基于T-S模糊模型的模糊大系统的混合滤波

针对非线性大系统内部过程参数的检测估计,采用连续模糊大系统模型,利用lyapunov定理和分布式处理方法,给出了模糊大系统的H2/H∞混合滤波器设计方法。该方法在保证滤波误差系统全局稳定的同时,具备了H2/H∞性能。通过求解线性矩阵不等式,可以得到滤波器参数。最后,用一个数值例子验证了该方法的正确性和有效性。     

基于卫星和星敏感器的冗余激光惯组在轨标定

采用高精度卫星导航速度、位置信息以及星敏感器提供的姿态信息设计十表冗余捷联惯组的标定模型,包含陀螺和加速度计的零次项和标度因数,对卫星和星敏感器辅助的冗余激光陀螺捷联惯组进行实时在轨标定.利用标准Kalman滤波和Sage-Husa自适应滤波作为估计算法,对十表冗余捷联惯组参数进行在线估计.数值仿真结果表明:参数标定精度均在7％以内,是一种实时的在轨标定方法,满足误差补偿要求.冗余惯组在轨标定方法为航天器高精度定姿和定轨提供了一种理论参考.     

基于Kalman滤波的变体飞行器T-S模糊控制

针对变体飞行器的跟踪控制问题,提出了一种基于Kalman滤波的T-S模糊控制方法。考虑飞行器系统状态不可测,引入惯导数据作为辅助信息,利用Kalman滤波算法融合飞控信息与惯导信息实现状态估计。由于变体飞行器在不同变形结构下气动特性变化较大,为便于控制器设计,采用小扰动线性化方法得到飞行器在不同平衡点处的局部线性模型,并通过状态反馈方法设计局部控制器,局部线性模型和局部控制器通过模糊集和模糊规则聚合成一个连续光滑的全局T-S模糊模型和T-S模糊控制器。通过综合Kalman滤波器与T-S模糊控制器得到一个基于Kalman滤波的T-S模糊控制器。仿真结果表明,该控制器在变形过程中能够实现状态估计,保证飞机的跟踪性能。     

探测器图像中值滤波算法的FPGA设计与实现

为解决上位机软件进行中值滤波算法对安检图像预处理速度有限问题,针对探测器的数据发送方式,利用现场可编程门阵列(FPGA)的并行处理能力,对中值滤波算法进行流水线设计,并通过硬件描述语言Verilog进行设计实现。实验证明,改进的算法在处理速度上比传统的冒泡算法提高了70%左右。     

小波神经网络用于CCD视频序列图像去噪

CCD摄像机获取目标影像时不可避免地受到噪声影响,因此噪声去除是CCD图像处理的一项重要研究课题。本文将小波神经网络引入CCD图像去噪领域中,提出一种基于小波神经网络的图像去噪方法。实验结果表明,该方法在去除噪声上优于传统的均值滤波等方法,在有效去除噪声的同时,又能很好地保护图像的细节信息,具有很好的保真度。     

有色观测噪声下的目标跟踪问题

本文讨论了有色观测噪声下的目标跟踪问题，把观测色噪声的成形滤波器假设为ＡＲ模型，给出了估计ＡＲ模型参数的方法。本文又提出将ＡＲ模型参数估计和交互式多模型（ＩＭＭ）滤波相结合，可以很好地跟踪目标。     

单目标跟踪技术发展研究

随着机动目标定位与跟踪技术广泛应用于军事和民用领域，研究更为快速、准确的跟踪算法具有十分重要的意义。目标运动模型、跟踪算法和跟踪模型结构是机动目标跟踪技术的三项主要研究内容，文章介绍了这三项技术的研究进展及发展方向。目前，对各种经典模型的组合和改进是目标运动模型的主要研究方向，通过分析并比较工程中常用的卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波和粒子滤波的优缺点，探究了它们的不同适用场合及进一步研究方向。详细分析了三代多模型跟踪算法的原理和适用场合，这对研究更为先进的单目标跟踪技术，进一步提高跟踪精度和整体性能，具有一定的参考价值。此外，文章还提出了机动目标跟踪算法的几个发展趋势：将变结构多模型算法与目标实际运动场景结合起来，广泛应用于工程实践中；探索无需依赖于基础模型集合的模型机自适应变化方法；考虑将智能控制理论与变结构多模型跟踪算法互相结合。     

一种重力测量卫星质心在轨标定改进算法

针对重力测量卫星质心在轨标定算法中存在的陀螺精度不高且易失效的问题,提出了一种应用星敏感器和静电加速度计的质心标定改进算法。在该算法中,将一个明显大于干扰力矩的周期性磁力矩,作用于卫星上;将星敏感器观测量代入预测滤波器中,估计卫星的角速度及角加速度;利用静电加速度计信息设计扩展卡尔曼滤波,从而实现卫星质心的标定。数学仿真结果表明:此算法能够对卫星的角速度及质心位置进行实时估计,卫星质心三轴最佳标定精度均优于0.05mm,可实现陀螺失效情况下卫星质心较为精确的标定。     

基于自适应深度网络的无人机目标跟踪算法

针对无人机（UAV）视频中目标易受到遮挡、形变、复杂背景干扰等问题，提出一种基于自适应深度网络的无人机目标跟踪算法。首先，基于主成分分析（PCA）和卷积神经网络（CNN）算法，设计3阶的自适应深度网络进行目标特征提取，该网络对图像的H、S、I通道分别进行主成分分析学习，将得到的特征向量输入网络进行分层卷积，优化了网络结构，提高了网络的收敛速度和精度。其次，将目标深度特征输入核相关滤波算法进行目标跟踪，通过分析相邻2帧图像的变化率，采用分段自适应调整学习率的算法进行目标模板更新，有效地改善目标遮挡问题。仿真实验结果表明，该算法有效地避免了复杂因素干扰导致的跟踪精度下降，具有较好的鲁棒性，相较于全卷积跟踪（FCNT）算法平均跟踪精度提高了9.62%，平均跟踪成功率提高了11.9%。     

一种遥感图像建筑物检测新方法

遥感图像中的建筑物检测对于土地规划和地图绘制等具有重要意义。文章针对高分辨率全色遥感图像植被覆盖中隐蔽建筑物检测问题,提出了一种结合屋顶结构信息和纹理信息的快速房屋检测方法。首先利用屋顶边缘的几何关系寻找具有矩形屋顶的建筑物;然后使用形态学方法提取屋顶较亮的建筑物;最后利用局部二值模式（Local Binary Pattern,LBP）描述屋顶的纹理特征,并利用支持向量机（Support Vector Machine,SVM）排除误检区域。通过在全色遥感图像集上的试验证明,所提方法对高分辨率遥感图像植被覆盖区域中的建筑物目标具有较高检测率和较低误检率。