信源定位方案中基于Bloom Filter存储的概率日志记录方法研究

该文在信源定位方案中提出了一种基于Bloom filter存储的概率采样日志记录方法。该方法对经过路由器的所有数据实现概率采样,存储采用了高效的Bloom filter存储结构,使得采样信息能够在一定时间内存储在内存中便于查找。基于此方法该文提出信源定位服务器的概念,从而使得核心网络路由器除了路由转发功能之外,只需要完成对数据包的概率采样即可。文中还对相关参数的选择进行了理论分析,从理论上分析了信源定位服务的存储开销以及信源定位有效性,方案具有存储开销小、效率高的特点,从而为进一步的实际网络部署提供了理论依据。

顾及相干系数的InSAR形变场采样算法

利用SAR差分干涉测量技术获取的大范围连续覆盖地表形变场为断层活动性质、发震断层参数等反演研究提供了丰富的数据信息。为提高形变机制反演数据源的可靠性和结果的准确性,提出一种顾及InSAR相干系数的概率采样算法。该算法基于四叉树数据压缩模型,将窗口形变梯度以及自适应核运算后的相干表征量按权重分配作为分割窗口的约束参数,以此建立概率采样函数;并引入数字高程模型对无效采样信息进行掩膜处理,达到兼顾提高采样点质量和保留细节形变信息的目的。通过对2016年中国台湾地区美浓Mw 6.7级地震同震形变场数据进行实验分析,结果表明,顾及相干系数的概率采样算法在保留高质量数据和重要细节信息方面优势更为明显。

不同采样频率下的伪码同步性能分析

针对无线通信系统中的伪码同步问题,本文以滑动相关法为基础,分析了在不同采样频率下实现同步时的信号检测概率、虚警概率,同时结合克拉美罗限分析了采样频率对同步精度的影响。分析与仿真结果表明:增加采样频率可以提高信号的检测概率;在高接收信噪比下可以缩小符号定时偏差,提高系统同步的精度。但当采样频率足够高时,继续提高采样频率获得的性能提升很小,同时会增加信号处理的复杂度。因此,在无线通信系统中实现同步时,采样频率的选取需要在性能与复杂度上折中考虑。

基于自适应RRT与积分滑模的机器人避障跟踪控制

针对机器人在复杂场景下躲避障碍物以及跟踪运动中的目标等问题,提出一种自适应快速扩展随机树(RRT)与积分滑模的机器人避障跟踪控制。首先,在传统的RRT算法中加入自适应采样概率与自适应步长等策略,用于减少采样点,提高路径搜索速度,并通过五次多项式插值将得到的无碰撞路径点拟合成一条光滑的曲线,减少机器人运行中的抖动;其次,采用积分滑模算法设计了基于图像的视觉伺服控制器,保证系统具有快速跟踪性能与良好的鲁棒性;最后,通过仿真和实验证实,自适应RRT算法具有采样节点少,收敛速度快等优势,所提出的视觉伺服控制器也能够在不同的目标移动速度下对其实现精确跟踪。

改进RRT算法的机械臂路径规划研究

针对基本快速扩展随机树(RRT)算法在机械臂路径规划过程中随机性大、冗余节点多、路径拐角多、不光滑等缺点,提出一种增强目标导向性、减少冗余节点、优化路径平滑性的改进RRT算法。首先针对基本RRT算法产生冗余节点多、搜索时间长的问题,在采样过程中添加概率采样策略,增强目标导向性;其次,针对规划后路径平滑性差的缺点,添加贪婪优化策略,优化路径,对优化后的路径进行三次样条插值优化,将转折路径优化为平滑的路径。在MATLAB仿真环境中,对二维地图、三维地图及机械臂算法追踪进行了算法验证,实验结果表明改进算法的迭代次数、规划时间、路径长度和平滑度均得到有效提升。

基于蚁群的环境分区目标偏置RRT算法路径规划

利用快速扩展随机树算法(Rapidly-exploring random tree,RRT)进行路径规划时,在狭窄复杂区域与空旷障碍区域融合环境下,存在随机性大、搜索时间长、路径曲折等问题。为此,提出了一种基于蚁群的环境分区目标偏置RRT算法。首先,采用分环境的随机概率采样并结合人工势场的目标偏向扩展策略,以提高算法收敛速度,增强算法搜索能力。其次,为解决规划路径曲折且冗余点多的问题,提出改进蚁群寻优路径,并结合跳点筛选策略及三次B样条以消除冗余点平滑最终路径。最后,改进后的算法与A*算法、目标偏向RRT算法进行了对比分析。仿真结果表明:改进后的算法节点耗费量降低了54.8%,时间平均缩短了75.88%,从而验证了算法的有效性。

