基于IRLS算法的机器人动力学参数辨识

为提高机器人动力学参数辨识的准确性,提出了一种基于迭代加权最小二乘(Iterative Reweighted Least Squares,IRLS)算法的辨识方法。首先推导了机器人的线性动力学模型,随后提出了一种改进摩擦模型,并设计了改进傅里叶级数作为激励轨迹采集数据。为提升动力学参数辨识的准确性,在加权最小二乘法基础上进行改进,提出了IRLS算法对动力学参数进行辨识。最后以六自由度机器人为试验对象,进行了参数辨识试验。结果表明,基于IRLS算法的辨识方法与加权最小二乘法相比,前3个关节力矩误差的均方根(Root Mean Square,RMS)值降低了13.28%,后3个关节力矩误差的RMS值降低了28.57%,6个关节力矩误差的RMS值平均降低了17.15%,证明了基于IRLS算法的辨识方法的有效性。

基于IRANSAC-IRLS直线拟合算法及应用

针对工业视觉检测中直线边缘存在沾连、毛刺等噪声,导致拟合效率不高、精度较差的问题,提出一种基于梯度方向改进的随机采样一致性(improved random sample consensus,IRANSAC)的迭代加权最小二乘(iterative reweighted least-squares,IRLS)直线拟合算法,即IRANSAC-IRLS算法。首先,利用直线上边缘点的梯度方向相近,将梯度方向引入边缘点RANSAC拟合,来降低错误的随机抽取的次数;然后,对IRANSAC提取出来的局内点进行迭代加权最小二乘拟合,求得最终的直线参数。在噪声点比例为20%、40%、60%、80%的条件下,将IRANSAC-IRLS与基于随机采样一致性算法的最小二乘(RANSAC-LS)拟合算法的仿真实验结果进行对比,IRANSAC-IRLS比RANSAC-LS的拟合效率分别提高16.3%、41.9%、47.5%、53.2%,拟合精度分别提升14.3%、16.7%、44.0%、69.0%。

基于IRLS的跳频模式下GTD散射参数提取和RCS重构

现代谱估计方法能够反演基于几何绕射理论(geometric theory of diffraction,GTD)的模型参数,但不能处理非均匀不完备的雷达散射截面(radar cross section,RCS)数据。此外,通过暗室测量获取完备的RCS数据也需要较大的时空开销。针对上述问题,提出一种基于迭代加权最小二乘(iteratively reweighed least squares,IRLS)的跳频模式下GTD散射参数提取和RCS重构方法。该方法将稀疏重构理论与GTD散射模型相结合,能够在RCS数据非均匀不完备的条件下反演散射参数和实现RCS重构。仿真数据和电磁计算数据用于验证所提方法的有效性,实验结果表明该方法对降低暗室步进频率RCS的测量成本和扩增雷达RCS数据具有重要意义。

融合颜色不变量的彩色图像光流估计算法

为了克服彩色图像光流估计中的光照影响,提高光流估计的准确性,该文提出一种在颜色不变量空间求解光流,再与RGB空间光流进行融合的光流估计算法。首先提取视频序列中相邻两帧图像的颜色不变量边缘,再计算使用颜色不变量边缘构建的三通道彩色图像的光流,最后使用L$范数融合颜色不变量光流与RGB图像光流。文中还讨论了颜色不变量边缘的选取和组合对融合光流结果的影响。实验结果表明,提出的方法能够获取更加准确的目标区域,对阴影和光照变化更加鲁棒,与经典算法相比具有更好的性能。

基于稀疏脉冲反演的墙体参数研究

稀疏脉冲反演实际上是从含有噪声的雷达数据单道中计算出具有稀疏分布特性的反射系数。文中以范数约束为基础,提出L1范数约束求解的方法,并且采用迭代重加权最小二乘法(IRLS)的优化算法,该算法具有精度高、速度快的优点,对穿墙侦查雷达数据处理后可以有效提高分辨率,获得反射系数,有助于进一步求得墙体的厚度和介电常数。最后针对不同数据的实验结果验证了算法的有效性。

基于隐变量贝叶斯模型的稀疏信号恢复

该文基于贝叶斯分析的视角,揭示了一类算法,包括使用隐变量模型的稀疏贝叶斯学习(SBL),正则化FOCUSS算法以及Log-Sum算法之间的内在关联。分析显示,作为隐变量贝叶斯模型的一种,稀疏贝叶斯学习使用第2类最大似然(Type II ML)在隐变量空间进行运算,可以视作一种更为广义和灵活的方法,并且为不适定反问题的稀疏求解提供了改进的途径。较之于目前基于第1类最大似然(Type I ML)的稀疏方法,仿真实验证实了稀疏贝叶斯学习的优越性能。

