基于多图超分辨率重建的精细导星仪星点质心定位精度提升方法

精细导星仪的星点质心定位精度决定了空间天文望远镜的视轴姿态解算精度,为了提升精细导星仪的星点质心定位精度,提出了一种基于深度小波循环神经网络的星图超分辨率重建方法。首先,借助微扫描技术获取亚像素错位低分辨率星图序列,采用小波编码器提取低分辨率星图的小波域特征,通过小波系数约束低分辨率星图的噪声,并将亚像素错位星图序列配准过程融入到网络学习中。其次,利用卷积门循环神经单元对所提取的多星图序列特征进行融合。最后,使用逆小波解码器对多特征融合模块输出的小波域特征进行解码,从而实现基于低分辨率星图序列的去噪与超分辨率重建。实验结果表明,分别采用平方加权质心法求取原始星图和超分辨率重建后星图中的各星点的质心位置,相比于前者,后者的各星点平均质心定位精度和稳定度在X方向分别提升了64.76%和19.15%,在Y方向分别提升了75.35%和26.14%。

基于RSSI的弦相交加权质心定位算法

无线传感器网络中节点定位是其重要技术,其中基于测距的RSSI定位技术具有成本低、易实现等优点。为解决传统三边质心算法在确定相交区域顶点时存在一定缺陷导致误差较大的问题,提出弦相交-加权质心定位算法。该算法采用分组、分步式定位方式。首先通过弦相交法进行初步定位,将有效节点三三分组,组内各圆公共弦所在直线交点作为本组的定位结果;再采用加权质心算法将初步定位中各组结果进行二次精确定位,得到最终信号源预测位置。在平均边长近似20 m的不规则五边形区域进行仿真验证,信号源随机分布于15 m×15 m的正方形内,结果显示相较于加权三边质心算法,所换算法平均误差减少了2.028 m,定位精度提升了61.14%,具有良好效果。

自适应灰狼算法优化的RSSI加权质心定位算法

无线传感器网络节点的定位过程中未知节点的邻居锚节点数量会严重影响定位精度。为解决该问题,提出一种自适应灰狼算法优化的RSSI加权质心定位(AD-GWO-RSSI)算法。该算法首先根据传感器网络的连通关系,计算出所有未知节点的平均锚节点数量和每个未知节点的邻居锚节点数量,然后取两者的平均值作为GWO算法优化每个未知节点RSSI加权质心定位过程的阈值,最后将优化后的高精度定位节点作为伪锚节点对其他未知节点进行定位。实验结果表明,通过邻居锚节点数量关系获得自适应阈值的GWO算法去优化RSSI加权质心定位算法,不仅能达到较高的定位精度,还具有较强的泛化性和稳定性。

k-Means++算法下的无线局域传感网络凸包质心定位

为了提高无线局域传感网络凸包质心定位的准确性,利用k-Means++聚类算法计算传感器节点的接收信号强度和路径损耗,筛选出具有代表性和稳定性的节点作为凸包质心,再使用加权算法计算凸包质心定位权值,选择出更准确地质心。在此基础上,通过分析无线传感器信号的间隔时间以及比较周边凸包质心和未知节点的接收信号实际条件,确定凸包质心之间的连通性关系。根据设定的凸包质心定位判断阈值,进一步确定凸包质心的定位结果,提高定位的准确性和可靠性。仿真结果表明,所提方法最大定位误差为0.167 m,在不同凸包质心数量下通信半径为40 m时的定位误差小于0.35 m。证明了所提方法能有效地实现无线局域传感网络中的质心定位,定位误差小。

基于高精度激光光斑质心定位技术的教学实验设计

针对空间激光通信过程中激光捕获跟踪瞄准系统激光光斑高精度定位问题,提出一种基于Otsu联合加权最小二乘的激光光斑质心定位方法。该方法采用Otsu阈值分割实现激光光斑图像中目标光斑与干扰光斑的分离,采用加权最小二乘圆拟合,以迭代重加权方式进行光斑图像的最佳拟合,进而实现高精度的光斑质心提取。该文还设计了仿真教学实验,并基于MATLAB软件验证了所提算法的质心定位精度显著高于传统的灰度重心法的结论。该算法可实现亚像素级光斑质心定位精度,具有很好的抗噪性能。最后分析了仿真实验中不同因素对光斑定位精度的影响。

