免微分非线性Bayesian滤波方法评述

以非线性递推Bayesian滤波问题的求解及其历史渊源为起点,分两类对各种免微分非线性Bayesian滤波方法或免微分方法的原理和算法进行了评述:一类是以线性最小均方误差最优估计子为特点的免微分高斯滤波,包括无味卡尔曼滤波、均差滤波器、中心差分滤波器和Gauss-Hermite滤波器或积分卡尔曼滤波器;另一类是后验密度数值逼近免微分方法,包括栅格法(GBMs)与近似栅格法、矩近似法和以粒子滤波为代表的Monte Carlo方法。其中还包括了作者的一些最新研究成果,如迭代UKF算法、裂变自举PF算法和关于粒子滤波算法有限收敛界的概念等。之后从加权统计线性回归的角度对两类免微分方法进行了统一认识,统一为以数值方法为特点的广义PF。为了建立一个关于各种免微分算法性能的整体印象,论文还通过一个复杂的递推非线性滤波估计例子,用MonteCarlo仿真实验的方法对7种典型的免微分方法和和传统的EKF算法进行了比较研究。最后对两类免微分方法进行了简单的比较,并指出了进一步研究的方向。

基于代价参考粒子滤波器组的多目标检测前跟踪算法

针对图像序列中多目标检测和跟踪算法结构复杂、计算量大、性能降低等问题,提出一种基于代价参考粒子滤波器组的多目标检测前跟踪(Cost-reference particle filter bank based multi-target track-before-detect, CRPFB-MTBD)算法,将多目标跟踪问题转换为序贯地检测和跟踪多个单目标的问题.首先,采用代价参考粒子滤波器组序贯地估计所有可能单目标状态序列;其次,基于所有可能单目标状态序列的欧氏距离和累积代价确定目标数量;最后,根据累积代价判断每个目标出现和消失的具体时刻.仿真实验验证了CRPFB-MTBD的优良性能,与基于传统粒子滤波的多目标检测前跟踪算法(Particle filter based multi-target track-before-detect, PF-MTBD)、基于概率假设密度的检测前跟踪算法(Probability hypothesis density based track-before-detect, PHD-TBD)和基于伯努利滤波的检测前跟踪算法(Bernoulli based track-before-detect, Bernoulli-TBD)相比, CRPFB-MTBD的目标状态序列和数量估计结果最佳,且平均单次运行时间极短.

基于粒子流滤波的视觉定位算法

针对基于粒子滤波的视觉定位算法存在的粒子需求量大以及重采样中粒子贫化而导致的计算量大、定位精度差等问题,提出了一种采用粒子流滤波进行优化的视觉定位算法。该算法通过一个微分方程进行粒子的移动,利用粒子流完成随机样本集从先验分布到后验分布的更新,进而避免了“粒子退化”现象,最后利用参量近似法来求解粒子流滤波,实验结果证明,该算法减少了算法计算量和运行时间,提高了系统的精度。

基于无迹卡尔曼滤波和小波分析的IMU传感器去噪技术研究

获得精确的姿态信息是跌倒检测的关键。文中在姿态角解算问题中提出一种基于无迹卡尔曼滤波和小波滤波的改进方法,通过Savitzky-Golay滤波器和小波滤波融合算法对加速度计以及陀螺仪数据进行降噪处理,利用降噪后的加速度数据对陀螺仪数据进行PI积分补偿,将补偿后的陀螺仪数据进行Mahony解算,其结果作为无迹卡尔曼滤波的状态信息;其次通过加速度值解算,将其结果作为无迹卡尔曼滤波的量测信息实现姿态解算。实验表明,在静态条件下,相对于常见的扩展卡尔曼滤波融合切比雪夫滤波算法,该方法使IMU传感器原始加速度计精度提高了83.3%,姿态角标准差平均减少了0.00193,能够有效地减少随机噪声。零点漂移、高斯噪声对IMU传感器姿态角信号的影响,使跌倒检测系统在复杂的环境条件下具有较高的精度以及稳定性。