使用迭代重加权最小二乘法求解平面度误差

提出了几何误差评定的迭代重加权最小二乘(IRLS—It鄄erativeReweightedLeastSquares)算法。该算法采用一个迭代过程求解一系列加权最小二乘问题,并在每一步迭代中按照一定的规则对权系数进行调整,使其逐步逼近最优拉格朗日乘子。对于用CMM(坐标测量机)和其他设备得到的数据,可得到平面度误差的精确值。

基于改进逻辑回归分类算法的LSB匹配隐写检测

常见的采用高斯核支持向量机(Gaussian support vector machine,G-SVM)分类算法构建分类器的隐写检测方法对最低比特位(Least significant bit,LSB)匹配隐写算法均存在训练时间过长的问题。针对这一问题,提出一种改进逻辑回归分类算法,即L曲线截断正则化迭代重加权最小二乘(L-curve truncated-regularized iteratively re-weighted least squares,LTR-IRLS)算法。该算法采用L曲线法来确定适合于隐写特征的Tikhonov正则算法的近似最优参数,并通过实验寻找出符合隐写特征的截断牛顿算法收敛参数,从而提高了检测准确率;采用重加权最小二乘法计算最大似然估计,并通过截断牛顿法避免计算最小二乘中的海森矩阵,降低了计算量。理论分析与实验结果证明,针对LSB匹配隐写检测,LTR-IRLS分类算法在保证检测准确率优于G-SVM分类算法的情况下,极大地降低了训练时间,从而提高了检测速度。

基于L_1范数的多次波自适应减方法及应用分析

多次波问题在地震勘探中普遍存在。自由表面相关多次波压制(SRME)方法是目前多次波压制方法的主流,使用该方法的重要步骤之一是将由反馈迭代法预测得到的地震多次波经匹配后从原始数据中减去。基于L2范数的多次波自适应减方法有其适用范围,仅在某些情况下才有好的处理结果。这里基于迭代重加权最小二乘法(IRLS算法)的混合L1/L2范数来近似L1范数解,同时结合模型数据和实际数据进行多次波压制处理,并与基于L2范数的自适应减方法进行对比分析。结果显示,本方法不仅有效压制了多次波,而且还相对更好地保持了有效波的能量,这表明本方法可以在不同情况下实现更为普遍的多次波压制。

基于DWT-IRLS算法的超声断层成像方法研究

超声成像因非侵入式、成本低且实时性好而被广泛应用。超声系统需要大量的采集通道数据和较高的采样率来提高图像重建质量,导致成像耗时,系统复杂。压缩感知(compressed sensing, CS)算法能够在欠采样的条件下用较少的测量值重构出原始信号。因此,针对系统面临的采样率高,数据量大的问题,本文将CS理论中的DWT-IRLS算法应用在超声成像中,通过离散小波变换基(discrete wavelet transformation, DWT)对超声数据进行稀疏转换,对高低频系数进行采样测量,并使用迭代重加权最小二乘法(iterative reweighted least squares, IRLS)进行测量系数重构,最后对变换域系数进行DWT逆转换得到重建图像。通过实验分析,以50%原始数据重建图像效果逐渐趋于稳定,在均方误差和峰值信噪比方面进行对比分析,DWT-IRLS算法相比较于DWT-OMP、DWT-CoSamp和DCT-IRLS等重构算法,成像质量更高,细节特征更为明显。

基于冗余测量信息的阵列式IMU设计

针对单个微机电系统(MEMS)陀螺仪精度低、可靠性差的问题,基于冗余测量信息设计了阵列惯性测量单元(IMU)硬件平台,并利用迭代重加权最小二乘法(IRLS)对扩展卡尔曼滤波(EKF)融合算法进行了改进。首先,根据惯性器件的误差特性及冗余测量可靠性确定了IMU数量,并设计了同轴反向、平行正交的阵列IMU硬件平台;然后,结合受力分析,使用IRLS对数据进行降维融合,解决了使用EKF融合算法时,由于矩阵维数高导致求逆运算复杂和受离群值影响导致融合精度下降的问题;最后,通过实验和仿真证明:阵列IMU的随机误差比单个IMU降低了3~5倍;当出现离群测量值时,阵列IMU仍能保证较高的精度,具有较高的可靠性。