基于改进RRT算法的狭长空间无人车辆路径规划

针对狭长空间无人车辆路径规划系统,提出一种基于改进的快速搜索随机树(rapidly-exploring random trees,RRT)路径规划算法,以解决传统RRT算法随机性较大、路径缺乏安全性的问题.该算法通过加入自适应目标概率采样策略、动态步长策略对传统的RRT算法进行改进,同时考虑到实际情况中无人驾驶车辆的动力学约束,该算法加入车辆碰撞约束和路径转角约束,并针对转角约束会导致迭代次数激增的问题提出了一种限制区域内随机转向的策略,最终得到一条安全性较高的路径.采用计算机仿真对所提算法和现有算法的性能进行对比验证.所提算法在狭长空间相较于传统人工势场引导下的RRT算法迭代次数降低了33.09%,规划时间减少了6.44%,路径长度减少了0.06%,并且在简单环境和复杂障碍物环境下规划能力均有提升.所提算法规划效率更高、迭代次数更少.

ProMIS:概率图采样图像增广驱动的弱监督物体检测方法

目的弱监督物体检测是一种仅利用图像类别标签训练物体检测器的技术。近年来弱监督物体检测器的精度不断提高,但在如何提升检出物体的完整性、如何从多个同类物体中区分出单一个体的问题上仍面临极大挑战。围绕上述问题,提出了基于物体布局后验概率图进行多物体图像增广的弱监督物体检测方法ProMIS(probability-based multi-object image synthesis)。方法将检出物体存储到物体候选池,并将候选池中的物体插入到输入图像中,构造带有伪边界框标注的增广图像,进而利用增广后的图像训练弱监督物体检测器。该方法包含图像增广与弱监督物体检测两个相互作用的模块。图像增广模块将候选池中的物体插入一幅输入图像,该过程通过后验概率的估计与采样对插入物体的类别、位置和尺度进行约束,以保证增广图像的合理性;弱监督物体检测模块利用增广后的多物体图像、对应的类别标签、物体伪边界框标签训练物体检测器,并将原始输入图像上检到的高置信度物体储存到物体候选池中。训练过程中,为了避免过拟合,本文在基线算法的基础上增加一个并行的检测分支,即基于增广边界框的检测分支,该分支利用增广得到的伪边界框标注进行训练,原有基线算法的检测分支仍使用图像标签进行训练。测试时,本文方法仅使用基于增广边界框的检测分支产生检测结果。本文提出的增广策略和检测器的分支结构在不同弱监督物体检测器上均适用。结果在Pascal VOC(pattern analysis,statistical modeling and computational learning visual object classes)2007和Pascal VOC 2012数据集上,将该方法嵌入到多种现有的弱监督物体检测器中,平均精度均值(mean average precision,mAP)平均获得了2.9%和4.2%的提升。结论本文证明了采用弱监督物体检测伪边界框标签生成的增广图像包含丰富信息,能够辅助弱监督检测器学习物体部件、整体以及多物体簇之间的区别。

基于IMCB算法的无线传感器网络节点定位

针对蒙特卡洛盒(MCB)移动定位算法中存在的样本点退化问题,提出一种改进的蒙特卡洛盒(IMCB)定位算法,将其应用于无线传感器网络节点定位中。在MCB算法的基础上,通过分析当前时刻定位结果、节点距离以及相对位置信息,获得下一时刻在样本盒不同区域的采样概率,使样本点尽可能落在后验概率较大的区域内,从而解决MCB算法样本点退化导致定位精度降低的问题。仿真实验结果表明,在相同条件下,与MCB、MCL算法相比,IMCB算法的平均定位精度提高约14%,平均定位能耗降低约17%。

非线性交互粒子滤波算法

在非线性非高斯系统状态估计问题中,后验概率密度函数的解析形式难以获得,标准粒子滤波算法采用状态转移概率函数代替后验概率作为重要性采样概率密度函数,而未考虑当前观测数据的影响.针对该问题,首先提出了非线性交互多模型算法;然后应用该算法产生重要性采样概率密度函数,设计了新的非线性交互粒子滤波器.新的概率密度函数融入最新观测数据,更接近系统状态后验概率.比较实验表明了所提出算法的有效性.

