带虚警抑制的基于归一化残差的野值检测方法

野值检测,或称异常值检测是模式识别和知识发现中一个重要的问题。以往的野值检测方法难以有效地抑制虚警概率,针对这一问题,该文提出一种带监督情形下基于归一化残差(Normalized Residual,NR)的野值检测方法。首先利用训练样本计算待考查模式的NR值,其次比较NR值与野值检测门限的相对大小,从而判断待考查模式是否为野值。该文理论上推导了野值门限与虚警概率之间的关系表达式,以此为依据设置检测门限,可实现在少量训练样本情况下仍能抑制虚警率的目的。计算机仿真和实测数据测试验证了所提方法在野值检测和虚警抑制方面的优越性能。

基于稀疏系数位置和归一化残差的压缩感知信号检测

信号检测是压缩感知理论研究的重要内容。针对当前压缩感知信号检测算法没有充分利用稀疏系数幅值和位置信息的不足,提出了一种新的检测算法。该算法首先引入归一化残差变量,有效克服了稀疏系数幅值波动大的缺点;然后,利用不同测量矩阵确定的稀疏系数位置信息,基于正交匹配追踪(OMP)算法实现目标信号检测。实验结果表明,算法的检测性能随着信噪比的提高而增强,且与压缩比负相关,运算复杂度较正交匹配追踪算法和仅利用稀疏系数位置信息的算法相当但检测性能分别提高了4 d B和1 d B。

STEKF协同残差归一化的感应电机转速辨识方法

为了提高感应电机无速度传感器矢量控制系统的性能,提出了一种强跟踪扩展卡尔曼滤波(STEKF)协同残差归一化(NR)的自适应转速估计方法。通过将渐消因子引入到状态预测协方差矩阵中,实时在线调整增益矩阵,强迫输出残差序列保持相互正交。同时,通过对残差进行归一化处理,自适应地调节渐消因子,消除由残差本身数值差异引起的信息不对称。该文提出的方法提高了系统模型对于实际系统以及外部环境变化的适应性,有效降低了估计误差,满足对于低速的估计要求。对基于STEKF协同残差归一化观测器的感应电机无速度传感器矢量控制系统进行了实验验证,实验结果证明了算法的正确性和有效性。

利用最优定轨算法鉴别弹道有源假目标

分析了弹道导弹突防过程中有源假目标航迹的运动学特性,指出和实体目标相比,真假目标运动学特性的差异是一种非显著性差异,这种非显著性差异可以体现在初始参数估计的残差上。对于实体目标而言,其最优估计的归一化残差为高斯分布,而假目标残差为非高斯分布,可以作为鉴别的依据。设计了初始参数的最大似然(maximum likelihood,ML)估计算法,采用Levenberg-Marquardt(L-M)迭代法进行求解,并利用估计残差设计了假目标的鉴别算法。该方法的优点是不仅可以鉴别假目标航迹,而且对真目标而言,该算法同时是最优定轨算法。仿真结果验证了算法的有效性。

压缩感知合成孔径雷达自适应射频干扰抑制方法

压缩感知合成孔径雷达成像技术能够利用较少的采样数据获得比传统方法分辨率更高的图像,但回波中射频干扰的存在会破坏成像场景的稀疏性,使成像质量严重下降。研究一种基于压缩感知和归一化残差能量变化值的射频干扰抑制方法,该方法根据射频干扰信号残差能量随OMP算法分解迭代的变化特征,提取归一化残差能量变化值作为迭代停止的条件,通过改进的OMP算法对回波中的射频干扰进行抑制。最后进行相关的仿真验证,证明了该方法的有效性。

一种改进的INS/GPS组合导航鲁棒H_∞多重渐消容错滤波算法

在对适用于INS/GPS组合导航的H∞滤波方法进行了深入研究基础上,提出了一种改进的H∞多重渐消容错滤波算法。首先给出了H∞滤波算法,然后对渐消记忆滤波方法进行了有效的改进,提出了多重渐消因子矩阵对称加权的滤波算法和残差归一化的多重渐消滤波方法,有效避免了残差量级差别所导致的残差检测失效和修正作用失配,最后提出了一种双重故障检测的容错策略,构造了改进的鲁棒H∞容错滤波器。仿真结果表明,改进的H∞容错滤波方法较常规Kalman滤波对系统模型和噪声的不确定干扰具有很强的鲁棒性,在有色噪声情况下具有高于常规Kalman滤波的精度,对于故障具有较强的检测能力和较好的组合效果,更加贴近于工程应用需求。

沙尘图像色彩恢复及增强卷积神经网络

目的在沙尘天气条件下,由于大气中悬浮微粒对入射光线的吸收和散射,户外计算机视觉系统所采集图像通常存在颜色偏黄失真和低对比度等问题,严重影响户外计算机视觉系统的性能。为此,提出一种带色彩恢复的沙尘图像卷积神经网络增强方法,由一个色彩恢复子网和一个去尘增强子网组成。方法采用提出的色彩恢复子网(sand dust color correction,SDCC)校正沙尘图像的偏色,将颜色校正后的图像作为条件,输入到由自适应实例归一化残差块组成的去尘增强子网中,对沙尘图像进行增强处理。本文还提出一种基于物理光学模型的沙尘图像合成方法,并采用该方法构建了大规模的配对沙尘图像数据集。结果对大量沙尘图像的实验结果表明,所提出的沙尘图像增强方法能很好地去除图像中的偏色和沙尘,获得正常的视觉颜色和细节清晰的图像。进一步的对比实验表明,该方法能取得优于对比方法的增强图像。结论本文所提出的沙尘图像增强方法能很好地消除整体的黄色色调和尘霾现象,获得正常的视觉色彩和细节清晰的图像。