融合深度学习的贝叶斯滤波综述

当前动态系统呈现大型化、复杂化的趋势,基于贝叶斯滤波的动态系统状态估计遇到一系列新的挑战.随着深度学习在特征提取与模式识别等方面的优势与潜力不断显现,深度学习与传统贝叶斯滤波相结合的研究也随之兴起.为此,梳理了不同领域融合深度学习的贝叶斯滤波方法的应用案例,从中剖析不同类型动态系统下贝叶斯滤波存在的局限性和共性难题.在此基础上,总结了当前贝叶斯滤波存在的几类不确定性问题,以深度学习的视角将这些问题归纳为特征提取和参数辨识两大基本问题,进而介绍深度学习为贝叶斯滤波所提供的解决方案.其次,归纳整理了两类深度学习与贝叶斯滤波结合的具体方法,着重介绍了深度卡尔曼滤波和融合深度学习的自适应卡尔曼滤波.最后,综合考虑深度学习方法和贝叶斯滤波方法的优势,讨论了融合深度学习的贝叶斯滤波方法的开放问题和未来研究方向.

面向低轨卫星的低资源大带宽自适应成形滤波设计

由于低轨卫星通信过程中信号电平动态变化较大,为了提高信道利用率系统需要根据通信链路情况自动控制传输速率。为保证系统通信不中断,满足实时通信的需求,提出了一种面向低轨卫星的低资源大带宽新型成形滤波器设计方法,该方法采用并行多相级联积分梳状(Cascade Integrator Comb, CIC)滤波器的方式设计成形滤波器,能够实现几百kHz至几百MHz大带宽信号的成形,解决高、中、低速信号自适应连续成形滤波问题。相比传统成形滤波器的高速信号处理能力提高了8倍,能节省乘法器资源95%以上,适应低轨卫星通信场景下星载处理使用。仿真结果表明该滤波器对信号的成形效果和带外抑制情况与传统滤波器几乎一致。

一种消除椒盐噪声的迭代自适应加权均值滤波

针对传统的均值滤波和多种中值滤波不能有效去除高密度椒盐噪声的不足,提出一种迭代自适应加权均值滤波算法。为了能够对图像外围的像素点进行滤波,沿四周进行图像扩展。根据椒盐噪声的极值特性,将像素点分为噪声点和信号点,噪声点采用多轮迭代,利用前次滤波的结果,求取滤波窗口非噪声点灰度值的加权均值,基于与窗口中心像素的空间距离计算加权系数;信号点保持原值。滤波窗口尺寸根据窗口内是否含有非噪声点自适应地由小变大。选用5种不同的算法在噪声密度20%~80%范围内进行仿真对比,验证算法的有效性。仿真结果表明,与其它4种算法相比,在低密度噪声时,该算法的峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)和结构相似性指数(Structural Similarity Index, SSIM)优势明显,在80%高密度噪声时仍然保持突出效果,PSNR值至少提高4.26 dB,验证了该算法对高密度椒盐噪声具有更好的滤波性能,很好地保持图像的纹理边缘和细节。

基于渐进高斯滤波融合的多视角人体姿态估计

针对视觉遮挡引起的人体姿态估计(Human pose estimation, HPE)性能下降问题,提出基于渐进高斯滤波(Progressive Gaussian filtering, PGF)融合的人体姿态估计方法.首先,设计分层性能评估方法对多视觉量测进行分类处理,以适应视觉遮挡引起的量测不确定性问题.其次,构建分布式渐进贝叶斯滤波融合框架,以及设计一种分层分类融合估计方法来提升复杂量测融合的鲁棒性和准确性.特别地,针对量测统计特性变化问题,利用局部估计间的交互信息来引导渐进量测更新,从而隐式地补偿量测不确定性.最后,仿真与实验结果表明,相比于现有的方法,所提的人体姿态估计方法具有更高的准确性和鲁棒性.

