基于自适应网络模糊推理系统的噪声抵消

对自适应网络模糊推理系统(ANFIS)在噪声抵消中的应用进行了研究，说明了ANFIS的结构和使用ANFIS进行噪声抵消的原理，对窄带干扰的滤除和噪声中的信号提取两种情况进行了仿真，并对ANFIS和LMS(小均方误差准则)两种算法进行了对比研究，结果表明，利用ANFIS进行噪声抵消要优于LMS。     

基于卡尔曼滤波和MRAC的卷绕张力控制

针对纱线收卷系统张力控制存在非线性和时变性以及存在测量噪声等问题，课题组提出了一种卡尔曼滤波和模型参考自适应相结合的张力控制方法。为提高卷绕系统的抗干扰性和稳定性，在张力测量环节通过参考模型设计卡尔曼滤波器有效抑制测量噪声。在纱线张力控制上，采用基于Lyapunov稳定性原理的模型参考自适应的控制策略对张力实时补偿。MATLAB仿真结果表明：基于卡尔曼滤波和Lyapunov MRAC的卷绕张力控制系统具有良好的鲁棒性、自适应性。该控制方法具有一定的应用前景。     

多站无源跟踪系统容错算法

针对多个雷达侦察站组成的无源跟踪系统,在用时间差法对目标进行跟踪时,各站点之间通信或信号测量被干扰,造成系统无法工作。该文提出基于单站多站、时差和角度测量组合的容错跟踪算法。该算法假定系统被干扰工作时使用基于时差测量的跟踪方法,而多站角度和单站角度跟踪方法作为备用,通过对每个周期目标状态变量的检测,判定是否需要切换为备用跟踪方法。该算法使跟踪系统有更强的适应性,而精度并没有下降。仿真实验验证了该算法的有效性。     

改进的多目标多传感器数据融合相关算法

数据融合是利用计算机对数据进行一定处理，得出目标状态及势态估计的多层次多平台过程。详细讨论了对目标的跟踪算法，此算法不仅对多目标，而且对新出现目标和机动目标均能进行识别和跟踪。     

多级完全自适应陷波滤波器的设计

设计了一种典型的自适应级联结构的IIR陷波滤波器,用来探测和跟踪频率随时变化的信号。该信号含有加性高斯白噪声,采用全通滤波器的频域转换和梯度截短算法。通过仿真模拟显示,该算法计算简单,收敛迅速,并且能产生较好的频率分辨率。     

网格聚类在多雷达数据融合算法中的应用

应用网格聚类的方法区分同一雷达接收的不同目标的观测数据,通过类间数据融合,实现同一目标不同雷达接收数据的融合,以便对多目标进行实时跟踪。研究了观测数据网格聚类的基本思想、形式化描述及算法实现,讨论了对机动目标跟踪的Kalman滤波方程及空管系统中易于计算的各参数矩阵理论依据及相应的初值。仿真结果表明,通过网格聚类能很好地区分不同目标,聚类后再进行跟踪融合更加准确。     

一种改进的联合概率数据关联算法

针对联合概率数据关联算法在跟踪多机动目标时跟踪精度不高、计算量较大等问题,提出了一种新的联合概率数据关联算法。引入"当前"统计模型,并针对"当前"统计模型中机动频率和加速度方差不能自适应调整的问题进行了改进,实现了机动频率和加速度方差自适应。针对联合概率数据关联算法在跟踪多机动目标时,随着目标数的增多,算法计算量急剧增大的问题,提出了改进算法。改进算法避开了联合概率数据关联算法中由确认矩阵计算关联矩阵的过程,直接从确认矩阵计算关联概率。仿真实验结果表明:所提算法有效提高了多目标的跟踪精度,降低了算法计算量。     

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%。     

无线传感器网络下的并行粒子滤波目标跟踪算法

针对无线传感器网络环境下目标跟踪问题,提出一种基于分布式并行粒子滤波的目标跟踪方法。在建立了网络动态分簇模型和目标运动模型的基础上,将并行粒子滤波算法应用于动态目标进行跟踪。算法通过多个感知节点并行的运行局部粒子滤波器,得到每个节点对目标状态的估计,动态成簇的簇头节点对簇内每个节点的信息进行融合,形成动态目标的状态估计,提高了目标跟踪的精度。同时通过动态簇头之间的目标状态信息的交换,实现了运动目标的动态连续跟踪。仿真结果表明,算法实现了运动目标协作跟踪,与集中式结构目标跟踪相比,跟踪精度提高了30%。     

