硅基OLED微显示器的集中式融合扫描策略

本研究针对数字驱动型硅基OLED(Organic Light-emitting Diode,OLED)微显示器在显示动态图像时引发的视觉感知问题,尤其是动态假轮廓和闪烁现象,提出了一种新的扫描策略——集中式融合扫描。集中式融合扫描策略采用灰度权值重分配和融合子场概念,通过对整数子场数目和权值的重新分配,以及将融合子场固定于调制周期中间位置,改善显示器图像质量。实验结果表明,集中式融合扫描在峰值信噪比方面较传统扫描方法平均提高约13%,均方误差降低了约10%,并且结构相似度评分接近1,显著高于现有扫描方法。集中式融合扫描在JEITA闪烁评估中的表现优于19子场扫描法,闪烁量化值降低了约22%。集中式融合扫描策略在改善数字驱动型硅基OLED微显示器的图像显示质量方面提供了一种有效解决方案,为未来显示技术的研究和创新提供了新的方向。

测量噪声方差未知的多传感器组合导航集中融合算法

目前,多传感器组合导航系统的信息融合方法是建立在测量噪声方差已知的基础上,然而测量噪声方差会随着内部及外部的干扰而发生变化。为此,本文首先将基于变分贝叶斯逼近的自适应卡尔曼滤波(variational Bayesian approximation based adaptive Kalman filter, VB-AKF)从单一组合导航系统扩展到多传感器组合导航系统;然后,提出了多传感器组合导航系统的两种集中融合算法,即基于VB-AKF的增广式集中融合算法及基于VB-AKF的序贯式集中融合算法,以解决测量噪声方差未知情况下的多传感器组合导航的信息融合问题;最后,通过SINS/GNSS/CNS/ADS多传感器组合导航系统对上述算法进行了仿真验证。实验结果表明,本文所提两种算法滤波精度相同、且接近于测量噪声方差已知情况下的理想集中融合算法(ICKF)。在整个仿真时段内,相对于传统集中式卡尔曼滤波器(TCKF)及具有容错功能的联邦卡尔曼滤波算法(FT-FKF),本文算法可提高位置精度分别为32%和90%、提高速度精度分别为38%和71%。

网络化不确定系统集中式融合鲁棒稳态估值器

对于一类在状态转移阵和系统观测阵中带相同的状态依赖乘性噪声、带噪声依赖乘性噪声、一步随机观测滞后、丢包和不确定噪声方差的多传感器网络化系统,文章研究其鲁棒集中式融合稳态滤波问题.应用增广方法将系统转换为带随机参数矩阵、相同过程和观测噪声的集中式融合系统.应用去随机化方法和虚拟噪声技术,系统进一步转化为仅带不确定噪声方差的集中式融合系统.根据极大极小鲁棒估计原理,本文提出了鲁棒集中式融合稳态Kalman估值器(预报器、滤波器和平滑器),证明了所提出的集中式融合估值器的鲁棒性,给出了鲁棒局部与集中式融合估值器之间的精度关系.本文提出了应用于多传感器多通道滑动平均(MA)信号估计的一个实例,给出了相应的鲁棒局部和集中式融合信号估值器.仿真实验验证了所提出方法的有效性和正确性.

基于EKF的集中式融合估计研究

以一类非线性多传感器动态系统为对象,基于扩展Kalman滤波器(Extend Kalman filter,EKF)介绍三种典型非线性集中式融合算法,并以此为基础研究部分线性动态系统融合理论在非线性系统中的推广与完善.首先,利用EKF的一种信息滤波器形式(Extend information filter,EIF)给出测量值扩维融合、测量值加权融合和顺序滤波融合算法公式,进而研究三种非线性融合算法的估计性能比较以及测量值融合更新次序是否满足可交换性.结果表明:当各传感器的测量特性相同时,集中式测量值扩维和测量值加权融合算法的估计精度功能等价;非线性顺序滤波融合与其他两种融合算法之间不再具备线性多传感器系统中估计功能的完全等价特性;在融合精度不变前提下非线性顺序滤波融合中,各传感器观测更新次序不再完全满足可交换性.4个基于纯方位目标跟踪的数值仿真被用来验证文中所得结论的有效性和正确性.

集中式多传感器融合系统中的时间配准研究

建立了集中式多传感器融合系统的时间配准模型.在已有时间配准算法的基础上,提出了配准频率的概念,给出了配准频率的选择方法.将配准频率与拟合计算相结合,提出了单目标条件下和多目标条件下的时间配准算法,并对配准实现中可能出现的问题进行了分析.分别在单目标条件下和多目标条件下对所提算法的应用效果进行了仿真.仿真结果验证了所提算法的有效性.

