测量噪声方差未知的多传感器组合导航集中融合算法

目前,多传感器组合导航系统的信息融合方法是建立在测量噪声方差已知的基础上,然而测量噪声方差会随着内部及外部的干扰而发生变化。为此,本文首先将基于变分贝叶斯逼近的自适应卡尔曼滤波(variational Bayesian approximation based adaptive Kalman filter, VB-AKF)从单一组合导航系统扩展到多传感器组合导航系统;然后,提出了多传感器组合导航系统的两种集中融合算法,即基于VB-AKF的增广式集中融合算法及基于VB-AKF的序贯式集中融合算法,以解决测量噪声方差未知情况下的多传感器组合导航的信息融合问题;最后,通过SINS/GNSS/CNS/ADS多传感器组合导航系统对上述算法进行了仿真验证。实验结果表明,本文所提两种算法滤波精度相同、且接近于测量噪声方差已知情况下的理想集中融合算法(ICKF)。在整个仿真时段内,相对于传统集中式卡尔曼滤波器(TCKF)及具有容错功能的联邦卡尔曼滤波算法(FT-FKF),本文算法可提高位置精度分别为32%和90%、提高速度精度分别为38%和71%。

基于散粒噪声方差实时监测的连续变量量子密钥分发系统的设计与实现

为了有效抵御窃听者对本振光的攻击,提高连续变量量子密钥分发(continuous-variable quantum key distribution,CVQKD)系统的安全性,提出了一种基于散粒噪声方差实时监测的CVQKD系统.该系统采用散粒噪声方差标定技术,在原有的CVQKD系统中加入散粒噪声方差实时监测模块,通过本振光强和散粒噪声方差的线性关系评估出实时的散粒噪声方差,再计算系统准确实时的密钥率来判断当前系统是否处于安全状态.实验上也表明了该系统能够有效抵御Eve对本振光的攻击,提高CVQKD系统的安全性.

基于噪声方差估计的小波阈值图像去噪新方法

大多数小波阈值去噪方法需要根据噪声方差来计算相应的阈值,所以噪声方差的估计将直接影响阈值去噪的效果。在两种常用的小波域噪声方差估计方法的基础上,提出一种新的阈值求取方法,实验证明这种方法能在一定程度上提高去噪图像的信噪比,并且提高运算速度。

基于噪声方差估计的小波阈值降噪研究

信号中包含的噪声不仅降低了信号的质量,而且还严重影响着各种相关处理算法的有效性,因此,高效稳健的噪声方差估计对于各类信号处理非常重要。提出一种噪声方差估计的新方法,该方法首先应用两状态高斯混合模型对高频系数建模,混合模型的各项参数通过EM(Expectation-maximum)算法迭代估算得到。在建立的高斯混合模型中,当参数满足一定条件时,可以将高频系数分为噪声类和边缘类。基于高频子带内系数的相关性,对噪声类所包含的系数再次应用高斯混合模型的方法分类,并在每个类中分别进行噪声的估计,最后对所得噪声信号计算方差作为原始信号的噪声方差估计。基于这种估计方法,将小波阈值法应用到反求工程的降噪中,实际信号的降噪结果在光滑性和特征保持方面均有较好的效果。试验表明,该噪声方差估计方法对噪声大小具有一定适应性,且小波阈值降噪法简单易行,应用广泛。

不确定噪声方差定常系统保性能鲁棒Kalman滤波器

对带不确定噪声方差线性定常系统鲁棒Kalman滤波,提出一般的统一的保性能鲁棒性概念.用Lyapunov方程方法,提出两类保性能极大极小鲁棒稳态Kalman滤波器.一类是寻求不确定噪声方差最大扰动域(鲁棒域),使得对于扰动域内的所有扰动,确保系统滤波精度偏差的最大下界是零,最小上界是所预置的精度偏差指标;另一类是在预置噪声方差有界扰动域内,寻求滤波精度偏差的最大下界和最小上界.通过引入不确定噪声方差扰动的参数化表示,问题转化为相应的非线性与线性最优化问题,可分别用Lagrange乘数法和线性规划(LP)方法求解.应用于跟踪系统的仿真例子验证了所提结果的正确性和有效性.

噪声方差未知情况下多传感器航迹融合

在多传感器信息融合中,已有的航迹融合算法都是在噪声方差已知情况下基于最优的卡尔曼滤波算法的,而实际应用中噪声方差往往是未知的.针对上述问题,基于扩展记忆因子递推最小平方(EFRLS)估计的滤波方程,研究了噪声方差未知情况下集中式、分布式、混合式多传感器航迹融合方法.并对三种航迹融合算法的跟踪性能和卡尔曼滤波融合算法的性能进行了仿真比较.由于多级式多传感器的航迹融合方法可由本文的方法直接推广,所以只需研究两级的情况就可.