均方根嵌入式容积粒子PHD多目标跟踪方法

针对基于概率假设密度算法(Probability hypothesis density,PHD)的非线性多目标跟踪精度低、滤波发散等问题,提出了一种新的PHD算法—改进的均方根嵌入式容积粒子PHD算法(Advanced square-root imbedded cubature particle PHD,ASRICP-PHD).新的算法在初始化采样时将整个采样区域等概率划分为若干个区域,然后利用既定的准则从每个区域抽取粒子,并利用均方根嵌入式容积滤波方法对每个粒子进行滤波,来拟合重要密度函数,预测和更新多目标状态的PHD.仿真结果表明该算法能对多目标进行有效跟踪,相比拟随机采样法和伪随机采样,等概率采样的方法在多目标位置估计和数目估计上有更高的精度.

基于改进RRT~*算法的无人艇全局避障规划

在水面无人艇全局避障规划领域,RRT^*算法及其改进方法规划的路径长度过长、转折过多,并且规划路径紧靠障碍物,不利于水面无人艇的安全行驶。针对此问题,本文提出一种新的基于线段定理和RRT^*算法(Line segment theorem-RRT^*)的LT-RRT^*算法。该算法对环境地图进行预处理,标示出障碍物周围危险区域,为无人艇与障碍物之间留出安全距离。再根据终点采样概率选取采样点,改善RRT^*算法由于全局采样引起的路径不稳定性。最后根据线段定理重新选取新节点和附近节点的父节点,跳过中间节点连接树节点,减少路径折点,最终生成相对平滑的避障路径。在相同环境下,将改进算法与现有算法避障规划效果进行比较分析,结果表明了LTRRT^*算法的有效性。

一种基于视觉特性的部分DCT系数重构算法

基于全变差模型的图像重构算法对于处理图像边界问题有较好的优势,本文结合小波变换域稀疏和图像局部光滑的特性,使用基于全变差的混合模型对图像进行重构,并在重构时引入人眼视觉特性,根据人眼对不同频率的系数具有不同的敏感度,提出了一种不等概率的DCT部分系数重构算法。通过对不同频率的系数进行不等概率的采样,低频系数以较高概率采样,仿真结果表明,与现有的一些重构算法相比,在相同的测量点数下,重构图像质量得到较大提高。

一种改进的双向Informed-RRT^(*)算法

针对路径规划过程中Informed-RRT^(*)算法规划效率低、规划路径冗余且转弯较多等问题,提出一种改进的双向Informed-RRT^(*)算法。首先,提出一种初始路径双向搜索的方式,有效提高了初始路径的生成效率;其次,提出一种P概率扇形约束采样的方法,增加了目标导向性和路径规划容错率;接着提出在节点扩展时引用生长转角偏置,有效加快算法收敛速度;最后,提出变步长生长的扩展方式,解决了Informed-RRT^(*)算法路径规划过程中因环境复杂度不同而导致的路径规划自适性低的问题。仿真结果显示,相比于传统Informed-RRT^(*)算法,本算法在平均规划路径长度、平均规划时间、初始化路径平均迭代次数、平均转弯指数分别减少了3.63%、19.55%、18.99%、32.55%,规划成功率提高了9.45%。仿真实验验证了该路径规划算法的正确性和可行性。

基于改进RRT^(*)与行驶轨迹优化的智能汽车运动规划

针对传统快速扩展随机树算法(Rapidly-exploring random tree,RRT)搜索较慢、规划路径曲折、平顺性差等问题,提出了一种结合改进RRT^(*)与贝塞尔曲线控制点优化的智能车辆运动规划方法.该方法通过在给定概率分布下采样,结合基于方向相似性的多步扩展与路径简化,使用贝塞尔曲线拟合生成规划问题初始解,最后使用序列二次规划优化曲线控制点,从而在动态障碍物环境中生成兼具安全性与驾驶舒适性的车辆行驶轨迹.在仿真实验中将本文算法与常规RRT及曲线拟合方法进行了比较,结果显示本文算法在搜索速度、平顺性、安全性等方面有较大提升.

