基于LMS2UKF的主/被动雷达融合算法

在主/被动雷达双传感器目标跟踪背景下,针对IMM算法的计算量大,提出一种基于变结构多模型思想的LMS2UKF分布式融合算法。该算法将LMS算法和UKF滤波算法结合进行矩阵加权融合。与IMM2UKF算法进行仿真比较,结果表明在相同情况下,本算法有较好的稳定性和较好的定位精度。

稀疏似p范数变步长LMS的水下多径抑制算法

针对稀疏似p范数LMS算法存在收敛速度较慢、失调误差较大的不足,本文在建立浅海环境中离散多径干扰模型的基础上,提出一种变步长稀疏似p范数LMS算法,采用与误差有关的函数值来调整零吸引项,同时使用改进的Sigmoid函数变化自适应迭代步长。数值仿真表明:与经典LMS算法和已有的稀疏似p范数LMS算法相比,该算法具有良好的干扰抑制效果,同时具有较快的收敛速度和较小的稳态误差。

基于HOG和Haar特征的行人追踪算法研究

行人在真实场景的检测和追踪是多目标检测和追踪研究中的一个重要问题,尤其是在真实的三维场景中的多行人之间的遮挡、拥挤以及背景的变化对多目标检测和追踪研究造成了严重的挑战。在多目标检测中利用了Haar特征、HOG特征,在行人正面向相机运动时,采用Haar特征检测器检测人脸,并结合Haar运动模型完成行人的检测,当行人侧向运动时,采用HOG特征,利用层次-部分模型进行行人的检测和追踪,在完成行人的检测之后,利用最大权重独立集合算法完成帧间目标的关联。通过对ETH、TUD以及本地样本库的检测和追踪结果表明,采用Haar特征和HOG特征的检测算法对于行人的正面和侧面都具有较高的检测准确率、精确度。

基于期望模式修正方法的混合网格多模型估计

针对期望模式修正(EMA)变结构多模型估计中基础模型集固定不变而扩张模型修正能力有限等问题,提出了一种改进的EMA变结构多模型算法(M-EMA).该算法将所用模型集合构造为混合网格结构,并引入自适应网格(AG)技术和可能模型集(LMS)技术,用于混合网格中修正模型网格与基础模型网格的生成,从而使参与状态估计的模型集合更加接近于系统真实模式,达到优化模型集合的目的.仿真实验证明,该算法有效提高跟踪精度和稳定性,同时减少了对目标机动方式与模型集合拓扑结构设计的依赖.

埃达克质岩与成矿:困惑与探索

根据起源于下地壳的中酸性岩浆岩的成分变化,可以约束其源区深度以及地壳最小厚度,为大陆板内成矿作用的深部过程研究提供重要信息。全球范围内,许多世界级斑岩铜矿和浅成热液矿化系统与同期的埃达克质岩存在密切的时空与成因联系,在国内主要成矿区带也识别出与金属成矿作用有关的埃达克(质)岩。与俯冲过程无关的埃达克质岩的识别,使我们有可能结合其他地质证据构建完全不同于Sillitoe(1972)B型俯冲环境的斑岩铜矿成矿模式的大陆板内斑岩(夕卡岩)型金属矿床成矿模式。对于规模巨大、矿质主要源自地幔的热液矿床的形成,埃达克(质)岩可能是必要条件,但不是充分条件。埃达克(质)岩的成矿潜力通过地幔物质加入而获取,埃达克(质)岩的成矿专属性由上地幔成矿元素分布特征决定。与俯冲有关的埃达克质岩浆之所以有利于成矿,重要的原因是存在大量来自俯冲板片的高压、高温流体以及俯冲板片熔融形成高氧逸度(fO2)的熔体,但产出在大陆板内背景、与俯冲无关的埃达克(质)岩的成矿机制还不清楚。根据现代资源勘查理念,结合综合地质信息分析,埃达克质岩具有实际找矿意义。

一种改进的变结构多模机动目标跟踪算法

变结构多模算法是最有效的机动目标跟踪滤波算法,其核心是模型集自适应策略。目前已提出的模型集自适应策略中,期望模式修正算法是跟踪精度较高,使用较广泛的算法,但该算法的计算负担大;可能模型集算法实现简单,但跟踪精度不及期望模式修正算法高。文中提出了可能模型-期望模式修正算法,精度较两算法都有提高,计算复杂度显著低于期望模式修正算法,与可能模型集算法相当。

基于变结构多模型算法的机动目标无源跟踪

研究了变结构多模算法对机动目标的跟踪,提出了基于可能模型集的期望模式增广算法,并将其应用于机动目标的无源跟踪中。算法的思想是:固定网格模型集采用LMS算法进行自适应,得到有效的固定网格模型集;然后根据该模型集生成期望模式集;最后基于有效的固定网格模型集及期望模式集进行滤波并融合处理得到总体的模型。通过仿真验证了该算法的性能。

高速铁路隧道洞门的施工放样

高速铁路专线中隧道洞门采用国外引进的帽檐式洞门，其线性复杂，在现场的施工放样作业中存在较大困难，针对该问题提出通过AutoCAD建立三维建模，从而自动计算施工放样数据的方法。

广义Fibonacci超晶格的能谱性质—准周期Krnig-Penney模型

采用准周期Krnig-Penney模型,对广义Fibonacci超晶格的电子态问题进行了研究,发现其能谱具有类似康托集的结构,即能谱具有自相似性质,且能隙在谱中稠密分布。对以S_l块为单元胞的周期性结构,电子能谱具有似块状周期性能级结构。

基于可能模型集的期望模式增广算法

提出一类基于可能模型集(likely-model set,LMS)的期望模式增广(expected-mode augmentation,EMA)算法,该算法将任意时刻的有效模型集分成可能模型集和增广模型集两个部分。可能模型集由模型后验概率和总模型集的拓扑图确定;对可能模型集加权组合,生成增广模型集。然后,基于两模型集的并集对目标的状态进行估计。该算法能够保持期望模式增广算法的精度,同时大大降低计算量。仿真结果验证了本文算法的性能。

N步返回可能模型集算法比较研究

可能模型集算法由于不能保证模型集转换的正确和及时,给目标的状态估计带来较大的误差。将可能模型集算法返回n步,以保证及时初始化新激活的模型,能在一定程度上降低状态估计的误差,这同时也导致计算量的增加。文中针对多种不同返回步数的可能模型算法进行了比较分析,仿真结果表明,算法返回一步或两步能够大大提高目标状态估计的精度,尤其是当使用的模型集规模较小时。

可能模型集算法在机动目标跟踪中的应用

介绍了用于机动目标跟踪的变结构多模(VSMM)估计中可能模型集(LMS)算法。阐明了该算法通过剔除不可能模型,保留一般模型,激活与重要模型相邻的模型实现模型集的自适应原理,并给出了其实现步骤。采用LMS算法对恒加速(CA)机动目标跟踪的仿真结果表明,LMS算法的滤波效果优于交互式多模型(IMM)算法,算法简单易行、计算量小,可用于跟踪运动规律较复杂的目标。

基于可能模型集算法的反舰导弹跃升俯冲过程跟踪

对反舰导弹跃升俯冲机动过程进行跟踪时,固定模型集合难以精确匹配实际过载系数,影响跟踪性能。应用可能多模型集合算法,实时自适应调整工作模型集合,选择主要模型,删除不太可能模型,使模型集合向实际运动模式收敛,从而改善算法跟踪性能。仿真结果表明,该算法可准确跟踪过载系数的变化趋势,跟踪精度优于固定模型集合的交互式多模型算法。