一、基于噪声方差估计的稳健融合算法(论文文献综述)
吴晓博[1](2021)在《外弹道跟踪测速数据处理方法研究》文中指出本文以事后外弹道跟踪测数据处理过程为线索,将外弹道跟踪测速数据作为主要研究对象,对若干外弹道跟踪测速数据事后处理新方法进行了研究。其研究内容包括以下几个部分:(1)针对外弹道跟踪测速(测速测元)数据中的野值识别和特征点识别难题,本文研究并提出了基于随机样本一致性算法(RANSAC)算法的野值识别(修正)方法和基于重采样和邻近聚类的特征点识别算法,并针对每种算法分别给出了两种实现方法,仿真分析结果表明两种算法能够有效地识别出外弹道跟踪测速数据中的野值和特征点。(2)本文对多测速测量体制中一主多副跟踪测速自定位技术进行了研究,利用高精度的测速数据实现了飞行器弹道参数的自定位,摆脱了对低精度定位参数的依赖。(3)本文研究了一种基于数据驱动的线性无偏最小方差估计数据融合方法,该方法能利用滑动最小二乘拟合残差法挖掘测量数据的动态精度,并基于线性无偏最小方差估计(LUMV)准则实现测量数据的动态加权融合,仿真实验结果表明新算法的融合精度明显提高。(4)针对弹道参数最优估计问题,本文研究了基于变量差分法的最优卷积平滑算法和最优三次光滑样条平滑算法。两种方法基于最小化误差准则,通过迭代的方法寻找出模型参数的最优估计值,为弹道参数的最优估计提供了新的解决思路。(5)本文利用PYTHON编程语言开发了一套外弹道跟踪测速数据处理软件系统,将本文研究的所有算法内嵌到了该软件系统中,一定程度上实现了外弹道跟踪测量数据处理过程的自动化,提高了测量数据的处理效率。
吴奇文[2](2021)在《非线性平差验后方差估计的EM算法及其应用研究》文中认为在大地测量数据处理中,非线性平差模型是揭示数据特征和分析事物本质的重要手段。近年来,随着大地测量观测技术多样化发展,观测数据日益多源化,这对非线性平差模型的优化及平差方法提出了更高要求。平差随机模型作为联结观测数据与函数模型之间的纽带,在平差函数模型的建立、优化及参数估计方面扮演着重要角色。已有研究通过提供先验、经验性随机模型或使用平差手段修正随机模型以解决观测值的方差估计问题,但仍存在一些问题,亟待进一步研究和应用。本文基于期望最大化(EM,Expectation maximization)算法框架,充分发挥其在处理不完全数据领域的优势,对验后方差估计方面的应用研究进行探索和改进,旨在获取更为合理、精确的函数模型及参数估计精度,对非线性平差验后方差估计理论进行完善。本文的具体研究如下:(1)研究部分变量误差(Partial EIV,Partial errors-in-variables)模型非负方差分量估计的EM算法及改进算法。针对现有方差分量估计(VCE,Variance component estimation)方法易面临负方差估计风险,本文将EM算法应用于解决Partial EIV的方差分量估计问题,并对该算法下方差分量估计器的非负性进行分析。为加速EM算法效率,给出了一种非负方差分量估计的快速算法,该算法可成为现有方差分量估计的替代方法。通过算例实验验证了:本文两种方法均能获得比常规最小二乘(LS,Least squares)和总体最小二乘(TLS,Total least squares)解法更合理、准确的参数结果,且方差分量估值与已有方差分量估计方法保持一致,表明了本文方法的有效性。当负方差出现时,本文方法从统计意义上核实了方差分量估值靠近其参数空间的边缘,验证了现有非负方差分量估计方法的合理性。(2)研究非线性自调优联合概率模型验后方差估计的变分EM算法。针对正态分布定律对数据精度的要求较高,少量偏大的观测误差或粗差就可能对估计结果产生破坏性的影响,致使方差分量估计方法无法为参数估计提供准确的随机模型。本文引入学生t分布(t distribution)来描述观测值的误差特性,并以此构建顾及多源观测数据的非线性自调优联合概率模型。为进一步继承EM算法方差分量估计的优势,引入参数及方差分量的固有先验信息构建参数的随机约束,从而稳定参数解和避免负方差风险。将变分EM算法应用于解决附有参数先验分布的非线性自调优联合概率模型参数估计问题中。通过火山实例验证了:本文方法估计结果较优于基于正态分布概率模型的联合反演结果,当观测数据具有尖峰重尾特性时,本文方法能够较大限度地减少数据中有用信息的损失,对拓展非正态误差定律在大地测量联合反演中的应用具有积极促进作用。