带丢失观测和不确定噪声方差系统改进的鲁棒协方差交叉融合稳态Kalman滤波器

对带丢失观测和不确定噪声方差的线性定常多传感器系统,引入虚拟噪声将原系统转化为仅带不确定噪声方差的系统.根据极大极小鲁棒估值原理,用Lyapunov方程方法提出局部鲁棒稳态Kalman滤波器及其实际方差最小上界,并利用保守的局部滤波误差互协方差,提出一种改进的鲁棒协方差交叉(covariance intersection,CI)融合稳态Kalman滤波器及其实际方差最小上界.证明了所提出的鲁棒局部和融合滤波器的鲁棒性,并证明了改进的CI融合器鲁棒精度高于原始CI融合鲁棒精度,且高于每个局部滤波器的鲁棒精度.一个仿真例子验证所提出结果的正确性和有效性.

基于噪声方差估计的伪造图像盲检测方法

针对不同来源合成伪造数字图像提出了一种盲检测方法,不同数字图像背景噪声存在差异,因而伪造图像区域噪声方差不同。从待测图像小波分解后的高频子带中去除相应边缘区域的高频干扰,改进了噪声方差估计算法,并对所得噪声图像进行分块处理估计每一个分块的噪声方差,将方差相近的块进行融合,最后比较图像中纹理接近的同质区域,找出方差异常的位置。通过实验研究了方差估计精度,对不同来源的伪造图像进行了检测,结果表明算法提高了图像噪声方差的估计精度,在图像纹理接近的同质区域中可以定位图像的伪造区域。

噪声方差不确定约束系统的滚动时域估计

针对噪声方差不确定的约束系统,讨论了一种鲁棒滚动时域估计(MHE)方法.首先,根据噪声方差不确定模型,找到满足所有不确定性的最小方差上界,在线性矩阵不等式(LMI)框架下求解优化问题,得到近似到达代价的表达形式;然后再融合预测控制的滚动优化原理,把系统的硬约束直接表述在优化问题中,在线优化性能指标,估计出当前时刻系统的状态.仿真时与鲁棒卡尔曼滤波方法进行比较,结果表明了该方法的有效性.

基于噪声方差确定非线性扩散除噪声的最优停止时间

该文采用非线性扩散进行图像除噪声并在这个计算框架下提出利用噪声方差选择最优停止时间的方法。在利用非线性扩散进行图像除噪声时,每次迭代平滑掉的图像的方差大于平滑掉的噪声的方差时,迭代应该停止。为了在除噪声过程中正确地估计噪声的方差,该文构造一幅纯噪声图像跟实际的观测图像同步进行迭代计算,并把纯噪声图像的方差作为图像中噪声方差的估计值来辅助计算最优停止时间。针对非线性扩散的各项异性,提出了能够保持两种噪声同步变化的特殊的规整化项。新的规整化项在迭代纯粹噪声图像时使用,这样确保每次迭代都可以保持合成噪声与实际图像噪声的统计特性相一致。实验证明新的算法可以非常有效地选择合适的停止时间。

LDPC迭代译码联合噪声方差估计

基于EM算法推导了噪声方差的最大似然估计算法,并利用推导结果来修正LDPC的LOG域的置信传播译码算法,进行迭代译码联合噪声方差的估计.仿真结果表明,该文提出的噪声方差估计方法,较好地完成了噪声方差未知时LDPC迭代译码的辅助工作,使噪声方差未知时的系统误比特率性能恶化小于0.1 dB.

基于小波变换估计噪声方差的轮速信号卡尔曼滤波器

搭建了针对车轮轮速信号的卡尔曼滤波器,分析了不准确的观测噪声统计特征对该卡尔曼滤波器性能的影响,在此基础上利用小波变换事先估计出了轮速信号的噪声方差值。试验结果表明,该估计算法能适应轮速信号噪声方差的变化,且计算量小,解决了在未知观测噪声条件下卡尔曼滤波的失效问题。

图像噪声方差分段估计法

为了提高对较小噪声估计的准确性,提出一种图像噪声估计的新方法.该方法基于图像小波细节系数的统计特性,用分段函数进行分析处理.将原始图像进行小波变换,根据传统的Donoho方法得出噪声标准方差的初始估计值,将初始估计值根据提出的公式进行处理.实验结果表明,所提方法比传统的小波噪声估计方法更准确,特别是对于图像噪声较小(标准差小于20)和细节较多的图像.将所提方法和传统方法估计出的噪声方差分别代入小波阈值去噪方法中,所提方法去噪效果更好,能更好地保持图像细节,当噪声标准差等于10时,峰值信噪比(PSNR)至少比传统方法高0.6 dB.