基于增强加权质心定位的认知物联网用户频谱接入控制

在认知物联网(CIoT, cognitive internet of things)中,由于主用户(PU, primary user)与次级用户(SU,secondary user)之间的非合作特性,单独依靠传统的频谱感知技术判断频谱接入机会存在一定的不可靠性。作为一种重要的辅助信息,PU与SU之间的相互位置信息可以协助判断授权频谱的二次接入可能性。提出了一种低复杂度的基于相邻关系的加权质心定位(NB-WCL, neighbor-based weighted centroid localization)算法,通过解决CIoT中SU的定位问题,从而完成CIoT中各个地理位置上是否能够进行频谱接入的决策。在理论层面分析了二维位置估计的均方根误差(RMSE, root mean square error)性能,通过仿真验证了通信半径、节点密集度、阴影影响、路径损失、连通性度量值以及发送数据次数等因素对于算法性能的影响。理论推导与实验结果表明,相对于传统的定位算法,所提方案为CIoT中的SU定位算法提供了更为强健和良好的定位误差性能,能够有效地增强认知物联网中用户频谱接入的可靠性。该方案可以作为认知物联网中的一种高效实用的定位感知方案。

基于权重系数自调整的加权质心定位算法

针对目前采用的经典加权质心定位算法,其定位节点的位置的精确度较低。文章通过RSSI测距结合加权定位提出一种基于权重系数自调整的加权质心定位算法。该算法进行多个节点位置的估算时采用经典质心算法,之后对多个估计位置利用优化权值的方法进行求值,最后明确节点位置所在。该算法是融合了RSSI测距的技术和经典质心算法的加权算法,操作更为容易。经过进行仿真实验,可以看出与经典的定位算法相比,该算法定位的精确度有比较明显的提升。

深度学习在脊柱质心定位与分割的应用进展

脊柱医学图像质心定位与椎骨分割在脊柱手术引导中具有重要意义,准确定位脊柱质心与分割椎骨已成为重要的研究课题。近年来,随着GPU算力的提高以及医学图像数据的累积,深度学习在脊柱图像中的应用取得突破。为研究深度学习在脊柱医学图像定位与分割任务中的应用现状与发展,文中对该领域近几年脊柱定位与分割模型进行整理与研究。收集脊柱常用数据集与评价指标并探讨深度学习模型在脊柱质心定位与分割的应用,分析模型实现过程及存在的不足之处。文中还针对目前深度学习在脊柱质心定位与分割应用面临的问题给出应对策略,并提出未来可行的发展方向。

基于语义分割和融合算法的草坪杂草定位

【目的】探究基于多算法融合的草坪杂草精准定位算法,为草坪杂草的自动识别和清除机器人的除草作业提供技术支撑与理论依据。【方法】提出了一种基于语义分割的多算法融合的草坪定位算法。首先,通过PSPNet网络分割草坪和非草坪轮廓。其次,针对分割出来的非草坪轮廓提取感兴趣的区域,去除非杂草轮廓,保留杂草轮廓。然后,利用Zhang-Suen细化算法提取杂草轮廓骨架线,并获取骨架交叉点数量和坐标位置。最后,利用融合算法依据交叉点数量选择不同的定位策略,实现杂草根部的精准定位。【结果】融合算法定位的杂草坐标与真实杂草根部中心坐标的均方根误差为83.17像素,相比平均质心法减少了14%,相比最小外接圆减少了22%。换算到实际场景之下,融合算法定位的杂草坐标与真实杂草根部中心坐标的均方根误差为12.48 mm,误差在可接受的误差范围内。融合算法提高了杂草根部中心的定位精度,降低了杂草定位的误差。【结论】基于语义分割和融合算法的草坪杂草定位方法提高了杂草根部中心的定位精度,降低了单一方法的定位误差,可以为草坪杂草自动识别和除草作业提供技术支持。

基于RSSI的修正补偿三边定位算法设计与仿真

在无线传感器网络节点定位过程中,三边定位算法常结合测距算法获取未知节点的位置信息。针对现有三边定位算法定位精度低、适用范围小和需要多次发送定位数据包导致节点能耗增大等问题,提出一种修正补偿测量距离的三边定位算法。相比常见发送多次定位数据包然后进行滤波计算降低定位误差的方法,采用对数常态-模型测量节点间距离,发送较少定位数据包,通过判断三锚节点圆的相对位置,对由于测距误差较大导致节点圆不相交的3种情况进行修正补偿,采用基于质心算法的三边定位算法计算未知节点坐标。通过搭建Matlab仿真试验,验证算法可行性及定位精度,试验结果表明,提出的修正补偿三边定位算法综合考虑了定位精度、算法复杂度和节点功耗3者之间的关系,适用范围更广,定位误差<15%。

