基于Singer-IMM-UKF的机动目标跟踪算法

本文针对空间中多种运动形式的目标跟踪运动模型组合问题开展研究,提出了基于Singer-IMM-UKF的机动目标跟踪算法,结合精度较高的UKF非线性滤波作为子滤波器,实现对连续机动转弯目标稳定跟踪。通过对比不同模型组合的IMM-UKF滤波器,仿真表明基于Singer-IMM-UKF滤波器在目标运动匀速段或机动量急剧变化时获得了较好的跟踪性能,降低了位置、速度和高度跟踪的误差,有效提升对于机动目标跟踪的准确性和稳定性。

多策略改进MPA在无线传感器网络中的应用

针对无线传感器网络中非测距节点定位算法自身存在算法定位误差较大的缺陷,提出了一种MMPA-3DDV-Hop算法。该算法先利用多通信半径细化节点间的跳数,然后添加了修正因子修正平均跳距,接着采用多策略融合改进MPA算法计算待定位节点位置最优解。多策略改进MPA算法首先利用Singer混沌映射策略对种群进行初始化,克服种群初始化的盲目性。其次,采用t-分布扰动策略来提升算法的全局搜索能力,在增加搜索空间多样性的前提下,达到快速收敛;最后,引入变异策略和小概率策略,将二者相结合来避免该算法陷入局部最优,对改进算法在复杂度、收敛性和稳定性方面进行性能测试,测试结果表明改进后的MPA算法具有较好的收敛性和稳定性。仿真结果表明:相比3DDV-Hop算法、多通信半径算法以及3D-VNDV-Hop算法,MMPA-3DDV-Hop算法的归一化定位误差平均降低了21.3%、13%与5.7%左右,尽管算法的平均运行时间略有增加,但有效提高了算法的定位精度。

IMM-Singer模型的机动目标跟踪算法

交互式多模型(IMM)算法是一种有效机动目标跟踪算法,但其性能与模型的选择、个数以及参数有关。Singer模型算法可以实现对机动目标的跟踪,但该算法存在机动频率和过程噪声大小等参数难以选取的问题。针对以上情况,利用IMM算法易于结合其他算法的特点,提出一种基于IMM-Singer模型的机动目标跟踪算法,实现Singer模型参数的自适应选择。仿真结果表明,该算法比单一的Singer模型算法或一般的IMM算法更能有效提高机动目标跟踪精度。

基于Singer模型的机动目标无源定位跟踪方法研究

对双站测向无源定位跟踪方法进行了研究,分析了双站交叉定位的基本原理,应用Singer模型和扩展卡尔曼滤波对三维空间中的机动目标无源定位跟踪问题进行了仿真分析。仿真结果表明,在假设的仿真条件下以及测向精度为1 mrad时,对机动目标定位跟踪的相对测距误差保持在1.5%以下,滤波跟踪效果良好,表明该方法对机动目标的无源定位跟踪是有效的,对工程应用有一定指导意义。

基于PF-Singer的机动目标跟踪算法

Singer模型是典型的全局统计模型,其严重缺陷在于所采用的零均值时间相关模型和标准卡尔曼滤波算法不能完成对机动目标状态的正确估计;只有当目标做匀速直线运动时,动态误差的稳态值才为零,否则不为零;采用PF-Singer算法对机动目标进行跟踪,能够有效解决传统Singer模型存在的问题,提高其跟踪精度;通过仿真试验证实了该算法的有效性。

基于SINGER模型的实时误差配准算法及分析

系统误差配准是多平台、多传感器目标跟踪的关键环节,可以有效地估计雷达跟踪系统误差,并进行准确误差补偿。若不进行精确的系统误差配准,则可能导致多平台、多传感器跟踪系统对目标融合跟踪的错误或对同一目标产生多条航迹,从而导致系统性能恶化。给出了基于目标SINGER运动模型的扩维卡尔曼滤波算法。通过仿真实验分析了误差配准精度与机动频率的关系,结论为针对不同机动频率目标进行雷达跟踪系统的误差配准提供理论参考。

