基于视觉显著性的Wang-Landau蒙特卡罗采样突变目标跟踪算法

突变运动目标的鲁棒跟踪是计算机视觉领域的一个具有挑战性的问题.提出了一种基于视觉显著性的Wang-Landau蒙特卡罗采样(WLMC)跟踪算法,用于解决复杂场景下目标发生运动突变的跟踪问题.该算法首先对全局场景进行分块获取子区域,然后使用WLMC方法进行目标状态采样来跟踪发生运动突变的目标.算法将视觉显著性作为先验引入跟踪框架,提出了结合显著性先验的接受函数,通过每个子区域的显著性计算来引导马尔可夫链的构造.和以往方法相比,该算法既保留了WLMC采样方法对全局状态空间的广度覆盖性,又以视觉显著性特性引导采样,避免了全局采样的盲目性,从而提高采样效率.实验结果表明,该算法对发生运动突变的目标进行跟踪,具有良好的鲁棒性.

联合模糊聚类和拟蒙特卡罗重采样的群目标跟踪算法

联合概率数据关联粒子滤波(joint probabilistic data association-particle filter,JPDA-PF)算法常被用来解决群目标跟踪中的数据关联和非线性滤波问题.针对算法的数据关联时间较长以及样本枯竭问题,本文阐述了一种利用模糊聚类和拟蒙特卡罗重采样的群目标跟踪算法.首先,在群演化网络模型的基础上,采用最大熵模糊聚类法来完成群内个体目标和量测之间的数据关联,利用模糊隶属度来构建互联概率矩阵.其次,在目标状态样本的重采样的过程中,利用随机化拟蒙特卡罗序列映射到拟复制样本的子空间上,提高样本的多样性,抑制样本枯竭的出现.仿真实验结果表明,与JPDA-PF算法相比,本文算法能有效估计群内目标状态和群结构,并具有更优的估计性能.

蒙特卡罗采样法辐射温度测量不确定度分析

确定了影响辐射温度测量的软X光能谱仪各种光学元件、电子器件的不确定度及还原算法等不确定度来源。建立了基于蒙特卡罗随机采样的不确定度分析方法,获得了各种不确定度综合影响下的辐射温度不确定度。通过单独对谱仪各个探测通道时间对齐进行的分析,显示这一因素对辐射温度不确定度有较大影响。

拟蒙特卡罗聚合重采样粒子滤波无源定位算法

提出一种基于拟蒙特卡罗聚合重采样粒子滤波的机载无源定位算法.首先利用基于离散状态空间的粒子聚合技术对空间相近粒子进行加权聚合,在保证粒子空间分布合理性的同时有效抑制了粒子的退化;然后采用拟蒙特卡罗技术将重采样后的粒子向高似然区移动,优化了粒子在状态空间中的分布特性,提高了滤波精度.仿真结果表明:新算法对比拟蒙特卡罗高斯粒子滤波算法,在保证滤波精度的同时,提高了运行效率。

缩小采样区域的蒙特卡罗移动节点定位算法

针对无线传感器网络中移动节点定位问题,提出一种适用于未知节点移动而信标节点固定的改进蒙特卡罗定位算法,充分利用信标节点与未知节点间的测距误差来缩小采样区域,提高采样效率。仿真结果表明,改进算法在信标节点密度、连通度和节点最大运动速度等不同情况下均能提高定位精度,减少采样次数和计算量,延长网络的生存周期。

基于采样理论的序列蒙特卡罗车辆跟踪算法

结合图像的灰度分布和空间布局,提出了一种基于灰度和空间信息的序列蒙特卡罗概率跟踪算法。通过比较采样值和期望值的特征距离来计算采样状态对应的权值。利用加权采样值来估计未知量后验概率的各阶矩,当采样数趋向于无穷时由大数定理保证,采样值分布逼近于真实值分布。仿真实验给出了利用因子采样对交通流中车辆跟踪的结果。实验表明,基于序列蒙特卡罗的车辆跟踪方法计算简单有效,可以准确地得到车辆的位置并且很好地跟踪其运动轨迹。

加权采样的序列蒙特卡罗滤波技术

在处理非线性滤波问题时,常用的几种通过模型近似或计算近似的滤波方法均在某种特定的情况下具有适用性。近年来随着计算机处理能力的快速发展,提出了序列蒙特卡罗滤波方法,因其在处理复杂的非线性和非高斯问题时表现出强大的潜力而引起广泛关注。详述了序列蒙特卡罗滤波算法的基本思想和原理,对其关键技术进行了归纳分析,并指出了该方法亟待解决的一些难点问题。