基于质心−凸包−自适应聚类法的浮选泡沫动态特征提取

面对复杂的浮选现场环境及浮选泡沫自身相互粘连导致的边界不清等情况,现有泡沫动态特征(流动速度和崩塌率)提取方法往往无法准确划定属于每个泡沫的动态特征采样区域、不能全面匹配相邻帧间的特征点对且难以有效识别崩塌区域。针对上述问题,提出了一种基于质心−凸包−自适应聚类法的浮选泡沫动态特征提取方法。该方法采用集成Swin−Transformer多尺度特征提取能力的改进型Mask2Former,实现对泡沫质心的精准定位和崩塌区域的有效识别;通过最优凸包评价函数搜寻目标泡沫周围相邻一圈泡沫质心构建的凸包,拟合出接近实际泡沫轮廓的动态特征采样区域;运用基于Transformer的局部图像特征匹配(LoFTR)算法匹配相邻帧图像间的特征点对;针对动态特征采样区域内部的所有特征点对,通过基于OPTICS算法的主特征自适应聚类法提取每个泡沫的主要流动速度。实验结果表明,在普通泡沫质心定位和崩塌区域识别任务中,该方法分别取得了88.83%,97.92%的准确率及77.90%,96.52%的交并比;以2.69%的平均剔除率实现了99.93%的特征点对匹配正确率;在多种工况下均能有效划定与实际泡沫边界相近的特征采样区域,进而定量提取每个泡沫的动态特征。

基于容积卡尔曼滤波的RSSI/IMU组合室内定位系统研究

在物联网时代,跟踪定位室内环境中物体至关重要。针对接收信号强度指示(RSSI)定位方差大和惯性测量单元(IMU)定位存在累积误差的问题,研究并实现了一种使用容积卡尔曼滤波算法对RSSI定位和IMU定位进行数据融合的方法。以ZigBee开发板为RSSI的硬件载体,采用质心定位法将RSSI转换为坐标信息;待测目标搭载MPU9250提供IMU数据,并进行室内跟踪定位实验;使用容积卡尔曼滤波算法对实验数据进行改进,并与原坐标信息数据进行对比。结果显示,使用了容积卡尔曼滤波算法后的改进数据相比原数据在精确度上提高了20.8%。该定位系统具有一定的实用价值。

基于机器视觉的无序堆放西瓜识别与定位技术

【目的】研究一种基于机器视觉的西瓜识别与定位技术,满足西瓜搬运设备的自动化要求,为自动搬运设备的视觉部分提供技术支持。【方法】采集西瓜的二维图像数据与三维点云数据。调用OpenCV函数库分割西瓜二维图像,提取出西瓜的外轮廓;采用PCL函数对三维点云数据进行预处理,并与二维图像作图形特征匹配,提取出顶层西瓜的质心点。【结果】单轮次的西瓜轮廓总识别率为97.62%,正确识别率为95.58%,质心识别率为92.72%。20轮测试的总轮廓识别率为98.02%,总正确识别率为96.53%,总质心识别率为94.17%,总质心个数和总西瓜个数之间的误差率为2.36%;西瓜图像处理的总用时为101.8s,效率提高了77.8%。【结论】基于机器视觉的西瓜识别与定位技术识别率较高且误差率较低。

无线传感器网络基于凸规划的改进定位算法:Convex-PIT

定位技术是无线传感器网络的关键技术之一,为了提高无线传感器网络的定位精度,在Convex算法基础上提出了Convex-PIT算法.Convex-PIT算法通过引入锚节点构成的三角形进一步滤掉节点不可能存在的区域,缩小节点可能存在范围,提高定位精度.Convex-PIT算法增加了判断未知节点是否在锚节点组成的三角形内的计算量,但不需要增加节点的硬件条件和额外的功能.仿真结果表明,和Convex算法相比,Convex-PIT可以明显的提高定位精度,在锚节点的比例从10%增加到30%的过程中,定位精度提高幅度平均约15%.

