自适应组合滤波算法在3D假肢模型中的应用

针对经典统计滤波算法无法自适应选取参数以及传统双边滤波算法难以兼顾保特征和光顺性的问题,提出一种自适应组合滤波算法。首先引入基于局部点云体积的自适应标准差倍数以灵活滤除假肢点云大尺度噪声;在滤除大尺度噪声的基础上,引入一种新的协方差矩阵加权方式,提高估计点云法向的准确性,并通过法向夹角变化程度的均值对特征权重因子进行改进,增强双边滤波因子的保特征性,旨在光顺三维假肢模型小尺度噪声。与单独使用统计滤波、双边滤波相比,所提算法在3个假肢模型的最大误差E_(max)至少降低了5%;平均误差E_(ave)至少降低了6.9%。仿真结果表明,该改进算法在有效剔除假肢模型大尺度噪声的同时又避免了过光顺和去噪不彻底,可以较好地保持模型中的几何特征。

一种变步长的零吸引归一化自适应滤波算法

为了使最小均方算法对高斯噪声环境和稀疏系统具有更好的收敛速度和稳态误差,提出了一种变步长的零吸引归一化最小均方算法。该算法将改进的Versoria函数的稀疏感知范数与归一化最小均方算法相结合后,引入了一种新的类高斯函数的变步长策略,解决了固定步长条件下算法收敛速度较慢、跟踪性能较差的问题。从理论层面分析了所提算法的收敛性,并基于MATLAB平台讨论了改进的类高斯步长函数中各参数对算法性能的影响。最后将所提算法与其他同类算法应用于不同信噪比条件下的高斯噪声环境以及稀疏环境中进行未知系统辨识实验,仿真结果表明,所提算法具有更快的收敛速度、更好的跟踪能力以及较小的稳态误差。

一种自适应滤波与干扰观测器相结合的大型舰船状态估计算法

为满足航母等大型舰船目标的状态估计要求,提出一种由非线性干扰观测器和强跟踪容积卡尔曼滤波算法融合形成的交互多模型强补偿容积卡尔曼滤波算法。引入非线性干扰观测器,完成由外界不确定因素引起的干扰总量的估计,并对观测器稳定性进行证明。使用估计的干扰值实时修正强跟踪容积卡尔曼滤波的过程参数,最终形成交互多模型强补偿容积卡尔曼滤波算法,完成对目标状态相对准确的估计。研究结果表明:新提出的滤波算法能够较为准确地完成对目标状态的估计,与变结构多模型粒子滤波算法、变结构多模型无迹卡尔曼滤波算法和交互多模型强跟踪容积卡尔曼滤波算法相比,在目标位置和速度估计上具有更高的估计精度。

基于指数加权平均的GNSS/SINS组合导航系统Sage-Husa自适应卡尔曼滤波算法

测量噪声异常会导致GNSS/SINS组合导航系统滤波精度下降,甚至滤波发散。为解决该问题,首先提出适用于组合导航系统的Sage-Husa自适应卡尔曼滤波方法SHAKF;然后根据滤波新息协方差的理论估计值及实际估计值构建控制因子,提出测量噪声均方差突变起始时刻及结束时刻的检测方法,构建基于指数函数变化规律的遗忘因子,进而提出基于指数加权平均的Sage-Husa自适应卡尔曼滤波方法EWASHAKF;最后将EWASHAKF应用于GNSS/SINS组合导航系统,并进行仿真实验。结果表明,相对于SHAKF,EWASHAKF能够准确地跟踪测量噪声均方差的各种变化,进而提高组合导航系统的滤波精度。

模糊自适应Kalman滤波算法在SINS/DR组合导航的应用

针对里程仪测量误差导致组合导航精度降低的问题,提出基于系统工作状态和滤波器新息状态相结合的模糊自适应算法。根据新息的变化确定模糊规则,修正里程仪输出增益,使新息始终保持在零均值附近,利用修正后的新息修正观测噪声方差,降低导航定位的偏差。仿真实验结果证明,该算法能够很好地提高组合导航定位的精度。