序列蒙特卡罗框架中引入对数取样的重采样

为解决粒子退化问题,在序列蒙特卡罗理论方面提出了一种引入对数取样的重采样策略,从仿真实验角度证实了它的有效性。对比其他几种典型的重采样,提出的重采样策略系统误差最小。在后验均值误差和均方差两项主要指标上,引入对数取样后的重采样由于平滑了采样点的分布,因此降低了重采样策略的系统误差;实验将提出的重采样策略嵌入到目标跟踪算法中,实际的测试结果同样验证了该重采样的收敛性和良好的抗噪性能。该理论性方法不仅适用于计算机视觉系统,而且可以应用于广泛的属于时间序列分析的非线性非高斯系统。

基于马尔可夫链蒙特卡罗采样的双密钥盲水印算法

为了更好地提高水印算法的安全性,提出了一种基于两种形式密钥的强鲁棒盲水印算法。首先对水印加密,然后将每块载体的第一个奇异值组成矩阵Q再分块离散小波变换(DWT)获得四个子带,通过对四个子带进行马尔可夫链蒙特卡罗(MCMC)采样决定第k个水印位量化嵌入到矩阵Q的第k块低频、水平、垂直和高频子带中的一个并记录当前嵌入子带的密钥位,这样做不仅使水印位随机分配,而且提高了水印算法的安全性。实验结果表明,所提算法在满足不可见性的条件下,不仅对常规的图像攻击具备较强的鲁棒性,而且在水印嵌入过程中通过MCMC采样实现了用不同的密钥嵌入,提高了水印算法的安全性。

基于序列蒙特卡罗方法的3D人体运动跟踪

针对人体运动跟踪的特点 ,在退火粒子滤波方法的基础上 ,提出基于序列蒙特卡罗方法的 3D人体跟踪算法 通过状态空间分解提高了退火系数选择的鲁棒性 ;同时 ,在每次退火时采用PERM采样方法 ,而不是标准的重采样 ,能在一定程度上抑制观测模型与真实分布之间的误差 ,从而提高算法的稳定性 通过模拟实验表明 。

基于蒙特卡罗特征投影法的小麦蛋白质近红外光谱测量变量选择

为了实现小麦蛋白质的无损检测,简化便携式小麦蛋白质检测设备的预测模型,提高模型预测精度,该文针对小麦采集波长范围为950～1690nm的近红外漫透反射光谱,结合蒙特卡罗采样(MCS,monte carlosampling)技术与特征投影图(LPG,latent projective graph)方法对波长变量进行选择。根据模型集群分析(MPA,model population analysis)思想,采用MCS技术建立样本子空间,利用主成分分析(PCA,principal componentanalysis)得到LPG,假定LPG中共线性光谱变量对建模作用相同,选出少数波长变量建立子预测模型,选出预测均方根误差(RMSEP,root-mean-square error of prediction)较小的子模型,统计分析其变量的出现频次,选取频次最高的波长变量作为影响变量(IVs,influential variables)。研究结果表明,利用IVs建模可以将RMSEP值由0.5245减小到0.2548,采用蒙特卡罗采样技术的特征投影图方法(MC-LPG,monte carlo-latent projective graph)进行变量选择,对于提高模型预测精度是可行的。

一种快速准蒙特卡罗粒子滤波算法

针对准蒙特卡罗(Quasi-Monte Carlo,QMC)方法应用于粒子滤波采样时计算复杂度高,以及粒子滤波中重采样步骤引起样本枯竭的问题,提出一种结合准蒙特卡罗方法的粒子滤波算法,在重要性采样后,将生成的随机化QMC序列分别映射到以大权重粒子为核心的独立子空间上,避免了直接对采样空间进行预测,同时又保持了样本多样性.实验结果表明该方法可以有效抑制样本枯竭现象,获得了高于蒙特卡罗(Monte Carlo,MC)方法的估计精度,而计算效率与粒子滤波相近.

