基于时变马尔科夫转移概率的机动目标多模型跟踪

为了消除机动目标多模型跟踪中人为因素对跟踪精度的影响，提出了一种新的基于时变马尔科夫转移概率的机动目标多模型跟踪算法．该算法通过对Baum辅助函数的最大化实现隐马尔科夫模型状态转移概率的参数估计，并将估计结果用于交互式多模型算法的设计中，构造出时变马尔科夫状态转移概率的交互式多模型算法，有效地降低了人为因素对机动目标跟踪精度的影响．通过对一个机动目标的跟踪对比，说明了该算法比传统的交互式多模型算法具有更小的跟踪误差和良好的模型跟踪概率．     

曲线模型的自适应跟踪算法

针对机动目标跟踪问题,提出了一种基于曲线模型的自适应跟踪算法.算法中设计了一种角速度估计方法,即通过采用内嵌交互多模型方法针对目标的角度进行实时滤波,获得目标的角速度和角加速度,从而自适应调整与目标转弯相关的法向加速度和切向加速度.算法简化了计算复杂度,扩大了适用范围.仿真试验证明了该算法的有效性.     

用于机动目标跟踪的多模型概率假设密度滤波器

针对概率假设密度(PHD)滤波器在多目标跟踪问题中无法解决目标发生较大机动时的目标丢失问题,提出了一种多模型概率假设密度(MM-PHD)滤波器.这种MM-PHD滤波器在粒子PHD滤波器的基础上,使用多模型方法对滤波器中每个描述目标状态的粒子的状态进行更新,再将更新后的粒子代入传统的PHD滤波器中用于估计目标的PHD的分布.该滤波器结合PHD滤波器和多模型方法的特点,可用于目标数未知的多机动目标跟踪,且对目标的数量和状态的估计更加准确.多机动目标跟踪的仿真实验表明,与已有方法相比,该滤波器对目标数的估计与真实情况基本一致,描述多目标状态估计误差的Wasserstein距离值降低了50%以上.     

机动目标的模糊多模型跟踪算法

设计了一种基于模糊逻辑推理的机动目标多模型跟踪新算法（FMMTA）,把量测新息对其协方差的逆的加权二次函数作为模糊推理系统的输入,并通过模糊逻辑推理得到模型集中各模型的匹配度,代替了交互式多模型（IMM）算法中的模式概率计算,降低了计算的复杂度。该算法将测量空间的不确定性映射到模糊空间,从而解决了从测量空间的不确定性到模式空间不确定性的模糊推理问题,并将模糊推理与多模型卡尔曼滤波结合,进行并行处理,有利于机动目标的实时跟踪。Monte Carlo仿真结果表明,在模糊规则设计恰当的情况下,FMMTA算法相对于IMM算法在降低机动目标位置和速度的跟踪误差方面更有效。     

基于H_∞滤波器的交互多模型算法

为了解决在实际情况中噪声的统计特征信息经常残缺甚至完全未知的问题,在量测噪声的协方差未知的前提下,提出了一种方法解决含有马尔可夫参数线性离散系统的估计问题.在交互多模型算法的基础上融合H_∞滤波器构造估计器,得到交互过程中必需的噪声统计特征,进而对目标的状态进行估计.该方法不但解决了噪声信息缺失问题,而且保留了交互多模型算法的优异性能.通过与单模型H_∞滤波进行比较,试验仿真结果证实了该算法的有效性.     

自适应多速率交互式多模型算法

为提高交互式多模型算法性能，在交互式多模型算法的框架下引入了“当前”统计模型和多速率常速模型，开发了自适应多速率交互式多模型算法．Monte Carlo仿真结果表明，自适应多速率交互式多模型算法在减少计算量的同时，跟踪滤波效果优于采用常速和常加速模型的标准交互式多模型算法．     

基于自适应采样速率交互式概率数据关联的机动目标跟踪算法

在交互式多模型和概率数据关联算法融合的基础上,又将自适应采样速率算法融合到交互式多模型概率数据关联滤波器中,提出了自适应采样速率交互式概率数据关联算法,该算法不但能有效地跟踪高速机动的目标,且能使系统的采样间隔根据目标的运动状态做自适应调整. 仿真结果表明该算法扩大了机动目标的跟踪范围,且对高速机动的目标有很好的跟踪效果和较强的跟踪精度.     

