估计目标结构性框架及其在中药临床研究中的应用

国际人用药品注册技术协调会(ICH)发布的E9(R1)文件,引入了估计目标的概念,用以更精准描述治疗效应,是建立试验目的、设计、实施、分析与解释间紧密逻辑关系的实用工具。文章从估计目标及其结构性框架、中药临床试验常见的伴发事件及处理策略、敏感性分析和补充分析、引入估计目标的临床试验方案设计等方面,对估计目标和敏感性分析及其在中药临床试验设计中的应用进行了探讨,供同道参考。

基于筛选学习网络的六自由度目标位姿估计算法

针对在复杂场景下对弱纹理目标位姿估计的准确性和实时性问题,提出基于筛选学习网络的六自由度(6D)目标位姿估计算法。首先,将标准卷积替换为蓝图可分离卷积(BSConv)以减少模型参数,并使用GeLU(Gaussian error Linear Unit)激活函数,能够更好地逼近正态分布,以提高网络模型的性能;其次,提出上采样筛选编码信息模块(UFAEM),弥补了上采样关键信息丢失的缺陷;最后,提出一种全局注意力机制(GAM),增加上下文信息,更有效地提取输入特征图的信息。在公开数据集LineMOD、YCB-Video和Occlusion LineMOD上测试,实验结果表明,所提算法在网络参数大幅度减少的同时提升了精度。所提算法网络参数量减少近3/4,采用ADD(-S) metric指标,在lineMOD数据集下较Dual-Stream算法精度提升约1.2个百分点,在YCB-Video数据集下较DenseFusion算法精度提升约5.2个百分点,在Occlusion LineMOD数据集下较像素投票网络(PVNet)算法精度提升约6.6个百分点。通过实验结果可知,所提算法对弱纹理目标位姿估计具有较好的效果,对遮挡物体位姿估计具有一定的鲁棒性。

复杂交通流下基于卡尔曼滤波的多目标全生命周期状态估计

针对复杂行车环境下噪声干扰和车辆行车过程中状态变化导致交通场景中目标状态估计精度低的问题,以毫米波雷达为检测传感器,提出涵盖参数初始化和在线更新的基于卡尔曼滤波的多目标全生命周期状态估计方法。首先,建立交通流下多目标运动状态的卡尔曼滤波状态估计模型;基于此,一方面提出基于数据驱动的卡尔曼滤波观测噪声协方差矩阵初始化的新方法,另一方面采用变分贝叶斯方法对卡尔曼滤波参数进行在线更新,以此提高多目标状态估计精度;最后,在算法实现步骤的基础上,利用实车数据开展测试验证工作。实验结果表明,方法的目标状态估计均方误差为0.153,相较于传统卡尔曼滤波减小了36.2%,证明所提出方法对提升车辆感知精度的有效性。

基于改进C^(2)算法的双目标角度估计方法

角度是雷达探测和跟踪目标的重要信息,主波束宽度通常决定了雷达角度分辨率,当雷达主波束范围内包含不止一个目标时,采用传统的和差测角方法只能获得多目标的合成角度位置,不能获得场景中目标的真实角度值,严重影响了雷达对真实目标的截获和跟踪。针对雷达主波束内存在双目标的场景,首先通过理论分析和数值仿真说明双目标对和差测角的影响,再结合传统C2多目标角度估计算法在和差测角中的应用,给出一种改进的C2角度估计算法。最后,通过数值仿真验证了所提出的方法在双目标回波能量相同和不同场景下均适用,且角度估计精度相对传统多目标角度估计方法明显提升。

基于原子范数最小化的通信感知一体化目标参数估计方法

为解决传统算法对信噪比和快拍数要求较高的问题,提出了一种基于原子范数最小化的通信感知一体化目标参数估计方法。首先,基于正交频分复用波形设计了通信感知一体化接收信号模型。在此基础上,挖掘接收信号在目标时延与多普勒在时频域的稀疏性,在快拍数有限情形下,利用原子范数最小化理论实现二维时频多普勒和时延参数联合估计。此外,利用奇异值分解提取接收信号的主要成分,设计了基于交替方向乘子法的快速求解算法,以降低算法的计算量。仿真结果表明:所提算法实现了通信感知一体化系统在有限快拍下的高估计精度,并显著提升了运算效率。