(3)研究含缺值非线性坐标时间序列验后方差波动估计模型构建方法。本文通过分析含缺值坐标时间序列的噪声特性,引入自回归-广义自回归条件异方差模型(AR-GARCH,Autoregressive-generalized autoregressive conditional heteroscedaticity)模型对时间序列的随机模型进行建模,并结合EM算法对时间序列中缺值进行估计,提出了一种AR-GARCH噪声模型下含缺值非线性坐标时间序列模型参数的估计方法。算例实验验证了:结合EM算法和AR-GARCH模型对含缺值坐标时间序列进行分析与求解,能够得到优于传统方差分量估计法且更为合理的参数、缺值估计精度以及噪声幅度估计,并有效减弱了序列中周期相关性信号等偏误对估计精度的影响,对丰富坐标时间序列分析理论具有重要的借鉴意义。(4)研究非线性速度场模型构建及稳健验后方差波动估计的EM算法。由于GNSS(Global Navigation Satellite System)坐标时间序列受各类信号、噪声等因素影响而使得验后方差估计问题变得十分复杂,该影响降低了函数模型与随机模型的建模精度,且函数模型、随机模型与观测值的相互耦合与适应状况严重影响时间序列分析与估计精度。本文基于高斯混合模型构建了顾及方差膨胀的稳健AR-GARCH模型。结合EM算法和基于极大似然比检验的检测、识别和适应(DIA,Detection,identification and adaptation)方法,分别对异常观测值和未模型化信号进行处理,得到了新的时间序列分析方法与处理流程,并对比分析不同方法对验后方差波动估计、异常值检测、参数解及其精度信息的影响。通过算例分析表明:在应对含异常观测值和多个未模型化信号的时间序列时,发现异常值在某种程度上影响了周期项与偏移量检测精度。虽然本文方法能够更好地提升模型识别的准确度与参数估计精度,但对小幅度未知偏移的检测仍为一项极具挑战性的任务。通过将不同方法应用于分析真实时间序列数据,其得到的AR模型阶数不同以往研究结果,反映了惯用的AR(1)模型可能为描述时间序列噪声特性的次优模型。最后通过不同方法得到的渐近均方根误差(ARMSE)差值表明了时间序列中存在一定数量的异常观测值。
王昕煜[3](2021)在《移动机器人多传感信息融合位姿估计与速度控制研究》文中研究表明近年来,随着科技的不断进步发展,移动机器人相关技术已逐步在人类实际生活与生产过程中发挥重要作用,相关行业领域对于移动机器人的性能需求也愈发迫切。自主位姿估计与运动控制作为移动机器人在未知环境中完成工作任务的技术基础,近些年来引起了国内外学者的广泛关注。针对移动机器人在复杂环境下的实际功能需求,本文利用单目视觉、IMU与轮式里程计实时传感信息,进行移动机器人多传感信息融合位姿估计与速度控制研究。首先,根据移动机器人下单目视觉、IMU与轮式里程计多源传感信息,进行了移动机器人多传感信息融合前端处理研究。在单目视觉传感信息处理研究中,利用LK光流法对不同视觉图像帧间Harris角点特征进行匹配,并通过反向光流追踪的方法保证视觉特征匹配精度,然后根据视觉特征光流信息完成视觉关键帧的选取,基于对极几何约束实现视觉关键帧间位姿估计。在IMU与轮式里程计传感信息处理研究中,分别根据相关传感信息实现移动机器人运动状态估计。在此基础上,对各传感器的运动观测尺度进行初始校准,为移动机器人多传感信息融合位姿估计过程提供多源传感器冗余运动观测信息。其次,依据非线性优化理论对移动机器人多传感信息融合位姿估计进行研究。通过对多传感信息非线性优化融合方法的研究,构建了含有单目视觉、IMU与轮式里程计相关信息的移动机器人运动观测滑动窗口模型,实现了多传感器冗余运动观测下的移动机器人运动观测残差最小二乘优化,最终通过多传感信息融合完成对移动机器人位置、姿态等运动状态信息的精准估计。然后,设计开发了一种基于上下位机控制结构的四轮差速移动机器人系统,并针对传统移动机器人速度控制方法实际性能较低的问题,提出了基于运动速度优化估计的移动机器人速度控制方法。根据多传感信息融合计算得到的轮式里程计速度测量偏差信息,实现移动机器人运动速度优化估计,并采用PID控制策略实现移动机器人速度控制,提升移动机器人在复杂环境下的速度控制性能。最后,根据移动机器人系统设计方案完成实验平台搭建,在此基础上分别进行移动机器人位姿估计实验与速度控制实验。相关实验结果表明,本文位姿估计方法在不同实验环境下具有较好的移动机器人位姿估计精度与稳健性;本文速度控制方法相较于传统速度控制方法,在移动机器人直线运动过程中具有较好的速度控制精度与环境适应力。
