基于双渐消因子调节的自适应卡尔曼滤波器

针对传统卡尔曼(Kalman)滤波器鲁棒性差,无法实时精确跟踪系统突变状态的问题,设计了一款双渐消因子调节的自适应Kalman滤波器。算法分析了突变状态无法精确跟踪的原因,在传统Kalman滤波器的基础上,引入双渐消因子,优化预测协方差,实时激活滤波增益,调节量测新息在状态估计中的贡献度。借鉴新息正交性定理,依据Sage开窗估计原理与加权最小二乘准则,建立了双渐消因子的函数解析式。基于滤波发散判据,分析了储备系数与量测新息协方差之间的关系,构造了函数边界条件。实例研究表明,自适应Kalman滤波器鲁棒性强,能够精确跟踪系统突变状态,状态收敛速度优于抗差Kalman滤波器,稳态精度提升了44.76%。     

微弱高频CW信号的自适应滤波

高频电报(CW)是强噪声背景下战术应急通信的主要工作方式,由于高频信道是典型的随参信道,不可能事先已知干扰噪声的统计特性。该文提出了一种基于ARMA新息模型的CW信号自适应Kalman滤波方法,以解决高斯背景下高频电报系统干扰噪声方差未知的问题。根据CW信号的时频域特征定义状态空间随机信号模型,构造ARMA新息模型,通过在线辨识新息模型参数来估计Kalman滤波增益,实现CW信号的自适应跟踪滤波。仿真结果表明,该方法能够有效估计微弱高频CW信号时域波形,算法可递推实现,实时性强。     

一种基于Kalman滤波的实时校准算法

雷达组网融合多雷达的观测数据,可监视大范围的空中态势。但是首先要解决各雷达的系统偏差校准问题,雷达组网才能发挥效能。传统的雷达组网校准技术多基于固定雷达站给出,没有考虑姿态角及其偏差对校准的影响,因此不适合机动雷达偏差校准。该文针对这一问题进行了研究,通过泰勒级数展开推导了系统偏差和量测之间近似的线性关系,在此基础上提出了一种基于Kalman滤波的实时机动雷达系统偏差校准算法。仿真表明,本文提出的算法能有效地对机载雷达的系统偏差和姿态角偏差进行实时估计。     

混合Kalman滤波器与Chamshift人脸跟踪算法的研究

文章通过Kalman滤波器预测由Camshift算法检测到的人脸窗口在下一帧图像可能出现的位置,进行下一帧图像的人脸跟踪.其中,Kalman滤波器的使用克服了单纯使用Cam-shift跟踪在遮挡或者丢失跟踪物体的不足,可以大大提高人脸跟踪的正确率.     

基于多结构元广义形态滤波的改进算法

为对采用相同结构元的形态闭-开和形态开-闭这两种滤波器进行改进,采用了不同结构元的广义形态闭-开和形态开-闭滤波器。在此基础上,将一种新的结构元运用到广义形态滤波中,提出了一种滤波新算法。理论分析和图像处理仿真实验表明,该类滤波新算法既能有效地滤除噪声,又可充分保留原图像的细节信息。     

某大跨连续刚构桥的施工仿真和控制分析

以沪蓉西高速公路宜昌—恩施段渔泉溪大桥的施工控制为背景,通过对大桥进行施工仿真分析,模拟其施工过程,运用Kalman滤波法误差理论对大桥的施工进行误差分析调整,通过现场的标高测量和控制断面应力数据,进行桥梁结构线形和受力状态分析,并指导施工。     

一种基于局部统计特性的自适应混合滤波器

基于图像的局部统计特性，结合线性、非线性滤波技术和图像序列处理技术，构建了一种新型自适应混合滤波器．该滤波器算法能够有效地滤除混合噪声，与同类算法相比，有更好的滤波稳健性、实时性，并具有较高的实用价值．     

基于智能终端的血氧信号处理算法研究

智能终端的普及为医疗领域开辟了新的天地,本文将智能终端与血氧饱和度的检测相结合提出一种基于智能终端的信号处理算法。该算法针对目前血氧饱和度检测中接收的脉搏波信号存在突变点、基线漂移、高频干扰等问题,对脉搏波信号的滤波算法进行了研究。主要包含以下三个方面:1)设计五点查找以均值代替法能准确剔除信号中的变异点。2)形态学方法和平滑滤波算法实现脉搏波信号(PPG信号)的基线矫正和高频滤波干扰去除。3)仿真验证算法的可行性,为智能终端上处理脉搏波信号提供重要的理论依据。实验表明本文提出的基于智能终端的信号处理算法有效处理了信号中存在的干扰,提取出了可用的脉搏波信号。     

基于能量差的加权均值递归滤波算法

对基于激光测量的管形零件内轮廓母线采样数据进行滤波.提出了基于能量差的加权均值递归滤波算法.该滤波方法中权值求取方法的思想是尽量给滤波窗口内能量频谱相对集中的采样数据赋予较大的权值,而给由于干扰引起的畸变数据赋予较小的权值.合适的滤波窗口长度通过仿真对比试验获得.这一思想的合理性通过仿真分析和实验测试得到验证,并表现出良好的效果.     