基于遗传算法和ELM神经网络的目标威胁估计

目标威胁程度是指挥员进行态势评估和指挥决策的重要依据。为准确估计目标威胁情况,提出了基于遗传算法和极限学习机(Genetic Algorithm and Extreme Learning Machine,GA-ELM)的目标威胁评估方法。采用遗传算法优化ELM神经网络的输入权重和隐含层阈值,优化后的ELM神经网络能够克服传统ELM网络不稳定的缺点,具有更好的目标威胁估计性能。实验结果表明,基于GA-ELM的目标威胁估计误差明显小于传统ELM方法,且输出的威胁结果更加稳定。

基于RD-ANM的毫米波雷达动目标超分辨DOA估计方法

超分辨波达方位角估计是车载毫米波雷达实现目标精准定位及跟踪需要解决的关键问题。针对车载场景中常见的阵列孔径受限、少快拍、低信噪比以及信源相干的情况,该文提出了一种基于距离多普勒域原子范数最小化(RD-ANM)的车载毫米波雷达动目标超分辨DOA估计方法:首先,构建了基于动目标雷达回波的距离多普勒域阵列接收信号;其次,设计了动目标多普勒耦合相位补偿矢量,用以削弱目标运动对DOA估计的影响;最后,提出了基于原子范数框架的多目标超分辨DOA估计方法。相较于车载毫米波雷达现使用的DOA估计算法,该文算法能够在基于低信噪比条件和单快拍处理前提下获得较高的测角分辨率和估计精度,以及拥有不牺牲阵列孔径对相干信号进行处理的稳健性能。理论分析、数值仿真以及实测实验验证了该文算法的有效性。

基于CS-MVDR的多目标方位估计新方法

针对空时欠采样条件下多目标方位估计存在的问题,将压缩感知理论引入到最小方差无畸变响应(MVDR)方法中进行多目标方位估计,通过空间角度网格划分形式实现信号在空时域的稀疏性表示,利用空间谱估计恢复重构空间稀疏向量,从而实现空间上多信号入射角的方位估计。该方法不仅运算量低,在低信噪比、低阵元采样数、高估计精度和稳健性等方面的优势更为突出。

非凸松弛原子范数空时动目标参数估计算法

针对参数稀疏恢复空时自适应处理中的动目标参数估计存在字典失配的问题,提出一种非凸松弛原子范数空时动目标参数估计算法。该方法利用目标回波在角度-多普勒域的稀疏特性,根据连续压缩感知和低秩矩阵恢复理论实现了运动目标方位角和速度的高精度、超分辨率估计,避免了稀疏恢复中的字典失配问题,有效提高了动目标参数估计性能。仿真实验结果表明,相较于已有基于字典网格的稀疏恢复参数估计方法和原子范数估计方法,所提算法具有更高的参数估计精度和对空间紧邻目标的分辨能力。

多无人机协同式目标运动状态实时估计方法

分析多无人机协同的统一测控中心技术约束,根据摄影测量学共线原理推导目标运动状态参数求解方程,提出一种多无人机协同式目标运动状态估计方法,并改进自适应卡尔曼滤波,对运动目标状态参数误差进行估计和修正。该方法对空中、地面和海上不同空间环境中的多种运动目标均具有适用性,可保障一站多机的观测体系平台快速完成对目标运动状态的估计。仿真结果表明,该方法可实时对运动目标状态进行估计,且具有较高的测算精度。