PCA预训练的卷积神经网络目标识别算法

针对卷积神经网络对合成孔径雷达目标识别训练在标签数据不足,平移、旋转以及复杂情况下的识别率不高问题,提出一种优化的卷积神经网络目标识别算法.为克服标签数据不足,利用主成分分析非监督训练一组特征集初始化卷积神经网络;为提高训练速度,同时避免陷入过拟合,采用线性修正函数作为非线性函数;为增强鲁棒性,同时减小下采样对特征表示的影响,引入概率最大化下采样的方式,并在卷积层后对特征进行局部对比度标准化.实验表明,与传统的卷积神经网络相比,该算法对合成孔径雷达目标具有更高的识别率,并对图像各种形变以及复杂背景具有较好的鲁棒性.

均匀分布Logistic混沌序列的RRT*路径规划算法研究

针对RRT*算法存在收敛速度慢的问题,提出了一种均匀Logistic混沌序列采样的RRT*路径规划算法。该方法使用均匀分布Logistic混沌序列方法代替RRT*算法中随机数方法,保证了采样点的随机性和遍历性,提高了通过障碍物区域的概率,加速了随机树重布线的效率。最后通过仿真和实验证明,均匀分布Logistic混沌序列采样的RRT*算法比传统的RRT*算法的采样点少、路径规划时间短和稳定性好。

基于演化计算的迷彩目标隐蔽策略仿真设计

针对典型自然环境下军事装备的隐蔽问题,提出一种新颖的演化计算策略,将其与图像仿真设计手段相结合,根据环境状况,构建一种快速仿真计算进而给出迷彩目标隐蔽策略的新方法。该方法主要包括迷彩目标与场景图像的融合仿真计算,引入视错觉条带覆盖的迷彩目标隐蔽计算,基于粒子群优化算法和概率分布采样的搜索计算,以及基于深度神经网络图像特征的融合度计算。运用深度神经网络图像分割模型,结合迷彩目标的分割识出率,评估新方法的性能。仿真实验结果表明:在林地和荒漠环境中获得的隐蔽仿真图像平均融合度可达0.99以上,平均分割识出率低于0.90;新方法能够为设计给定目标在场景图像中的隐蔽策略提供有效的依据,具有较高的实用价值和可扩展性。

双约束RRT算法的移动机器人路径规划

针对快速扩展随机树(RRT)算法和目标偏置RRT(GB-RRT)算法存在较多冗余节点、搜索时间较长、路径转角幅度大、不适于移动机器人的实际运行等问题,提出一种双约束RRT(Duple Constraints RRT,DC-RRT)算法。该算法基于目标偏置思想,使用随机函数进行了多次采样,形成概率采样池,通过采样池中的点与规划终点的距离来约束采样点,能有效减少不必要的空间搜索,减少采样点及路径包含的节点个数;考虑移动机器人的前轮转角,提出用包含长度和角度的新节点生成函数来约束新节点,使规划路径转角幅度更小,更符合移动机器人的实际运行。将DC-RRT算法与RRT、GB-RRT算法从路径规划的成功率、有效节点占比、完成时间、转折角度以及路径长度五个方面进行比较,仿真结果表明,在保证规划成功率的同时,DC-RRT算法显著减少了无效搜索,缩短了寻路时间,规划路径更平滑,有效提升了算法的性能。

融合主成分分析与并行混合的卷积神经网络

针对卷积神经网络在小样本易产生过拟合,性能较差等问题,提出融合主成分分析（Principal Component Analysis,PCA）与并行混合的卷积神经网络（PCA Parallel Mixing CNN, PCA-PMCNN）模型。该模型首先利用主成分分析非监督预训练初始化卷积神经网络,学习得到含有训练数据统计特性的初始滤波器集合,以解决首层滤波器集无法充分训练的问题;其次,引入局部对比度标准化概念及概率最大化采样规则,以减小下采样对特征的损失,增强特征描述的鲁棒性;最后,采用线性修正函数（Rectified Linear Units, ReLU）代替非线性激活函数,以保证特征稀疏,提高训练效率。实验结果表明该模型对行人目标具有较好的识别率,对行人重叠、姿态变化、复杂背景等具有较好的鲁棒性。