基于肌电−惯性融合的人体运动估计:高斯滤波网络方法

本文研究了基于肌电(Electromyography,EMG)−惯性融合的人体运动估计问题,提出了一种序贯渐进高斯滤波网络(Sequential progressive Gaussian filtering network,SPGF-net)估计方法来形成肌电和惯性的互补性优势,以提高人体运动估计精度和稳定性.首先,利用卷积神经网络对观测数据进行特征提取,以及利用长短期记忆(Long short-term memory,LSTM)网络模型来学习噪声统计特性和量测模型.其次,采用序贯融合的方式融合异构传感器量测特征,以建立高斯滤波与深度学习相结合的网络模型来实现人体运动估计.特别地,引入渐进量测更新对网络量测特征的不确定性进行补偿.最后,通过实验结果表明,相比于现有的卡尔曼滤波网络,该融合方法在上肢关节角度估计中的均方根误差(Root mean square error,RMSE)下降了13.8%,相关系数(R^(2))提高了4.36%.

矿区沉陷DEM多重滤波方法研究

针对传统地表移动监测方法周期较长、工作量大的问题,通过无人机LiDAR和点云滤波获取地面点云,并构建沉陷DEM,实现地表沉陷监测的方法具有快速、高效的优势;由于现有点云滤波和插值算法构建的沉陷DEM模型仍会包含噪声,限制了该技术在矿区的普及,因此,进一步研究了沉陷DEM噪声的去除方法,对比分析了多重滤波与经典滤波方法。实验分析结果表明:在几种去噪方法中,中值滤波组合维纳滤波的去噪效果最好,保留了下沉盆地的细节特征,能够满足矿区地表形变监测的基本要求。

非线性时间一致性的相关滤波目标跟踪

针对现有目标跟踪算法主要采用线性约束机制LADCF(Learning Adaptive Discriminative Correlation Filters)跟踪模型容易漂移的问题,提出非线性时间一致性的相关滤波目标跟踪算法。首先,结合史蒂文斯定律,提出贴近人类视觉感知特性的非线性时间一致项,使模型相对平滑地跟踪目标,从而保证跟踪连续性,避免跟踪模型漂移;其次,采用交替方向乘子法(ADMM)求解最优函数值,保证算法的跟踪实时性;最后,利用史蒂文斯定律非线性更新滤波器,使滤波器更新因子可以根据目标的变化增强和抑制滤波器,以适应目标变化,防止滤波器退化。在4个标准数据集上与主流相关滤波和深度学习算法对比实验,相较于基线算法LADCF,所提算法的跟踪精确度和成功率在OTB100数据集上分别提升了2.4和3.8个百分点;在UAV123上分别提升了1.5和2.5个百分点。实验结果表明,所提算法能有效避免跟踪模型漂移,降低滤波器退化概率,跟踪精确度和成功率较高,面对遮挡、光照变化等复杂场景时具有较强的鲁棒性。

基于核相关滤波和卡尔曼滤波预测的混合跟踪方法

针对核相关滤波(KCF)跟踪算法在遮挡场景中出现跟踪性能降低甚至跟踪失败的问题,提出了一种核相关滤波和卡尔曼滤波(KF)预测相结合的模型自适应抗遮挡图像目标跟踪算法KCF-KF。首先,考虑到传统KCF目标跟踪算法中缺少遮挡评估的问题,通过引入响应图的峰值旁瓣比来对图像目标的遮挡情况进行判断,并将遮挡类型划分为部分遮挡和严重遮挡。其次,根据遮挡程度采取不同的模型更新策略,当目标无遮挡或者部分遮挡时,替代传统KCF跟踪算法中采用固定学习率更新模型的方法,通过自适应地调整模型学习率来更新目标外观模型,避免跟踪漂移;当目标被严重遮挡时,停止KCF模型更新。最后,应用严重遮挡之前的运动信息构建卡尔曼滤波器状态空间和位置输出模型,设计卡尔曼滤波算法预测运动目标轨迹来估计遮挡情景下的目标位置,从而解决在遮挡场景中目标跟踪失败的问题。采用OTB-2013标准数据集进行大量实验,结果表明:所提的混合跟踪算法KCF-KF的距离精度为0.796,重叠成功率为0.692。与其他传统跟踪算法相比,该混合算法的跟踪精度和跟踪成功率均优于其他算法,并且在遇到目标遮挡挑战时具有更好的跟踪性能,有效地解决了跟踪过程中的遮挡干扰问题。