多传感器多机动目标跟踪的CPHD滤波算法

针对单传感器在多机动目标跟踪系统中不能很好地处理目标数目变化与突发机动的问题,提出了多传感器多机动目标跟踪的概率假设密度滤波算法.以CPHD滤波算法为理论基础,同时递推概率假设密度(PHD)函数和基数分布,避免了多目标多传感器的数据关联问题.结合自适应当前统计模型,选择3个雷达作为跟踪目标的传感器,相比于单传感器降低了信息的模糊度,提高了可信度.仿真结果比较表明了多传感器CPHD滤波算法在多目标跟踪方面的性能优势.     

自适应模型集交互式多模型算法

针对交互式多模型(IMM)算法的目标跟踪精度问题,提出了一种自适应模型集IMM算法.利用IMM算法中的模型概率含义,并以此对模型集的收缩比例因子进行设计,这样模型集通过向中心模型收敛可完成自适应调整,而自适应调整过程能有效、实时地利用观测信息.仿真实验结果表明,所提算法能有效跟踪机动目标,而且比IMM算法的跟踪精度更高,但其受到目标机动模型的先验性的限制.     

引入多速率模型的变结构机动目标跟踪

变结构多模型方法(VSMM)能够根据目标机动的实际情况实时确定结构不断变化的模型集合,取代传统IMM方法中的固定模型集.使参与状态估计的模型分布更集中,模型数量相对较少,从而提高算法的跟踪精度.多速率模型(Multirate)能够对原始测量数据进行多分辨分解,有效的抑制量测噪声,从而提高原始数据的信噪比.文章将多速率模型引入变结构多模型方法,提出一种新的机动目标跟踪算法多速率变结构多模型方法(MRVSMM),该方法分别从改善原始数据与改善模型集合两方面对传统IMM方法进行了突破.同时,采用多个多速率模型,并将多个模型的滤波结果相互交织实现对机动目标的全速率跟踪.仿真实验证明,该算法较传统的IMM方法跟踪精度得到了一定程度的提高.     

基于自适应交互式多模型粒子滤波的分布式说话人跟踪算法

针对分布式麦克风网络中的说话人跟踪问题,提出一种自适应交互式多模型粒子滤波算法,以实现复杂环境下对说话人的分布式跟踪.首先,对分布式麦克风网络中的说话人跟踪问题建立状态空间模型,并利用贝叶斯滤波理论求解该问题.然后,将交互式多模型与粒子滤波相结合,提出一种双粒子滤波方法对运动模型的转换概率进行自适应估计,以更好地对多种...     

基于收缩方法的稳健自适应波束形成算法

针对有限采样数据样本中含有期望信号时自适应波束形成器性能下降的问题,提出了一种不需要任何参数设定的稳健自适应波束形成算法.该算法利用收缩方法得到一个增强的协方差矩阵估计值,替代传统的采样协方差矩阵,提高了算法的性能.为了克服信号导向矢量存在误差时对波束形成器性能的影响,对算法进行进一步的扩充,使其既能改善小快拍时协方差矩阵的估计值又能克服期望信号导向矢量的失配.仿真结果表明:该方法不仅能够改善小快拍情况下波束形成器的性能,而且还能克服期望信号导向矢量失配带来的不利影响.     

多险种风险模型的破产概率

由于保险公司风险经营规模不断扩大,用单一险种的风险模型来描述风险过程存在局限性,文章建立了保费收入为复合泊松过程的风险模型;讨论了带干扰的多险种风险模型;得出伦德伯格不等式和最终破产概率公式。     

基于自适应频率选择的鲁棒时延估计算法

为了增强相位变换加权广义互相关方法(GCC-PHAT)这一常用时延估计方法对噪声的鲁棒性,提出了一种基于频率自适应选择的改进算法.该算法利用较短的语音数据(32ms)估计出每个频率的协方差矩阵,从而计算出每个频率的信噪比(SNR),然后自适应地选择SNR较大的频率用于时延估计.仿真实验结果表明,不论是在中等混响(混响时间T60=0.3s)还是在强混响(T60=0.6s)条件下,相对于GCC-PHAT方法,该算法对噪声的鲁棒性更强.     