一种基于集中式融合的多模型图像跟踪系统

本文设计了一种多模型的图像跟踪系统,并采用集中式结构来融合各种模型的跟踪结果。由于图像中噪声的存在、遮挡现象的发生以及被跟踪对象的变形会对某些跟踪算法产生影响,因此,一个比较理想的跟踪系统应该能够融合这些跟踪算法的优点,从而稳定地跟踪目标。本系统采用了两个跟踪模式,分别是基于区域的和基于特征点的跟踪方法。两种模式分别得到量测,并由相关系数判定遮挡,从而决定哪些跟踪结果送到融合中心。仿真试验表明,这种算法能有效提高跟踪精度,并具有较强的鲁棒性。

异类传感器集中观测融合UKF滤波算法

由于雷达具有较好的测距性能,红外传感器具有高精度的测角性能.雷达和红外传感器是异类传感器系统的一个典型组合,但是异类传感器信息融合因没有现成的数学工具和方法而面临诸多困难.本文首次将UKF(un-scented Kalman filter)引入到异类传感器的信息融合,并且利用集中式观测融合UKF,解决同步配置、同步采样的异类传感器的信息融合问题.仿真结果表明,本算法的SMSE要小得多.

基于UKF的异类传感器集中式融合算法

综合考虑航天器跟踪测量中速度和精度的要求,对异类传感器集中式融合问题进行了研究,提出了基于无迹卡尔曼滤波(UKF,Unscented Kalman Filter)和简化的分类数据压缩技术的非线性系统实时集中式融合算法。仿真表明新的算法融合性能优于基于扩展卡尔曼滤波(EKF,Extended Kalman Filter)和扩维技术的并行集中式融合算法。

异类传感器集中式扩维融合无迹卡尔曼滤波融合算法

雷达和红外传感器是异类传感器系统的一个典型组合,但是异类传感器系统的状态方程和测量方程存在较大的非线性特征,使得此类系统无法应用现有算法进行信息融合。将UKF引入到异类传感器,并利用集中式观测融合UKF,解决同步配置、同步采样的异类传感器的信息融合问题。仿真结果表明,该算法的SMSE比其他方法的要小得多。

基于LMI方法的参数不确定多传感器系统的集中式融合估计

研究了范数有界不确定描述模型和多胞形不确定描述模型所代表的一类参数不确定多传感器系统的集中融合估计问题。应用H∞理论详细地比较了基于不同模型的两种融合方法时域和频域功能,给出了集中鲁棒融合估计的理论结果。并应用MATLAB的LMI工具箱,分析了仿真计算结果。

多传感器集中式观测融合Kalman滤波器快速算法

对多传感器线性离散时变随机系统,虽然基于Riccati方程的集中式观测融合Kalman滤波器算法可给出全局最优状态估计,但其缺点是要求计算高维逆矩阵,计算负担大。为了克服这个缺点,应用信息滤波原理,基于改进的Riccati方程,或逆预报误差方差阵方程,或逆滤波误差方差阵方程,提出了相应的全局最优集中式观测融合Kalman滤波器的三种快速算法,可避免高维逆矩阵,可明显减小计算负担,便于实时应用,一个数值仿真例子说明了它们的有效性。

集中式与分布式鲁棒状态融合估计

研究不确定多传感器系统的鲁棒估计问题是多传感器融合估计理论的一个重要研究方向.本文以鲁棒滤波理论为基础,给出了不确定多传感器系统的多胞型描述模型,并利用LMI方法给出集中式鲁棒状态融合估计问题的解,证明了将集中式鲁棒融合估计转化为相同估计性能的分布式融合估计算法的条件.最后给出了分布式不确定多传感器系统的状态融合估计的一个算例.