一种基于粒子群优化BP神经网络技术的震后压埋人员手机定位方法

近年全球地震灾害频发,如何快速准确定位压埋人员方位是震后搜救工作中的重点和难点。本文提出的基于粒子群优化BP神经网络技术震后压埋人员手机定位方法,通过对压埋手机的定位,间接定位到被压埋人员。利用WiFi探针捕捉被压埋手机发出的接收信号强度数据,采用高斯-卡尔曼混合滤波对数据进行处理。以粒子群优化BP神经网络解算出的压埋距离为基础,融合对数衰减模型与多项式衰减模型,建立多衰减模型融合的压埋距离修正模型,获取更为精确的压埋距离。通过加权六点质心定位算法求解压埋手机位置。实验结果表明:多衰减模型融合的压埋距离修正模型定位误差为0.579 m,相较于单一的信道衰减模型与神经网络,定位精度分别提升43.5%、30.9%和12.7%。

基于大数据和无线网络的采摘机器人定位技术研究

分析了5G无线网络定位原理,提出了单基站定位技术和加权质心的5G定位技术,设计了采摘机器人定位系统硬件部分,并基于大数据和无线网络实现了采摘机器人定位系统。试验结果表明:系统具有较好的定位精度,优于单基站定位方法精度,且其定位曲线与北斗定位设备曲线拟合度非常高,稳定性较好。

基于YOLOv5算法的圆心定位方法

准确地获取图像中圆形目标的圆心是目标识别和定位中的关键问题。目前圆心定位主要采用最小二乘拟合圆以及HOUGH变换方法,但这些方法在不同程度上存在着鲁棒性不强、对环境光线要求高、需提前调试参数确定阈值、复杂背景下效果急剧变差等局限性。针对该问题,提出一种综合运用YOLOv5算法、Grabcut算法和灰度质心法进行图像分类、图像分割和灰度重心算法求取圆心坐标。该方法使用YOLOv5对图像中的圆形目标进行粗定位,再通过图像分割方法分割出圆形目标,最后使用加权型的灰度重心算法准确定位出圆心坐标,实现对圆形标志的可靠定位。用多个实验比较了该算法与现有算法的精度和稳定性,实验表明,该算法与现有算法相比,在干扰及形变的情况下圆心定位平均相对误差保持在0.5pixel以内,而在干扰、强形变及目标残缺的情况下仍能保持在7 pixel以内,该算法不仅提高了圆形目标圆心检测的鲁棒性和准确性,而且具有良好的抗干扰性。

多红外目标探测几何定位方法

针对地面目标实时、精确定位问题,开展了多红外目标探测几何定位方法研究。在离线阶段,生成大量定位数据,利用极端梯度提升树方法构建两红外交叉定位精度模型。在实时定位阶段,首先,文章将三个红外传感器两两组合进行测向交叉定位,计算出每组交叉定位坐标;其次,调用精度模型,通过输入每组红外的基线信息和方位角信息获取对应的红外交叉定位精度;最后,结合交叉定位坐标和对应精度,构建几何求解表达式,利用质心法估计目标位置坐标。验证结果表明,该方法定位结果优于同组中任意交叉定位结果。

扫描式眼波前像差系统的夏克–哈特曼波前传感器质心探测研究

针对扫描式眼波前像差系统难以消除所有视角方向系统噪声的问题,提出了一种在大噪声条件下准确定位光斑阵列的质心并进行波前重建的方法。首先使用中值滤波与数学形态学方法对图像进行全局处理;接着使用改进的最大间类方差方法选取每个子孔径的阈值;然后通过Suzuki轮廓跟踪算法确定需要计算的光斑窗口;最后结合所提出的中值面积法精确定位光斑质心。通过对比发现,传统方法对此类大噪声条件下的真实光斑已无法进行判别,而新提出的方法可以进行正确识别,重建波前的PV值误差小于0.015λ,RMS小于0.001λ,说明该方法的准确度与稳定性明显优于传统方法。

一种基于交点质心求解的RSSI定位算法及其优化

为了提高RSSI算法的定位精度,提出了一种新的基于交点质心求解的RSSI算法.此方法用矩阵求解多组二元二次方程组,得出的结果为这些方程组解的平均值,定位坐标由这些平均值确定.相比于传统最小二乘法,交点质心法的定位精度明显提高,并给出了两种优化方案,最后提出了一种实现三维定位的方法.