农业贷款对农民收入的影响——基于状态空间模型的动态分析

采用江西省1980—2012年农业贷款及农民家庭平均每人总收入等时间序列数据,在协整检验与Granger因果关系检验基础上,通过构建状态空间模型,利用Kalman滤波法检验农业贷款对农民收入增长的作用机制。结果表明,农业贷款对农民收入的弹性效应具有动态的显著正向影响,但弹性系数一直处于0.142 8~0.971 6的较低水平;农业贷款对农民收入的弹性效应和农业贷款占贷款总额比例的动态变化趋势非常相似。为此,金融机构服务"三农",提升农业贷款对农民收入的增长效应不仅体现在农业贷款额度的增加,还应注重提高农业贷款占贷款总额的比例。     

饱和增长趋势预测的自适应方法

讨论了商业、市场中大量存在的饱和增长过程的自适应预测问题,详细分析了自适应增长趋势预测尤其是Kalman滤波方法涉及的模型、模型变换、递推初值确定及趋势外椎等技术问题。     

滤波初值对测向定位的影响及其消除方法

基于运动单站测向交叉定位中将滤波初值分成两类,该文从几何原理上解释了不同类型的滤波初值对定位结果的影响;提出了通过增加相位差观测量,利用相位差的变化率和方位角信息,将非线性系统转换成线性系统,再利用卡尔曼滤波来改善定位结果对滤波初值依赖性的方法。转换后的线性系统在利用卡尔曼滤波时,初始值可以根据以前的测量值得到。模拟仿真表明该方法能有效摆脱定位结果对滤波初值的依赖,且定位精度在2%以内。     

雷达群组网中几种目标跟踪滤波器的比较

在雷达群组网目标跟踪中,目标量测在雷达各自的坐标系下,而目标跟踪却在公共坐标系下,针对这种混合坐标系下异地雷达目标跟踪问题,通常解决这类跟踪问题的滤波算法有CMKF法和EKF法.文中从测量误差模型出发,给出了适用于群组网目标跟踪算法的推导过程,并且通过仿真实验和分析,比较了几种算法的优缺点并给出了结论.     

GPS动态导航定位的当前统计模型与自适应滤波

GPS动态定位的数据处理中广泛应用卡尔曼滤波,而卡尔曼滤波的应用要求动态模型(函数模型)和随机模型可靠和切合实际,但实际测量定位中难以保证观测对象的规则运动,因而容易出现模型误差。针对GPS动态定位的这一问题,本文探讨了在实际应用中存在模型误差时的卡尔曼滤波,介绍了一种基于协方差匹配技术的自适应卡尔曼滤波算法,该法当Q已知时可以准确地估计出R。它的独特之处在于原理上易于理解,在实际中也很容易实现,它是通过判定发散的判据,求出噪声统计的估计值,然后再按得到的噪声统计估计值计算新息序列的协方差阵,因此消除了滤波发散现象。     

基于模糊神经系统的多传感器数据融合算法

将自适应模糊神经推理系统(ANFIS)和卡尔曼滤波器应用于目标跟踪系统中,构成多传感器数据融合算法。该算法假设在目标运动过程中,过程噪声和测量噪声是相互独立的高斯白噪声序列。使用ANFIS分别对目标的加速度和测量噪声的方差进行估计,通过卡尔曼滤波器获得目标后验状态,最终由神经网络对多传感数据进行融合得到系统输出。仿真结果表明,该算法可以通过自适应调整跟踪参数有效地防止目标丢失。     

S变换时变滤波在去噪处理中的应用研究

针对常用的滤波去噪方法都受到使用条件的限制，实际资料的滤波去噪不能达到良好效果，S变换时变滤波克服了传统滤波去噪方法滤波因子不能随时间、频率变化而变化的缺陷。将地震资料用S变换方法变换到时频域，对不同时间内不同频率的噪声部分充零，再将去噪后的地震数据利用S反变换到时间域，以获得所需要的有效信号。通过理论计算分析和实例计算表明，S变换时变滤波能够有效去除不同时段、不同频率的噪声。该方法具有一定的可行性。     

基于卡尔曼滤波的运动员实时跟踪系统研究

应用计算机技术,并采用预处理算法和跟踪算法可建立基于卡尔曼滤波的运动员实时跟踪系统,用于实时分割、跟踪球场中运动着的运动员,得到其在运动场景中的各项运动参数,并进行技战术统计和分析,为教练员和运动员制定正确的运动技术方案提供决策依据。     

基于改进广义S变换的井筒波压制

VSP资料中经常出现能量比较强的井筒波,目前其压制方法主要利用中值滤波和F-K滤波。由于中值滤波存在统计效应,而F-K变换经常存在空间假频,都很难取得理想效果。基于井筒波和有效信号的时频差异,提出利用改进的广义S变换(采用宽度可变的高斯窗函数,其时窗宽度随频率呈正比,在低频段时窗较窄,获得较高的时间分辨率;高频段时窗较宽,故可获得很高的频率分辨率)对井筒波进行分离和压制。理论推导和实际数据计算表明,基于吸收改进的广义S变换的井筒波压制明显突出了有效信号,提高了信噪比。      

神经网络和卡尔曼算法在石油需求预测中的应用

分析中国1978—2009年影响石油需求的8个相关指标数据。将指标分成3组,通过每组指标的数据分别用广义回归神经网络和误差反向传播神经网络（GRNN和BPNN）方法对2013年的中国石油需求量进行预测,并对其预测结果进行比较。进一步采用神经网络平均影响值（Mean Impact Value,MIV）方法,从影响石油需求时间序列的相关指标数据中筛选出对石油需求影响最大的5个变量。用选出的5个变量,根据AIC准则确定了时间序列的阶数,并建立了石油需求的AR时间序列模型。采用卡尔曼滤波算法和Rauch-Tung-Striebel（RTS）算法对AR模型进行了后验估计。卡尔曼滤波算法使得模型参数得以更新,且相关仿真结果表明,对于AR模型的输出起到较好的修正作用,从而提高了模型的预测精度。