利用Singer模型的无陀螺姿态和角速度估计

给出了一种利用Singer跟踪模型的扩展卡尔曼滤波器 (ExtendedKalmanFilter) ,用于无陀螺姿态和姿态角速度估计。在滤波器中 ,姿态和姿态误差分别由姿态四元数和误差四元数表示 ,而姿态角加速度由一阶Markov过程描述 ,从而避免采用姿态动力学模型。利用数值仿真计算验证了滤波器的性能。在所有的仿真过程 ,滤波器显示出快速收敛能力。

基于BP神经网络修正的自适应Singer模型

针对传统Singer模型在跟踪机动目标时存在稳态误差以及模型对加速度的先验统计量存在依赖等缺点,提出了基于BP神经网络修正的自适应Singer模型。该模型的样本数据选用卡尔曼滤波状态量中的加速度估计量,采用Burg算法估计加速度的功率谱密度,并利用BP神经网络对谱估计结果进行修正,进而导出当前统计模型下的Singer模型的参量。Simulink仿真结果表明,该模型能够克服传统Singer模型跟踪机动目标性能差的缺点,并且模型在收敛之后不再依赖加速度的先验统计量。

Singer模型下α-β-γ滤波的新息序列特性分析

卡尔曼滤波条件下新息序列的白噪声特性在跟踪过程中具有十分重要的作用。但在实际工程中,α-β-γ滤波器因其较小的计算量常取代卡尔曼滤波器得以应用,这时需要对该滤波条件下的新息相关特性进行研究,以此来指导野值剔除和机动检测方案的重新设计。从理论上推导了Singer模型下α-β-γ滤波的新息序列相关特性计算的一般表达式,在两组特定的取值下,研究和分析了滤波达到稳态时新息序列的相关特性,用仿真验证了理论推导的正确性。理论和仿真结果均表明,两种情况下的新息序列都具有一定的相关性。

一种基于径向加速度的Singer-EKF机动目标跟踪算法

针对雷达均不能提供目标加速度信息,在目标机动时会出现跟踪精度差甚至跟踪发散的问题,提出一种基于径向加速度的Singer-EKF算法。该算法在信号处理阶段利用Radon-Ambiguity变换(RAT)估计出目标的径向加速度,并通过坐标转换将其引入量测向量中,然后采用基于Singer模型的扩展卡尔曼滤波(EKF)算法实现机动目标的跟踪。仿真验证了该方法的有效性,并与传统的不带径向加速度的扩展卡尔曼滤波(EKF)方法进行了比较,结果表明该方法在径向距离、位置、加速度和速度估计精度方面都有所提高。

喉全切除后安装Blom－Singer发音管发声重建手术

文中对２７例喉全切除后安装Ｂｌｏｍ－Ｓｉｎｇｅｒ发音管的临床资料进行了分析讨论。除３例失访外，随访到的２４例中２２例获得满意的语言效果，成功率为９１．６６％（２２／２４）无一例发生误咽等不良后果，表明本法简单、安全、有效，并介绍了术中及术后的注意事项。

喉全切除后Blom-Singer法发音重建术的临床应用

目的:研究喉全切除后Blom-Singer法发音重建术的安全性和疗效。方法:应用Blom-Singer发音管,为51例喉全切除患者进行了喉发声功能重建术。结果:成功43例,期术中切断一侧中下咽缩肌及环咽肌组32例成功29例,双侧咽丛神经切断术组12例成功10例;期手术7例成功4例。结论:喉全切除后Blom-Singer法发音重建术安全且取得良好的临床效果,具有推广价值。

一种参数自适应调整的Singer模型跟踪算法

针对单一参数的Singer模型难以适应不同机动类型的问题,提出了一种参数自适应调整的Singer模型。该模型依据目标机动的可能等级,设定多组相应的Singer模型参数,然后在滤波过程中依据滤波结果,确定目标在当前时刻的机动等级,并选取当前时刻的Singer模型参数,用于之后的跟踪过程。仿真表明,该模型可以稳定跟踪目标的不同机动段,与使用单一参数的Singer模型相比,该模型的跟踪精度更高。

全喉切除术同期Blom-Singer发音重建术

目的探讨同期Blom-Singer发音重建术在喉切除术后的应用价值。方法 1998年11月至2001年6月因喉癌行全喉切除同期Blom-Singer发音重建术的患者36例。结果经随访半年以上,26例发音效果良好(72.2%)。失败者中5例因脱管而采用外置式气动发音管(喇叭仔);2例改用食管音,其余用手写交流。结论全喉切除术同期Blom-Singer发音重建术确实为患者解决全喉切除术后交流困难的痛苦。为提高发音重建术的效果,应慎重选择病例,安装时测距力求准确并注重门诊指导发音及复查。