一种自适应滤波与干扰观测器相结合的大型舰船状态估计算法

为满足航母等大型舰船目标的状态估计要求,提出一种由非线性干扰观测器和强跟踪容积卡尔曼滤波算法融合形成的交互多模型强补偿容积卡尔曼滤波算法。引入非线性干扰观测器,完成由外界不确定因素引起的干扰总量的估计,并对观测器稳定性进行证明。使用估计的干扰值实时修正强跟踪容积卡尔曼滤波的过程参数,最终形成交互多模型强补偿容积卡尔曼滤波算法,完成对目标状态相对准确的估计。研究结果表明:新提出的滤波算法能够较为准确地完成对目标状态的估计,与变结构多模型粒子滤波算法、变结构多模型无迹卡尔曼滤波算法和交互多模型强跟踪容积卡尔曼滤波算法相比,在目标位置和速度估计上具有更高的估计精度。

恶劣海况条件下海上救援目标动态估计与目标跟踪技术研究

海上目标动态估计和跟踪控制技术对于海上救援任务的顺利完成具有极其重要的意义.提出一种改进的GM-CKF目标动态估计方法,并通过目标状态估计滤波器反步法实现目标跟踪.GM-CKF方法的改进主要为自适应权值更新方案和目标状态转移模型.在量测缺失时,GM-CKF和改进的GM-CKF两种目标状态估计方法的轨迹存在较大的偏离,在北向位置最大偏移量约为-5.62 m.饱和滤波观测反步法在30 s左右达到期望位置,位置和跟踪误差变化较小.提供了一种精度更高的在恶劣海况下量测缺失的海上救援目标动态估计方法,还为海上目标的动态跟踪提供了一种更稳定的跟踪技术.

基于一种近邻传播的多目标分布估计算法

在基于规则模型的多目标分布估计算法(Regularity Model-based Multi-objective Estimation of Distribution Algorithm, RM-MEDA)基础上,为减小聚类数目的随机性和不确定性对算法性能产生的影响,提出了一种基于规则模型的近邻传播(Affinity Propagation, AP)多目标分布估计算法(AP-RM-MEDA)。在算法迭代初期引入AP聚类算法,根据种群传递的信息对种群进行初聚类,得到聚类数目。同时,为了减小AP聚类算法带来的计算开销,提出了一种关于聚类数目的重用策略,并通过实验验证了其有效性。为了提高算法的求解能力,混合差分变异算子生成新的个体。为了验证所提算法的性能,选取RM-MEDA、基于差分进化采样(Differential Evolution Sampling, DES)的多目标分布估计算法(DES-RM-MEDA)和基于规则模型的无聚类多目标分布估计算法(FRM-MEDA)作为对比算法,分别在两目标和三目标测试函数上进行测试。实验结果表明,所提算法的整体性能有所提高。

基于二阶Keystone变换的FMCWSAR动目标成像与参数估计

本文研究了一种适用于调频连续波(Frequency Modulated Continuous Wave,FMCW)合成孔径雷达(Synthetic Aperture Radar,SAR)的地面动目标成像与参数估计的方法。首先,建立FMCW SAR系统下的动目标回波模型,通过多普勒频移补偿和时频代换,提出了一种基于二阶Keystone变换校正动目标回波距离弯曲的方法。其次,用Hough变换去估计动目标距离向速度,并据此进行距离走动校正。最后,采用Wigner-Hough变换估计动目标的多普勒调频率,通过补偿二次和三次多普勒相位实现动目标的精确聚焦。仿真结果表明:该方法对参数估计有较高的准确性,同时估计的参数对动目标成像有较好的聚焦效果。

改进高分辨率网络的多目标动物姿态估计研究

在动物姿态估计任务中,多目标动物姿态估计的各类遮挡情况,会导致动物关键点的检测效果不佳。针对该问题,提出基于改进高分辨网络的多目标动物姿态估计网络PAENet。使用融合了自注意力机制的混合卷积ACmix,重新设计了高分辨率网络的瓶颈模块,以增强网络对大尺度特征的提取能力;提出了串联通道注意力机制和空间注意力机制的PSAsblock基础模块,对动物姿态的多尺度特征进行高效提取;重新设计网络输出的特征融合部分,以充分利用低分辨率分支的特征信息,通过加入反卷积模块进一步提升网络的热图回归预测准确率。在最新公开的大规模哺乳动物姿态估计基准数据集AP10K上进行实验,结果表明,PAENet相比当前用于动物姿态估计的高分辨率网络,平均精度mAP提升了2.4个百分点,中型物体检测准确率AP^(M)提升了3.6个百分点,有效增强了网络在多目标动物姿态估计中遮挡关键点特征的提取能力。