集中式位置融合系统软件体系结构研究

通过对多传感器数据融合系统软件体系结构的研究 ,提出了一个适用于集中式位置融合系统的软件体系结构。结构采用管道和滤波器模型 ,利用面向对象技术实现 ,提高了软件的扩充和再利用能力。

“双专业融合、三维度集中”网管模式思考

首先介绍了中国铁通传输网与交换网网管如何实现从分离到融合集中管理的演变,然后分析了此次网管调整所产生的变化,最后探讨了未来网管工作需关注的重点问题。

自校正集中式融合信息滤波器

对于带未知噪声系统和不相关噪声的多传感器随机系统,将基于相关方法得到的噪声方差带入到集中式融合最有信息滤波器,提出自校正集中式融合信息滤波器。同基于Riccatia方程的集中式融合Kalman滤波器相比,它避免了计算高维矩阵的逆,从而减少了计算负担。应用动态误差分析方法,证明了自校正集中式融合信息滤波器以概率1收敛于最优集中式融合信息滤波器,因而具有全局渐进最优性。一个带3传感器跟踪系统的实例说明其有效性。

基于DP-TBD的不同分辨率传感器集中式异步融合算法

主要运用检测前跟踪动态规划（DP-TBD）算法解决不同分辨率的多传感器多目标融合问题，提出了一种基于DP-TBD的不同分辨率的传感器集中式异步融合算法。该算法分为两步：第一步将不同分辨率的传感器取得的回波数据统一对齐到相同单元格尺寸的量测空间；第二步将具有不同采样间隔的传感器得到的量测数据按照时间顺序传送至融合中心进行集中式融合。接着，用动态规划检测前跟踪算法来处理所得到的数据，并且进行航迹恢复。同时，为了提高异步融合的有效性，文中还提出了一种基于变转移状态数的算法。仿真结果说明基于DP-TBD的集中式异步融合算法的有效性，并且和单个传感器的性能比较，该算法大大改善了目标跟踪的性能。

带未知观测输入和观测丢失多传感器随机不确定系统的集中式融合滤波

对带未知观测输入和观测丢失的多传感器随机不确定系统设计了集中式融合滤波器。通过乘性噪声描述的随机不确定性存在于系统的状态和观测矩阵中。在没有观测干扰任何先验信息的情况下,应用线性无偏最小方差准则,设计了不依赖于未知观测输入的具有Kalman形式的集中式融合滤波器。仿真验证了算法的有效性。

二维卡尔曼滤波的多源信息集中式融合去噪方法

目前对于单独的某种算法或单传感器的图像信息已不能满足高精度的图像识别任务的需要,通过多传感器可获得比单一传感器质量更高的信息。基于此,文章首先在图像上建立多传感器二维线性离散系统的状态空间模型,然后利用二维卡尔曼滤波算法对图像进行滤波去噪,最后利用集中式融合去噪。仿真结果表明:文章算法在提高峰值信噪比和提高图像清晰度两个方面比其他算法更加有效。

多速率马尔科夫跳变系统的序贯融合估计

对带噪声相关的马尔科夫跳变系统,提出了在多传感器多速率均匀采样情形下的序贯融合估计算法。系统中状态均匀更新,不同传感器以状态更新周期的正整数倍进行观测采样,同时不同传感器间的观测噪声不仅同时刻相关,而且与过程噪声相关。根据状态更新点处的传感器观测采样情况,建立状态更新点的单速率状态空间模型。对转化后的单速率马尔科夫跳变系统状态进行扩维,进而将对原系统状态的估计等价地转化为对扩维后状态的估计,在此基础上,提出了在线性最小方差(Lineor minimum variance sense,LMSE)意义下的最优集中式融合估计算法和最优序贯融合估计算法。所提出的序贯融合估计算法通过对传感器观测数据的实时处理,可获得状态的实时融合估值。同时证明了集中式融合估计和序贯融合估计的等价性。仿真实验进一步验证了所提算法的有效性。

利用伯努利滤波的多目标机动雷达误差配准方法

传统的组网雷达多目标误差配准方法通常假设数据关联关系已知,但在平台机动的情况下,系统同时存在雷达测量偏差和平台姿态角偏差,且雷达观测过程中会受到杂波干扰,导致数据关联尤为困难。针对这一问题,该文提出一种基于伯努利滤波的多目标机动雷达误差配准方法。首先建立系统偏差的量测与状态方程,然后将系统偏差建模成伯努利随机有限集,利用公共坐标系下的原始量测可实现系统偏差在伯努利滤波框架下的递推估计,有效避免了数据关联问题。同时,为了充分利用多目标量测信息,提出一种修正的贪婪量测划分方法,在每个滤波时刻挑选出系统偏差对应的最优量测子集,利用量测子集中的多量测信息实现系统偏差的集中式融合估计,提高了系统偏差的估计精度和收敛速度。仿真实验表明,所提方法能够在数据关联未知的多目标多杂波场景下对雷达测量偏差和平台姿态角偏差进行有效估计,在平台姿态角变化率较低时,所提方法具有较强的适应性。