Singer-Kalman模型下的机动目标跟踪算法

杂波、噪声干扰环境下的机动目标跟踪是目标跟踪领域中一个最具挑战性的课题之一。通过将Kalman滤波方法与Singer模型相结合,提出一种基于Singer-Kalman模型下的机动目标跟踪算法。首先简要描述了机动目标跟踪原理,然后分别详细分析了Kalman滤波方法、Singer目标运动模型以及Singer-Kalman机动目标跟踪算法实现,最后通过MATLAB仿真软件实现了本文算法并进行机动目标仿真实验。实验结果表明,本文算法能够较好地实现机动目标跟踪的目的,且具有良好的跟踪性能。

基于多站时差和多普勒频差联合定位的Singer-EKF算法研究

文章讨论了多站时差和多普勒频差联合定位,重点研究了基于Singer机动模型的扩展卡尔曼滤波跟踪定位算法。仿真结果表明,基于多站时差和多普勒频差联合定位的Singer-EKF算法对提高目标定位精度是有效可行的,尤其可提高机动目标的跟踪定位精度,并得到高精度的速度。

基于机动目标Singer模型的发射架随动系统改进

为了实现发射架随动系统对机动目标的准确跟踪,利用机动目标S inger模型作为其期望输入,同时通过对原随动系统引入比例积分环节,减小了系统稳态误差,改进了系统的随动性能.通过仿真,验证了所提算法的有效性.

基于似然函数的自适应Singer模型滤波算法

Singer模型滤波算法可以对机动目标进行有效跟踪,但其模型参数的确定依赖于先验知识,且一旦确定,将在滤波过程中不再变化.因此,当事先确定的参数与目标机动不匹配时,跟踪精度会变得比较差.针对模型参数失配时,传统Singer模型不能有效跟踪机动目标的问题,提出一种自适应Singer模型滤波算法.在滤波过程中,构造多模型的模型似然函数,并随着滤波过程实时计算模型似然函数,根据似然函数的变化,自适应调整Singer模型加速度参数.仿真表明,该算法能够有效跟踪目标不同的机动情况,滤波效果较固定参数的Singer模型算法和离散自适应Singer模型算法更优.

缝纫机的发明及在中国的引入与发展

缝纫机的发明对提升服装行业的生产效率起到了举足轻重的作用,它引入中国以后对我国近代科技传播有着很大的影响,特别是对女性群体接触近现代科学技术大有裨益。文章对缝纫机的发明过程及其在中国的引进与发展进行探讨,研究认为:1)清朝末年,缝纫机作为上层社会的玩具或摆件被引入中国;民国时期,国内缝纫机的使用者开始增多,缝纫机工业也开始逐渐兴起;但直到新中国成立以后,缝纫机工业才开始有了迅猛发展。2)民国时期,国家内部因无法解决各派势力纷争而导致社会动荡,对西方势力的一味妥协又使得外商可以对国内企业进行肆无忌惮的掠夺,严重阻碍了我国缝纫机工业的发展。3)新中国成立以后,我国抓住了家用缝纫机国产化的机遇,使用和拥有缝纫机成为了一种风尚。后来伴随着家用缝纫机的需求量降低,我国推动了家用缝纫机向工业缝纫机的转型,最终使得我国跨入缝纫机工业大国的行列。

一种基于期望模型的自适应Singer模型滤波算法

针对使用固定模型滤波算法跟踪机动目标时滤波精度依赖于模型固有参数的问题,提出了一种基于期望模型的自适应Singer模型滤波算法。首先利用3组代表不同机动强弱的典型Singer模型组成基础模型集合,然后通过实时计算目标综合残差确定目标机动等级,根据目标机动等级的变化来生成期望模型,并实时扩充基础模型集合进行交互式多模型(Interacting Multiple Model,IMM)滤波。该算法降低了对基础模型选取的依赖性,具有更好的环境适应性,在目标不同机动状态下都能进行准确跟踪。