基于序贯蒙特卡罗概率假设密度滤波的多目标检测前跟踪改进算法

实现目标数目未知且可变条件下的多目标检测与跟踪是个极具挑战性的问题,在信噪比较低的情况下更是如此。针对这一问题,该文提出一种基于点扩散模型的多目标检测前跟踪改进算法。该算法在序贯蒙特卡罗概率假设密度(SMC-PHD)滤波框架下实现,通过自适应粒子产生机制完成新生目标在像平面中的初始定位,并根据目标在图像中可能出现的位置对全体粒子集进行有效子集分割和快速权值估算,最后利用动态聚类方法完成多目标状态的准确提取。仿真结果表明,该方法有效改善了多目标检测前跟踪的估计性能,并大大提高了算法执行效率。

马尔可夫链蒙特卡罗容积粒子滤波器

针对非线性、非高斯系统状态估计问题,提出了一种基于重要密度函数的改进粒子滤波器—马尔可夫链蒙特卡罗容积粒子滤波器。在状态转移概率的基础之上综合考虑了当前的量测信息,利用容积卡尔曼滤波对每个采样粒子进行估计,使得重要密度函数更加贴近于真实后验;同时为避免粒子贫乏,在重采样后加入马尔可夫链蒙特卡罗步骤。理论分析和实验仿真表明:马尔可夫链蒙特卡罗容积粒子滤波器的性能要优于容积粒子滤波器以及其他参照滤波器。

避免非视距影响的蒙特卡罗移动节点定位方法

为避免引入移动传感器网络中受到非视距影响的信息,提出了基于节点一跳邻居的广播信息进行定位的算法,采用信息洪泛的方式来提高节点的利用效率.在采样阶段,将已定位节点作为虚拟锚节点,并优化已定位节点邻居的采样箱,提高在低锚节点密度下的定位精度;在滤波阶段,利用连通性理论和未知节点的位置信息改进滤波条件,提高节点的采样效率;利用虚拟锚节点一跳信息逐层实现网络所有节点的定位.仿真结果表明,无论有无障碍物,该算法与传统算法相比,定位精度均得到提高,尤其在低锚节点密度的网络中具有较好的定位效果.

精确测量系统的聚类准蒙特卡罗粒子滤波算法

针对粒子滤波在精确测量系统中由于似然分布过于尖锐引起的失效问题,提出一种基于确定性准蒙特卡罗采样和聚类方法的粒子滤波算法,当判定重要性样本缺失时,利用聚类方法提取提议分布中的关键样本,在由关键样本构成的新的支撑集基础上,确定采样空间和繁殖样本个数,并采用准蒙特卡罗方法生成新的确定性样本序列,以获取有效样本,避免失效现象的发生。仿真实验表明,该算法在测量噪声较小的情况下,与一般粒子滤波算法相比,可以获得更为精确和稳定的状态估计。

一种新的基于序列蒙特卡罗方法的符号检测器

在衰落信道下检测传输符号是序列蒙特卡罗方法在通信领域中的一个重要应用。由于在序列蒙特卡罗方法中重要函数的选择直接会影响系统性能,针对这一问题,提出了一种新的混合重要函数,较大幅度提高了衰落信道下传输符号的检测水平,仿真结果也证实了这种新检测器的有效性。

关于利用重要抽样法控制蒙特卡罗方差的比较

给出了利用重要性抽样控制M-C方差的方法及其评价标准——有效样本大小,从理论上证明了其合理性,比较研究了重要性抽样函数对方差的影响并给出了改进方法,与采样重要重抽样相比,重要抽样算法抽样相对复杂些,但估计精度远远高于采样重要重抽样,最后结合实例验证了前面结论,模拟结果显示,重要性抽样有效、可靠,特别适合模拟小概率事件。

基于蒙特卡罗积分的数字影像重建方法

提出了一种基于蒙特卡罗积分的数字影像重建方法,首先根据概率密度函数采样形成点云集合,并将空间采样转换为强度采样,采样速度获得了较大提升;然后利用空域滤波器平滑点云集,避免投影出现孔洞;最后根据不同的视角对样本投影,统计出像平面上每个区域内的投影数目.为降低图像估计方差,提出结合Russian roulette技术的混合采样方法和Metropolis采样方法.相比较于复杂度为O(N3)的确定性投影算法,所提出的算法复杂度降为O(N2).实验结果表明,该方法能以较快的帧速给出大数据集的数字影像重建,且无需多次调整转换函数即可生成类X射线影像.

锚节点稀疏环境下蒙特-卡罗盒定位算法

提出一种适用于锚节点稀疏环境下的蒙特—卡罗盒定位(SDANMCB)算法。算法在定位过程中将定位精度高的节点转换为虚拟锚节点来辅助其他待定位节点进行定位;同时根据采样箱的面积和附近锚节点数量调整定位所需要的样本数;滤波后根据样本的后验分布调整样本权重。仿真结果表明:算法在定位精度、采样效率上都有明显提升,并且在锚节点密度较低时定位效果有较大改善。