融合加窗和自适应加权引导滤波改进的Canny算法

针对Canny算法滤波过程中图像细节部分缺失和无法有效去除噪声,并且无法动态识别图像边缘的问题,提出一种融合加窗和自适应加权引导滤波的Canny算法。该算法对Canny算法做出两点改进:一是使用加窗滤波器对图像进行处理,有效滤除噪声,然后对图像进行数学形态学滤波处理,有效增强图像边缘;二是引入分段权值模型对引导滤波算法的正则化参数自适应修正,使其能够根据梯度信息区分边缘和非边缘,从而达到动态识别图像边缘的效果。相比传统Canny算法,改进算法处理后的信噪比提高了1.05~5.22 dB,品质因数提高了0.16~0.35。实验结果表明:改进算法能有效滤除椒盐噪声,识别出比较清晰和完整的边缘。

自适应滤波算法在可视对讲系统中应用的研究

随着生活智能化程度的不断加深,社区与住宅区的安全也越来越被摆在重要的位置。在可视对讲系统中,对讲是系统的核心,通话的质量决定了对讲的效果。在对传统自适应滤波算法进行全面分析的基础上,针对回声严重影响对讲质量的问题,提出一种改进归一化最小均方算法。研究结果表明,改进归一化最小均方算法可以很好地消除可视对讲产生的回声噪音,显著改善可视对讲系统的对讲质量。

不同Alpha-Beta滤波算法的精度分析及改进

机动目标跟踪是雷达应用系统的一个重要组成部分,在机动目标跟踪中,目标的跟踪精度作为一项能够反映跟踪算法好坏的指标,是大部分人所关注的重点内容.通过对四种传统的Alpha-Beta滤波算法进行精度分析和比较,总结出四种算法的滤波特点,根据这些特点,改进得出了一种自适应Alpha-Beta滤波算法.该算法相对于传统的Alpha-Beta滤波算法来说,整体滤波效果是最优的,精度也是整体最高的.

一种变步长凸组合LMS自适应滤波算法改进及分析

为了避免单个滤波器在收敛速度与稳态误差上相互制约,从而导致系统性能降低的问题,本文采用凸组合最小均方算法(Combined Least Mean Square,CLMS),将快速滤波器和慢速滤波器并联使用,同时为进一步改善CLMS算法的性能,对已有的变步长凸组合最小均方算法(Variable Step-size Convex Combination of LMS,VSCLMS)做出改进,提出了一种新的VSCLMS算法.在该算法中,对快速滤波器选用以最小均方权值偏差(Minimization of Mean Square Weight Error,MMSWE)为准则的按步分析的变步长滤波器;对慢速滤波器采用以稳态最小均方误差(Least Mean Square,LMS)为准则的固定步长滤波器.通过理论分析与仿真实验表明,该算法能够在噪声、时变以及非平稳的环境下保持较好的随动性能,且在各个阶段均保持良好的收敛性,与传统的CLMS、VSCLMS算法相比,不仅具有更快的收敛速度,而且拥有稳定的均方性能和较优的跟踪性能,为自适应滤波算法的研究提供了一条可行途径.

在噪声抵消应用中自适应滤波算法性能的仿真比较

介绍了噪声抵消的原理和从强噪声背景中自适应滤波提取有用信号的方法,并对最小均方(LMS,LeastMeanSquares)、归一化LMS(NLMS,NormalizedLeastMeanSquares)和递推最小二乘(RLS,RecursiveLeastSquares)三种基本自适应算法进行了对比研究。计算机模拟仿真结果表明,这几种算法都能通过有效抑制各种干扰来提高强噪声背景中的信号检测特性。相比之下,RLS算法具有良好的收敛性能,除收敛速度快于LMS算法和NLMS算法以及稳定性强外,而且具有更高的起始收敛速率;更小的权噪声,更大的抑噪能力。

静止图像的一种自适应平滑滤波算法

本文提出了一种基于梯度信息的自适应平滑滤波算法。该算法根据图像中像元灰度值的突变特性,自适应地改变滤波器的权值,在区域平滑的过程中使图像的边缘锐化,较好地处理了平滑噪声、锐化边缘这对滤波技术中的矛盾。后续实验结果表明,该算法具有良好的滤波性能,易于实时处理。

一种新的变步长LMS自适应滤波算法

本文通过建立步长因子μ与误差信号之间的非线性函数关系,提出了一种新的变步长LMS(LeastMean Square)算法.该算法具有初始阶段和未知系统时变阶段步长自动增大而稳态时步长很小的特点,且克服了S函数变步长LMS算法(简称SVSLMS算法)在自适应稳态阶段μ(n)取值偏大的缺陷.理论分析和计算机仿真结果表明该算法的性能优于SVSLMS算法.