视频噪声方差估计算法研究

针对传统差分视频噪声方差估计算法在处理运动前景变化较大时,容易把视频实际信号分量也当作噪声,使得噪声估计结果偏大的问题,提出了一种改进的噪声方差估计算法。该算法不仅利用了静止图像在空间上的相关性和视频序列图像在时间上的相关性,而且还自适应地选取帧差图像中大部分像素的差分值用于估计噪声,使得估计结果更加准确和稳定,达到更好的视频去噪性能。

基于噪声方差估计的高斯混合概率假设密度滤波算法

针对传统的高斯混合概率假设密度(GM-PHD)滤波器在噪声先验特性未知或不准确时跟踪性能会下降,提出了一种基于噪声方差估计的高斯混合概率假设密度(NCE-GM-PHD)滤波算法.该算法可以同时在线估计时变的目标个数、多目标状态以及噪声方差.首先,通过引入遗忘因子和采取有偏估计的方法改进了传统的Sage-Husa自适应滤波器.基于改进的自适应滤波器,推导了带噪声方差估计的GM-PHD滤波算法.仿真结果表明,在非时变或时变量测噪声方差未知的情况下,NCE-GM-PHD算法的跟踪性能优于传统的GM-PHD算法,对噪声变化的适应能力更强.

基于多小波噪声方差阈值的信号滤波方法

对信号和噪声的多小波变换进行了研究。根据它们多小波变换下呈现出的截然相反的特征 ,即随着变换尺度的增大 ,噪声的变换值迅速减小 ,而信号的变换值增大 ,利用相关算法推导并给出了多小波噪声方差阈值的计算公式 ,基于该阈值提出了一种新的多小波信号滤波方法。该方法在噪声方差估计的基础上 ,对噪声信号变换系数进行处理 ,减小由噪声产生的系数 ,同时最大限度地保留有效信号产生的系数 ,最后由处理后的变换系数重构信号。对该方法用典型的GHM双小波进行了仿真分析 ,结果表明 。

基于熵的图像噪声方差估计

在噪声图像去噪、分割等算法中,需要知道噪声的分布模型和统计参数,为此提出了一个新颖的噪声估计算法.首先计算输入噪声图像中每个图像块的方差和局部熵的综合值;然后将所有综合值按降序排列,按序取综合值对应的标准差值进行去噪;最后通过图像质量评价算法筛选出最终的噪声估计结果.该算法不需要对输入图像进行如滤波、小波变换等复杂的预处理过程,直接对输入图像进行一系列的数据处理就可以得到噪声方差值,方法简单易于实现,计算效率高并且具有良好的鲁棒性,同时也可以指导BM3D等去噪算法进行自适应去噪.

辨识动态系统噪声方差Q和R的新方法

对于带未知噪声方差的线性离散定常随机系统,引入左素分解可得到一个新的观测过程,它用两个滑动平均(MA)过程之和表示。用解相关函数矩阵方程组得到了噪声方差Q和R的估值器,进而基于新的观测过程的采样相关函数及其遍历性可得到噪声方差Q和R的强一致估计。算法简单,便于实时应用。一个目标跟踪系统的仿真例子说明了其有效性。

噪声方差和纹理复杂度分析的源相机识别

针对源相机识别问题,提出了一种利用噪声方差和纹理复杂度分析的源相机识别新方法。首先围绕彩色滤波阵列(CFA)插值和小波去噪,讨论了传统的模式噪声提取方法的不足,接着重点讨论利用噪声方差以及根据模糊聚类去除高纹理复杂区域进行模式噪声提取的新方法。实验表明所提取的模式噪声不仅能更好地反映数码相机的模式噪声特性,而且对来自三种不同相机的照片的平均识别率提高了近6.3%。

基于BM3D的图像噪声方差估计方法

传统的图像噪声方差估计方法在处理具有较多内容变化或者丰富纹理信息的图像时,往往容易造成较大的估计偏差。提出了一种基于BM3D的图像噪声方差估计方法。首先使用传统的F-NLE噪声估计方法获取图像噪声的初步估计值,并根据噪声初步估计值生成多组噪声方差候选值;然后,使用得到的噪声方差候选值作为BM3D滤波方法的参数,对含噪图像进行滤波处理;接着,再通过多组实验对图像滤波前后的自然统计(NSS)特征差异进行分析,得出该差异能够有效地反映图像降噪效果之后,对含噪图像滤波前后的NSS特征进行提取;最后,使用获取的NSS特征对应的矢量距离,作为每幅含噪图像所对应的BM3D方法参数的权重,并利用局部均值法对图像噪声方差做出最终精确估计。通过在不同图像集上的多组实验可以得出,相比于对比方法,所提出的图像噪声估计方法具有更高的估计精度和可靠性。