埋地管道检测中的窄带通滤波器设计与仿真

埋地金属管道铺设环境错综复杂,在管道定位过程中,接收机需要从管道辐射的多频信号中有效分离出128 Hz定位信号,滤除高频信号和50 Hz工频信号。针对埋地管道检测的现实需求,设计了9种不同类型和拓扑结构的四阶128 Hz窄带通滤波器,并通过Multisim14进行仿真分析。结果表明,同种拓扑结构不同电路结构的滤波器幅频特性曲线相同,输入输出增益稍有不同。这9种滤波器的中心频率均在128 Hz附近,其中1 dB切比雪夫型MFB滤波器带宽最窄,为36.803 Hz,Q值最大,为3.473。进一步分析表明,1 dB切比雪夫型MFB滤波器能够有效提取128 Hz信号并滤除干扰信号,在-3 dB带宽(108~145 Hz频率范围)内,滤波器噪声不超过0.132μV·Hz^(-1/2)。另外该滤波器在温度和电容容差等因素的影响下,表现出较小的幅频特性变化,具有良好的稳定性。

面向复杂山区微地貌的手持LiDAR点云滤波方法比较

本文以手持激光点云数据是否可用于进行复杂山地土壤侵蚀和地表剥蚀测量为典型实例,试验对比分析了渐进加密三角网滤波算法、坡度滤波算法及布料模拟滤波算法在地面激光雷达点云分类中的性能。具体分别采用了3种滤波对应的参数对试验数据集进行测试以获得最高性能,并对比分析而获得每种算法的最优滤波。试验结果表明:对于平缓裸露地貌的滤波处理,布料模拟滤波效果最好,渐进加密三角网滤波次之,坡度滤波算法效果最差;对于复杂山地地貌的滤波处理,渐进加密三角网滤波算法滤波效果最好,布料模拟滤波次之,坡度滤波算法效果最差。试验研究成果为优化滤波算法的参数以提高其检测微地形变化的性能提供了有价值的信息,并验证了渐进加密三角网滤波在复杂地区滤波效果的有效性。

基于FPGA的数字带通滤波器设计与仿真

为快速准确地提取超声导波信号中的目标信息,采用流水线加法树阵列结构设计低阶滤波器,采用直接型低阶叠加实现20阶高精度带通滤波器。运用流水线技术与FPGA片上资源相结合实现对该结构数字算法优化,并将其应用在镍铬合金超声导波测温系统中。结果表明:所设计的滤波器对512点的混频超声导波信号滤波耗时约1047个时钟。该滤波器总体设计简单,可以达到实时滤波的功能。

基于反馈机制的光子微波信号级联滤波方法

光子微波通信过程中,受噪声影响造成带宽变窄,降低了通信效率。为了优化光子微波通信质量,提出基于反馈机制的光子微波信号级联滤波方法。利用形态学腐蚀和膨胀去除信号模糊程度后,将相似度较高的信号聚集为连续区域,完成微波信号去噪。选用卡尔曼滤波器对微波信号测量噪声初次滤波,使用均值滤波以及双门限输出方案二次滤波双路光电反馈下生成的微波信号。通过两种滤波器的级联处理,去除微波信号中不同的杂波,实现窄线宽光子微波信号级联滤波。实验结果表明,所提方法级联滤波波动幅度小,能够平稳输出滤波结果,且不同温度下的级联滤波衰减特性相对平稳。

