基于修正的卡尔曼滤波自适应跟踪算法

针对卡尔曼滤波对匀速运动目标能有效的跟踪,但是当目标出现转弯时,很难达到跟踪精度的要求,甚至丢失目标的现象。对卡尔曼滤波算法进行了改进,在观测向量中引入了两个加速度误差变量,它们动态地修正状态估计误差从而减少跟踪精度误差,形成了修正的Kalman算法。但是由于状态变量维数增加,使得计算量增加,实时性下降,将卡尔曼滤波算法与修正的卡尔曼滤波算法两种算法相结合,提出了基于修正的卡尔曼滤波自适应跟踪算法。仿真结果表明,具有良好的稳定性和精确度,优于一般的卡尔曼滤波算法。

基于子波能量和神经网络分类器的机动车车型识别

为了使交通管理系统能进行可靠的机动车分类,研究了轿车、轻型越野车和货车3种机动车目标的声信号,提出了一种采用子波分解后不同尺度上声信号能量作为特征向量的特征提取算法,并设计了kNN(k近邻)分类器和改进BP神经网络分类器用于目标分类。目标识别和分类试验结果表明:所提出的特征提取算法能够很好地体现不同类型目标之间的差异,提取的特征向量稳健;设计的改进BP神经网络分类器的分类精度可达92.6%,且分类效果优于kNN分类器。

基于概率密度的多基阵声目标被动定位算法研究

采用一种基于概率密度的方法对常规多站时差定位法进行改进,并给出该方法的计算推导公式。该算法在获取目标位置初始值的基础上,将目标方位看成是满足一定概率密度的多个测量子集,寻找出多个子集共同密度对应的最大点,即为目标的最终位置。通过实测数据验证,实验结果表明,在合理布置辅阵位置的基础上,基于概率密度的定位算法可以大幅度降低定位误差,从而提高定位精度。尤其是在目标远距离飞行时,定位精度明显优于常规时差定位法,具有重要的实用价值。

克服显性困难,把握行业拐点机遇

2020年的春节是我有记忆以来第一个没有拜年的春节,新型冠状病毒肺炎不仅影响了过年的节奏,也对我们的生活、学习、工作产生了重大影响。这种影响不会随着每日新增病例的减少而马上结束,它会对多个行业,甚至整个社会供给体系产生长远的影响。而印刷行业又是一个WiFi型行业,几乎所有行业都和印刷强关联,每个行业的影响都会波及印刷行业。