Ad-Hoc网络中基于状态转换概率的中继选择算法研究

在多跳Ad-Hoc网络中,随着节点的增加以及传输跳数的变化,网络状态数目将不断增大,随之带来的路由计算将变得十分复杂,从而严重影响系统的整体性能。如何在海量的网络转换状态形势下,快速选择最有效的状态进行下一跳数据传输是关键。创新地提出了基于状态转换概率的中继选择策略,结合节点地理信息和信道环境信息计算出邻居节点可能的到达概率,并选择概率大者进行数据传输,从而提高数据传输性能。同时,为了降低系统运算复杂度并节省系统能量,采用了变换的metropolis选择准则,以模拟退火的贪心搜索逐级去除那些小概率的传输状态,从而大幅度降低了运算空间。仿真给出了算法参数对运算速度与成功率的影响。同时,也表明了该算法在网络拓扑变化时对系统能耗和失败概率的增长均有较好的控制。     

基于多信息融合优化的鲁棒性车道检测算法

为了提高复杂环境下车道线检测的鲁棒性,提出一种基于多特征信息融合优化的鲁棒性车道线检测算法.首先构建了基于二次曲线空间道路模型图像中左右车道线数学模型;然后融合像素梯度值、梯度方向、像素灰度以及车道线结构等多特征信息,构造后验概率函数;最后采用基于免疫克隆策略的改进粒子群优化算法优化车道线模型参数,实现车道线提取.对实际道路图像的实验结果表明,引入多特征信息后,在道路中存在阴影、车辆和道路标记等干扰因素,以及车道线模糊、对比度较低的情况下,该算法也能快速准确地提取车道线,具有很强的鲁棒性.     

基于贝叶斯概率模型的邮件过滤算法探讨

讨论了邮件过滤模块,通过分析研究该模块中垃圾邮件关键词的统计概率分布,提出了基于贝叶斯概率模型的邮件过滤算法,并对该算法的合理性和复杂度进行了分析.可以根据垃圾邮件内容的特征,建立贝叶斯概率模型,计算出一封邮件是垃圾邮件的概率,从而判断其是否为垃圾邮件.     

基于贝叶斯概率模型的邮件过滤算法探讨

讨论了邮件过滤模块,通过分析研究该模块中垃圾邮件关键词的统计概率分布,提出了基于贝叶斯概率模型的邮件过滤算法,并对该算法的合理性和复杂度进行了分析。可以根据垃圾邮件内容的特征,建立贝叶斯概率模型,计算出一封邮件是垃圾邮件的概率,从而判断其是否为垃圾邮件。     

基于情感主题模型的特征选择方法

意见挖掘在企业智能分析、政府舆情分析等领域发挥着重要作用,为了充分挖掘主观性文本所蕴含的商业价值和社会价值,提出了一种基于情感主题模型的特征选择方法。该方法重点考察极性词及其共现现象,采用主题模型挖掘出正面褒义主题和负面贬义主题中极性词的分布情况,旨在度量情感特征在情感倾向表达中的重要性。实验阶段结合支持向量机分类器进行分析。实验表明该特征选择方法能有效提高跨领域文本情感分类准确性,具有较好的实用价值。     

修正的截断正态概率密度模型自适应滤波算法

针对机动目标跟踪问题,在截断正态概率密度模型的基础上,通过目标机动状况与相邻采样时刻间位置估计量变化之间的函数关系实现噪声方差自适应调整,提出了一种新的自适应滤波算法——基于截断正态概率密度模型修正的自适应滤波算法。计算机仿真结果表明,该算法在跟踪机动目标时,具有良好的跟踪性能,并极大地改善了跟踪非机动目标的能力。