一种近似芯片级尺寸的小型化微带点频滤波器

射频滤波器作为具备信号筛选功能的射频器件,对现代通信系统而言具有举足轻重的地位。随着通信技术的不断更新迭代,要求射频滤波器具有小型化以及低成本的特点。目前,利用半导体工艺可制作尺寸极小且性能佳的芯片级滤波器,但研发成本普遍过高。文中使用薄膜工艺,通过对滤波器的结构、材料、性能指标进行综合考量,设计了一款适用于点频源、跳频源模块中使用的微带点频滤波器。通过仿真软件HFSS进行建模仿真并对加工工艺进行误差分析,成功得到了一款通带在12 GHz±15 MHz的微带点频滤波器,其尺寸为2.5 mm×3.5 mm×0.127 mm。测试结果表明,性能曲线达到设计指标,成功验证了设计的可行性。

动态时空异常感知的相关滤波目标跟踪算法

针对背景感知算法未与目标的时空域特性建立联系,以及无法准确处理遮挡、形变等异常跟踪情况的问题,提出了能够动态感知时空异常的目标跟踪算法。在相关滤波器训练过程中引入动态空间正则项,使其与样本的时空域特性建立联系;结合响应图的峰值唯一性和锐利信息,提出异常感知方法;利用历史滤波器具有不同置信度的特点以及目标在时域中的连续性,通过异常感知方法自适应选择高置信度的历史滤波器作为时间正则化的参考模板,降低滤波器退化的风险。在OTB50、OTB100和TC128测试基准上进行仿真实验,该算法能够适应外观变化、画面杂乱等复杂条件下的跟踪任务,具有较强的鲁棒性和实用性。

基于改进的相关滤波卫星视频抗遮挡跟踪方法

卫星视频中的目标存在背景复杂、尺寸较小、容易受遮挡等问题,这将影响跟踪的准确性,甚至导致跟踪失败。提出了用改进的核相关滤波算法来解决卫星视频中目标遮挡问题,并对目标进行有效跟踪。该算法通过提取目标的HOG特征、LBP特征和SIFT特征共同描述目标,并以融合特征减少背景变化的影响。提出自适应卡尔曼滤波算法解决跟踪过程中目标被遮挡的问题,通过ITCI值判断目标是否被遮挡,并对被遮挡的目标进行位置预测,选用核相关滤波算法以满足跟踪的实时性和准确性。实验结果表明,改进的核相关滤波算法解决了目标遮挡问题,对目标背景变化有较好表现,同时跟踪的精度和成功率也有很大提高。

基于变遗忘因子的改进卡尔曼滤波锂电池荷电状态估算研究

目的 为了解决锂电池在不同放电阶段和噪声干扰下荷电状态(SOC)估算结果发散问题,方法 通过分析锂电池机理特性,查找影响估算结果的因素和原因。选取适当的数学模型并得到开路电压特性-荷电状态(OCV-SOC)试验曲线后,针对传统算法估算误差波动较大的问题,提出变遗忘因子递推最小二乘(VFF-RLS)与自适应平方根无迹卡尔曼滤波(ASRUKF)算法联合估算SOC。结果 以动态应力测试(DST)为例,遗忘因子最小二乘(FFRLS)算法的开路电压初期误差最大值为0.02 V,稳定后端电压误差为0.004~0.010 V,误差收敛时间约45 s;UKF算法的SOC估算初期最大误差为0.03,在400 s左右逐渐收敛到理论值附近,稳定后的波动误差为0.83%;VFF-RLS算法在相同的条件下,开路电压实验初期误差最大值为0.04 V,稳定后端电压误差为0.003~0.007 V,误差收敛时间约10 s;ASRUKF的SOC估算初期最大误差为0.1,随着算法迭代,200 s内收敛到理论值附近,稳定后最大波动误差0.413%。结论 为了保证算法适用的普遍性,在不同初值下观察算法的收敛性,结果表明,在复杂的试验工况下,与传统算法比较,改进算法的参数辨识速度明显加快,精度提高,在估算SOC阶段,波动范围明显变小;在实际值误差较大的情况下,依然能够迅速收敛,证明本文方法的改进切实可行,可用于实际电池研究。