极化自适应递推滤波算法

针对未知和时变的杂波环境 ,探讨了极化域滤波问题 ,提出了极化自适应滤波的原理 :利用历史杂波数据估计杂波的极化信息 ,据此对天线极化进行调整 ,达到“最优” ,然后对当前接收电场进行滤波 .根据这一原理进一步提出了递推算法 .仿真实验结果也证明了该方法的有效性 .该滤波器稳态性能逼近理论最优 ,算法“学习”

一种新的变步长LMS自适应滤波算法

传统LMS算法的优点是计算简单、易于实现，缺点是收敛速度慢，如果为加快收敛速度而增大步长因子μ，则会导致大的稳态误差，甚至引起算法发散。固定步长因子无法解决收敛速度和稳态误差之间的矛盾。本文通过建立步长因子μ与误差信号之间的非线性函数关系，得出一种新的变步长自适应滤波算法（SVSLMS）。理论分析和计算机仿真结果表明该算法的性能优于传统的LMS算法和NLMS算法。即在计算量增加不多的前提下，能同时获得较快的收敛、跟踪速度和较小的稳态误差。

变步长自适应滤波算法的研究

本文提出一种采用参考输入信号与误差信号互相关系数估值的变步长自适应滤波算法(VS-NLMS)。与常规的固定步长自适应滤波算法(NLMS)相比,VS-NLMS算法在同样的收敛速度及跟踪速度下能获得更小的稳态误调噪声。理论分析与计算机模拟证实了该算法的优越性。

一种改进的自适应保细节中值滤波算法

中值滤波是常用的降噪算法，它可以保留比较尖锐的边界，但是却容易模糊图象的细节。尽管已经有一些改进算法，但效果并不十分理想。文章介绍了一种保细节中值滤波算法，采用了多尺度多方向的窗口，根据图象各部分特性自适应地选择窗口进行中值滤波。实验结果证明，文章的算法优于其他几种常用的中值滤波算法。

基于两次Kalman滤波的观测噪声自适应调整算法

在实际的目标跟踪过程中,由于目标远近等各种客观因素的影响,观测噪声是随时变化的。但是在标准卡尔曼滤波中,如果将观测噪声协方差设为恒定值,必然造成跟踪结果不理想。针对这种情况,通过在任意时刻施行两次卡尔曼滤波的结果来自适应地调整观测噪声协方差,使卡尔曼滤波算法中的观测噪声协方差与实际值更加接近,从而提高对目标的跟踪精度。最后Monte Carlo仿真实验证明了本算法的有效性。

自适应混合滤波算法在微型飞行器姿态估计中的应用

针对低成本惯性测量单元(IMU)存在漂移和噪声干扰等问题,提出了一种具有自适应参数调节的混合滤波算法。采用四元数法进行系统模型的描述,用梯度下降法对加速度计测得的数据进行处理,再通过互补滤波器将其与陀螺仪测量值进行融合,形成混合滤波算法。同时,考虑到飞行姿态的复杂性,进行参数λ的自适应调节,因而改进后的混合滤波算法,能保证各种飞行姿态变化情况下实时姿态的最优估算。实际系统在线实时性能测试表明,提出的算法简单,估计精度高,易于在嵌入式系统中实现,具有较高推广应用价值。

一种新的快速自适应滤波算法的研究

从信号前后时刻相关性角度出发,提出了一种新的快速自适应滤波算法,并证明了其最优权值是一种广义的维纳方程解。该算法结构简单,收敛速度快,稳态失调小,具有处理多种信号的能力,包括非相关和强相关信号,而其计算量与NLMS算法相当。仿真结果表明,对于非相关信号,新算法的稳态失调小于VS-NLMS算法, 收敛速度与参考文献已有算法相当,但快于L.E-LMS算法;对于强相关性信号,新算法的稳态失调小于NLMS 算法和DCR-LMS算法。

渐消卡尔曼滤波器的最佳自适应算法及其应用

本文依据卡尔曼滤波器在使用最佳增益时,其余差序列互不相关的性质,开发了一种新的渐消滤波算法。该算法根据对象输出,在线自适应地调整遗忘因子,从而使滤波器在对象模型存在误差或对象受到外扰时,仍收敛并保持最佳性。该算法已应用于造纸机控制,取得较好效果。