基于主成分分析及最近邻算法的纺织材料识别

探讨了利用主成分分析与最近邻分类器对8种纯纺织物的识别分类效果。首先采集8种纯纺织物在920nm～2 528nm波长范围内的720幅高光谱图像,经过图像标定、曲线滤波、波长预选等预处理之后得到可供分析使用的高光谱原始数据。而后将720个织物小样分为训练集和测试集,结合主成分分析提取出织物小样的4个特征波长,最后利用最近邻分类器完成训练并对测试集进行分类识别。结果表明:训练集识别率达到了100%,测试集分辨率也都达到了95%,整体识别效果较好。认为:高光谱成像技术可以用于棉、涤纶、聚乙烯、羊毛、聚氯乙烯、锦纶、亚麻、蚕丝的材料识别。

LANDMARC室内定位改进算法

传统基于动态主动式射频识别标定的定位识别(LANDMARC)定位算法在实际定位环境中受到多径效应、随机噪声以及各种的障碍物的影响,导致所有参与定位标签实时测量的收信场强指示值(RSSI)变化波动非常剧烈,影响了定位精度和系统稳定,为此提出引入指纹库的方法,建立相对稳定的RSSI值与坐标位置对应关系,对实时获得的近邻参考标签RSSI值进行修正,改进邻近标签的选择方法,降低系统误差,在提高系统定位精度的同时,系统稳定性和可靠性大幅增强。实验结果表明,与传统LANDMARC相比,提出算法在定位精度上有35%的提升。

中值滤波在噪声图像匹配中的应用

在图像匹配中噪声是影响图像匹配准确性的关键因素之一,为了提高图像匹配的准确率,本文提出了中值滤波与SIFT算法相结合的图像匹配算法。使用中值滤波对含有噪声的图像进行预处理,然后采用SIFT算法对图像中的特征点进行检测并获取特征点的描述符。在图像匹配中采用快速最近邻逼近搜索函数库(FLANN)算法快速完成图像特征点的匹配,最终采用随机采样一致性(RANSAC)完成对错误匹配的剔除实现图像的精确匹配。

水动力学模型实时校正方法对比

选择典型的实时校正方法:传统的误差自回归、基于K最邻近算法(KNN)的非参数校正及基于Kalman滤波的多断面校正法,并以Kalman滤波与KNN结合构造综合方法,以淮河流域吴家渡—小柳巷区间作为试验河段,构建一维水动力学模型并与实时校正方法联合应用。简要介绍这4种方法的原理与模型构建方法,然后对比分析各种方法的模拟结果,尤其对模拟洪峰稳定性、峰现时间、峰现误差等进行比较,认为前3种基本方法均能在相当长的预见期内提高洪水的预报精度,而综合法实时校正法对洪峰部位的模拟更为稳定可靠、总体效果更好,更适合预报校正工作的需要。

一种海杂波背景下的目标跟踪数据关联方法

针对杂波背景下的目标跟踪问题,采用最近邻滤波(NNF)算法和概率数据关联滤波(PDAF)算法对强海杂波背景下的水面舰船目标跟踪进行了理论分析与仿真。并针对密集海杂波环境,在PDAF算法基础上引入二次距离加权概念,对已有PDAF算法的关联概率值计算方法进行改进,对不同密度的海杂波环境中的单目标跟踪进行了仿真。仿真结果表明,该改进算法在密集海杂波环境中的跟踪性能有所提高,能够更有效且可靠实现非机动目标的跟踪。

基于观测值聚类的多雷达数据融合

根据多部雷达同一时刻对同一目标的观测值在空间呈团状的特征,运用模式识别理论中聚类的方法解决数据融合问题。采用一种改进的KNN算法对多雷达观测数据进行聚类,结合聚类中心和目标预测值,应用卡尔曼滤波器估计目标状态,从而实现多雷达数据融合。实验结果表明,这种方法是有效的。

基于模糊RBF网络PI控制的谐波电流抑制方法

本文将模糊逻辑控制与PI控制相结合,构成模糊自适应PI控制,该方法有效提高系统的抗干扰、跟随性和鲁棒性,针对模糊规则需要专家经验并且比较粗糙的不足,提出了最近邻聚类算法与模糊RBF(径向基函数)网络的PI控制,利用最近邻聚类算法获得初始的模糊控制规则,然后再把控制规则中的参数输入到神经网络中进行参数调整,使得模糊神经网络具有模糊控制的非线性控制作用,又有神经网络自学习和自适应能力,能够实时整定PI控制器的参数,提高系统应用模糊自适应PI控制的控制精度,使控制对象的效果更好。

基于信道状态信息的被动式目标轨迹跟踪方法

针对目前的被动式目标人员轨迹跟踪方法计算开销大,算法复杂度高等问题,提出了一种基于信道状态信息CSI(Channel State Information)的被动式目标人员跟踪方法。该方法在离线阶段采集细粒度的CSI数据,建立离线指纹数据库;在线阶段,将实时数据与离线数据库中的数据利用融合了卡尔曼滤波的KNN位置指纹算法进行匹配,实现目标人员轨迹跟踪。实验结果表明该方法可以更精确的跟踪目标人员的轨迹,跟踪可靠性更高。