基于虚拟网格技术的自适应车辆跟踪算法的研究

为了解决车辆跟踪速度、精度、非线性等问题,引入简化跟踪目标图像信息的虚拟网格技术,结合改进的Kalman预测理论,构建自适应车辆跟踪算法,利用该算法完成对移动目标车辆进行实时检测跟踪。测试结果验证了算法提高视频图像中移动目标跟踪速度,且以较高的精确性对单个、多个移动目标进行检测跟踪。     

基于EMD的非线性信号自适应分析

根据EMD分解原理,提出通过选择平均包络中的突变点确定自适应滤波器截止分量阶,以此构造时空滤波器组进行非线性信号自适应分析的方法,成功应用于分析波音737飞机涡轮轴振动信号。从噪声中自适应地提取随转速变化的信号分量和低频振动分量,与小波分析方法相比,在轴向位移检测中取得了更为满意的效果。该方法不仅改进了涡轮轴振动信号分析方法,也适用于解决其他非线性信号的分析问题。     

预编码和子空间跟踪的OFDM信道盲估计

讨论了一种OFDM信道盲估计方法,首先对进入OFDM系统前的相邻两个OFDM符号进行线性预编码,利用预编码引入的数据结构在接收端构造了一个新的矩阵,使得OFDM频域信道响应成为该矩阵的一维子空间,最后通过自适应子空间跟踪技术实现了信道的盲估计。仿真结果表明该方法能有效地抑制信号分布波动、时变信道及噪声对信道估计的影响,从而有效地降低了OFDM系统的信道估计平均均方误差和无编码码元出错率。     

LFMCW雷达的距离/多普勒处理

基于线性调频连续波雷达可提取目标的距离信息和多普勒频率,分析了线性调频连续波在高频雷达中的应用,推导出差频信号的表达式和利用二维快速傅里叶变换进行距离/多普勒处理的理论。提出了将距离/多普勒处理技术与自适应数字波束形成技术相结合,对杂波和干扰进行抑制的同时提取回波目标信息的方法。经计算机仿真结果表明,其方法有效可行。     

小波降噪阈值选取的研究

小波分析用于信号降噪的过程中 ,核心的算法就是在小波系数上作用阈值 ,因为阈值的选取直接影响降噪的质量 .笔者就阈值的选取做了一些理论分析并在MATLAB环境下进行仿真研究 ,得出应用小波降噪过程中阈值选取的一些实际结论 .     

基于语义生成与语义分割的机织物缺陷检测方法

针对织物疵点的语义分割任务中因数据集规模限制，而导致网络出现的严重过拟合问题，课题组提出了针对织物的语义生成网络。语义生成网络使用随机产生的语义标签生成对应的织物缺陷图像，相较于传统数据增强方法，语义生成可生成全新图像，更贴近实际缺陷分布，并且可通过判别器对生成图像进行筛选；课题组将语义生成的图像作为语义分割网络的输入，相应的随机语义标签作为目标，免去标注过程，扩充语义分割网络的训练样本，提升网络性能；对于语义分割网络，提出尺寸自适应Dice损失函数，解决样本不平衡问题，提升网络对小尺寸的检测能力。实验结果表明：尺寸自适应Dice损失函数使得模型精度提高11.1%，使用BEGAN扩充的数据集相较于传统方法扩充的数据集训练得到的模型精度提高7.4%。     

共享内存系统中高效并行FDTD计算方案

针对电大问题的FDTD仿真,在共享内存系统中提出一种不交换数据的并行FDTD计算方案。该方案利用共享内存系统的通用多核处理器架构,直接读取并行场域边界面的数据实现并行计算,采用自主开发的多线程技术实现FDTD的并行计算。通过数值仿真测试,提出了最大并行计算效率的区域划分方式,并验证了所提出的方案是一种理想的基于共享内存系统的并行FDTD计算方案。     

一种新的变步长LMS自适应滤波算法性能分析

在简单介绍了基本的LMS,NLMS自适应滤波算法的基础上,介绍了一种新的可变步长LMS自适应滤波算法,并将该算法应用于自适应噪声对消系统的仿真中。通过计算机仿真,给出了LMS、NLMS和新的可变步长LMS自适应滤波三种算法的性能对比,结果表明该算法具有较快的收敛速度和较小的稳态误差。     

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.     

Characteristic Impedance of A GTEM Cell

保角变换－奇异积分方程法被用来求ＧＴＥＭｃｅｌ的特性阻抗，用完全椭圆积分给出了基于只有球ＴＥＭ模传播的简单而精确的特性阻抗公式。该方法使ＧＴＥＭｃｅｌ的特性阻抗的计算精确而简单。另外，采用保角变换—有限差分法求出了球ＴＥＭ模的电磁场分布和高阶模式的特性。文中的分析可用于对ＧＴＥＭｃｅｌ和宽带传线的研究。