息的卫星导航信号观测噪声协方差,自适应调节信号滤波增益,全面去除信号中的无效定位信息,获得精准卫星导航定位结果。研究结果显示：所提方法使用后,卫星导航定位结果实际位置高度匹配,定位精度明显提升。     

结合自适应PCNN的非下采样剪切波遥感影像融合

为解决全色与多光谱遥感影像融合中脉冲耦合神经网络参数不能自适应调节问题,提出一种基于参数自适应脉冲耦合神经网络模型(PA-PCNN)和保持能量属性(EA)融合策略相结合的非下采样剪切波变换(NSST)的遥感影像融合方法:①通过提取多光谱影像YUV颜色空间变换的Y亮度分量并与全色影像进行NSST变换,获得高频系数和低频系数.②针对低频子带系数,采用EA法进行融合;针对高频子带系数,通过PA-PCNN模型得到的最优参数,以确定最优的PCNN模型,进而实现高频子带系数的融合.③将NSST和YUV进行逆变换得到融合影像.本文选取空间频率、相对无量纲全局误差、相关系数、视觉信息保真度、基于梯度的融合性能和结构相似度测量等6种客观评价指标对融合影像的光谱和空间细节评价,利用多组不同分辨率全色和多光谱遥感影像,通过与4种融合方法对比验证,结果表明本文方法在视觉感知和客观评价方面总体优于其他全色与多光谱遥感影像融合方法.     

顾及数字地图中车道走向的车辆跟踪增强算法

车辆跟踪技术旨在从连续场景中估计目标车辆的状态,对智能车辆的环境感知、场景理解和目标行为预测起着至关重要的作用.基于激光雷达的感知系统能够提供准确的车辆检测结果,但依据检测结果进行车辆跟踪时,存在车辆朝向估计失准导致跟踪误差大、轨迹预测稳定性差的难题,尤其在目标距离较远、点云较为稀疏的情况下.考虑到大多数时刻车辆行驶方向与车道线方向基本一致,本文提出一种基于数字地图中车道朝向先验信息的车辆跟踪增强方法,将局部车道线的识别结果与OpenStreetMap地图中的车道线信息进行融合,建立道路模型并获取道路朝向的先验约束;在基于扩展卡尔曼滤波的车辆跟踪框架下,利用该约束优化车辆的朝向估计,进而提升车辆跟踪的精度与轨迹预测稳定性.在KITTI数据集上的定性与定量试验证明,本文所提出的方法在多目标跟踪指标上提升至少0.33％,平均位移误差降低了0.014 m以上,同时,对于60 m外车辆目标的跟踪误差降低了0.08 m以上.     

SINS／GPS级联组合滤波新算法

针对级联式SINS／GPS导航系统中组合滤波器的测量噪声与系统噪声的相关问题，提出了一种相关程度未知条件下的估计量最优融合算法，并由此得到了一个顾及噪声相关性的卡尔曼滤波新算法；通过对一套SINS／GPS数据的计算，证明了新算法是成功的。     

改进的GOTURN算法

随着基于深度学习的算法在计算机视觉领域中的应用不断拓展,GOTURN(Generic Object Tracking Using Regression Networks)算法是第1个满足目标跟踪实时性要求的深度学习算法(达到100 fps),但是该算法的跟踪精度有待提高。针对此问题,采用基于运动估计的卡尔曼滤波算法与基于卷积神经网络的深度学习算法相结合的方法,将卡尔曼滤波算法融入GOTURN算法进行目标跟踪。为了验证该算法的有效性,在ILSVRC2014数据集和ALOV300++数据集中进行了训练和评估。实验结果表明,该算法不仅能够满足目标跟踪的实时性要求,而且能够提高线性系统的跟踪精度。