改进邻域漂移的多假设检验点云降噪

在获得三维点云数据时,由于仪器、环境、算法等原因,不可避免地会使获得的点云数据带有噪声,而点云数据所携带的噪声将影响后续的点云处理效果。为了抑制三维点云数据中的噪声,同时保留其不同程度的特征,提出一种改进邻域漂移的多假设点云降噪方法。首先,利用邻域点和法向双张量投票法进行特征描述;接着,利用非参数估计构建转移概率函数,并使用核回归方法对新的采样点进行权重计算,在此基础上运用粒子滤波实现邻域漂移,经过多次迭代得到非局部邻域;然后,通过多假设检验法确定不同特征点处的多个法向,并通过加权平均获得最终法向;最后,采用多假设检验的方法分别对特征点和非特征点进行滤波,产生多个候选点并使用目标函数进行优化,从而对点云模型进行降噪。利用所提方法与RIMLS、EAR、L1、PointNet方法对相同噪声模型进行恢复,并对恢复模型与原模型进行误差分析,结果表明,所提方法的平均降噪精度相比RIMLS、EAR和L1方法分别提高了38.1%、41.3%和12.4%,与PointNet相比约降低2.9%,但是所提方法无须进行数据库训练且可调参。

基于多假设检验的新型小波滤波算法

小波阈值滤波是信号处理领域的重要方法,根据信号和白噪声在小波空间上传播的特性,提出了一种基于多假设检验确定小波滤波阈值的新算法。将小波阈值处理过程看作一个多重假设检验过程,FDR(False Discovery Rate)准则的step-up和step-down过程均能控制FDR在给定的显著性水平,综合这两个过程形成了FDR step-up-down过程并应用于确定小波滤波阈值。仿真实验表明,算法能够灵活调整显著性水平的大小来达到滤波后所希望的效果,以信噪比和均方误差作为衡量指标,该方法滤波效果与hearsure方法相当,优于BHFDR及sqtwolog方法。讨论了显著性水平的选取对滤波效果的影响,指出显著性水平的大小与信噪比的改善并非线性关系,提出了合理选取显著性水平的思路。

基于多假设的运动多站多目标 AOA 定位算法研究

测向角(AOAs)交叉定位是无源定位中广泛应用的经典体制,但在多站多目标场景中,特别是观测平台和目标都在运动时,测向角交叉定位存在关联错误率高,定位精度低等问题。针对该问题,该文提出一种基于多假设的运动多站多目标AOA交叉定位算法。首先对所有观测站测向角进行量测关联组合,对每个量测组合使用两步最小二乘算法进行目标位置估计。计算测向角关联的代价函数,累积前几个周期的关联代价函数选出最佳的量测配对组合,并估计目标位置。后续的量测数据与已有目标位置误差椭圆关联,得到量测关联组合,并进行目标位置估计。避免了组合爆炸,算法时效性高,降低了关联错误率,提高了定位精度。通过在搭建的演示验证系统中进行验证,验证了算法的有效性。

一种基于最大化序列交互信息的延迟估计量化-检测算法

针对传感器网络中的信号延迟估计问题,提出了一种新的时延估计量化-检测算法。首先将该问题构建为一个分层处理体系结构;然后将两个传感器捕获和传输同一信号的延迟和噪声样本建模为一个多假设检验问题,从而把寻找两个接收序列之间的延迟简化为在最大似然意义上最大化两个接收序列之间的交互信息,并设计出了实现最佳延迟估计的量化-检测器。实验结果表明,提出的延迟估计量化-检测算法在中低信噪比下不仅有与非量化估计检测算法相媲美的性能,而且优于一般的基于量化数据与非量化数据之间的均方误差的标准标量量化-检测算法。