基于前后向矩阵束方法的线性排布无人机集群目标规模估算

利用前后向矩阵束方法,提出了一种有效的“蜂群”无人机群目标个数估计方法用于目标检测。与传统的参数估算方法相比,所提方法对于稀疏信号也能准确地进行估算。首先,在一定的角度或频率下,获取线阵排列群目标的雷达散射截面;然后,根据已知的雷达回波构造Hankel-Toeplitz矩阵,并对该矩阵进行奇异值分解;最后,通过设置合适的阈值选取比例较大的奇异值,以此准确地估算线阵排列群目标的个数。此外,文中还讨论了不同信噪比对估算结果的影响。为了提高精度,文中采用多组不同方位角度的回波信号来联合估算群目标的个数。仿真结果表明,该方法能够有效、准确地估算线阵排列群目标的个数,而且估计结果不受噪声的影响,具有较好的鲁棒性。

检测性能约束下目标估计的波形优化设计

为了提高杂波背景下检测性能约束的扩展目标估计性能,提出一种基于凸优化和随机化方法的波形优化设计算法。文中考虑了实际雷达系统应用对目标检测性能的要求,定义了随机目标场景下的信杂噪比,并将之作为约束条件,以最大化接收回波与目标随机冲激响应之间的互信息作为优化准则,利用凸优化和随机化方法进行恒包络相位编码信号的设计。仿真实验结果表明,该算法获得的发射信号能够满足系统最低检测信杂噪比的要求,最大化互信息,提高了目标的估计性能,将扩展目标估计性能和检测性能有效统一起来。

基于萤火虫算法优化BP神经网络的目标威胁估计

在萤火虫优化算法和BP神经网络的基础上,建立了萤火虫算法优化BP神经网络的目标威胁估计模型,并提出了基于该模型的算法。该模型和算法采用萤火虫算法优化BP神经网络的初始权值和阈值,优化后的BP神经网络能对测试集进行更好的预测。实验结果表明,萤火虫算法优化BP神经网络的预测误差明显小于BP和PSO_SVM。该模型和算法具有很好的预测能力,可以快速、准确地完成目标威胁估计。

一种基于模态域波束形成的水平阵被动目标深度估计

水面水下目标分辨与识别一直是被动声呐探测领域的难题.利用一种水平阵模态域波束形成算法获得己知方位目标声源的各阶模态强度,将其与不同深度的各阶参考模态强度进行匹配,最终实现了对声源的深度估计.仿真结果表明,该算法可以在信噪比为-10 dB的情况下,用300Hz带宽的信号样本,实现对声源深度的有效估计.系统分析了不同参数和不同波导条件对该方法目标深度估计性能的影响.其中,阵元数越多,模态样本数越多,计算频段越宽,方位估计精度越高,有效阵长越长,深度估计的性能越好.阵元间距和波导深度的变化不会影响该方法的深度估计性能,并且该方法的深度估计性能在声速剖面、海底参数等波导条件存在扰动时具有鲁棒性.

一种SAR图像中目标姿态估计的综合方法

合成孔径雷达(SAR)目标成像与其方位角密切相关,因此方位角对于目标模型的建立具有重要影响。本文首先介绍几种不同原理的目标方位角估计方法,分析他们在实际应用中存在的局限性。然后通过研究不同方位角条件下目标成像所具备的特性,提出一种目标方位角综合估计方法。该方法判断当前目标成像所具有的特点,先取相应的准则来对目标方位角进行估计。利用MSTAR公共目标数据库中的目标样本,通过实验证明该方法能够比较准确的获得目标方位角的估计。