王京[4](2021)在《基于多源SAR数据青藏高原冻土冻融过程及时空分布研究》文中研究说明青藏高原独特的地理水文环境孕育了全球最大的永久冻土区。近年来在温度持续升高和工程活动的背景下,青藏高原冻土呈现出快速退化趋势,主要表现在活动层厚度增厚、冻土温度升高等。其中活动层位于永久冻土层上方,它的周期性的冻融过程能引起冻土地表发生季节性的抬升和沉降。另一方面,青藏铁路的建设和运营改变了冻土的温度场和应力场,进而造成铁路路基沉陷及附近热融滑塌等地质灾害。因此,开展大范围青藏高原和交通走廊沿线冻土形变监测、多年冻土的分布调查及活动层厚度估计研究对于青藏高原的环境、气候、寒区灾害预防、人类工程设施都具有重要科学意义。但是青藏高原自然环境恶劣,地貌景观异质性较强,采用常规的监测手段进行冻土研究存在很多缺陷。多源SAR卫星的发射和In SAR技术的突飞猛进,为青藏高原的研究提供了丰富数据源和技术支持。本论文利用Sentinel-1A数据、Terra SAR-X数据、ALOS-2 PALSAR-2数据开展青藏高原冻土冻融过程形变监测、冻土分布制图及活动层厚度反演研究,旨在为青藏高原冻土区的灾害防护和冻土环境生态保护提供科学依据和理论支撑。本文的主要内容及创新工作如下:(1)提出了基于超算平台的并行快速分布式散射体和相干散射体的时序In SAR技术(Parallel Fast Distribute Scatterer-Coherent Scatters In SAR,PFDSCSIn SAR),实现整个青藏高原的年平均形变速率反演。以TOPS干涉模式250km宽幅的Sentinel-1图像为数据源,针对CSIn SAR技术在青藏高原自然地表存在点目标不足和分布式散射体技术(Distribute Scatterer interferometry,DSI)处理效率较低等问题,通过融合分布式散射体(Distribute Scatterer,DS)来提高青藏高原点目标的密度,并提出DSI并行策略提升DSI算法的计算效率以适合青藏高原大区域形变解算。在DSI处理流程中,提出基于积分图的置信区间方法来提取同质像素点,针对中低分辨率SAR图像存在多种散射机制和最优相位计算迭代耗时问题,采用奇异值分解方估计DS点的最优相位。研究表明,PFDS-CSIn SAR与CSIn SAR技术对比,极大提高了低相干冻土区的干涉图质量并提高了测量点的密度。并行DSI方法将35h完成的整景Sentinel-1数据(4:20多视比)的DSI处理流程时间减少至30min,运行效率提高了近60倍。PFDS-CSIn SAR实验结果显示2018~2019年青藏高原年平均形变速率为-56~56mm/yr。青藏高原冻土形变与活动层厚度、土壤含水量呈现出弱相关关系,与年平均地表温度呈现出强相关关系。(2)提出了基于季节性形变模型的自适应分布式散射体技术和基于In SAR时序形变量冻土分布制图的新方法,实现青藏铁路格尔木至拉萨段冻土冻融过程的形变监测和冻土分布制图。以TOPS干涉模式250km宽幅的Sentinel-1图像和ERA5-Interim再分析的日空气温度为数据源,针对永久散射体(Persistent Scatterer Interferometry,PSI)技术应用于青藏铁路沿线形变监测过程中存在的PS点(Persistent Scatterer)不足和形变模型适用性等问题,本研究融合分布式散射体并构建基于归一化的冻融指数的季节性形变模型来对青藏铁路沿线冻土的季节性形变进行求解。在DSI处理流程中提出基于初始数据块协方差矩阵Shapiro–Wilk W检验的同质像素点提取方法,使用稳健的M-estimator估计方法估计初始协方差矩阵。在最优相位估计中采用Phase Linking方法对最大似然估计算法进行求解,同时为了加快迭代求解速度,提出基于EMI(Eigendecomposition-based Maximum-likelihoodestimator)方法的初始解作为迭代的初始条件,进而提升最优相位求解速度和精度。基于上述求解的季节性形变量、时序形变量和日空气温度数据,分析青藏铁路沿线不同地区的冻融过程。最后采用Savitzky-Golay滤波算法对In SAR时序形变量做预处理并利用非监督ISODATA分类方法进行冻土分布制图。实验结果表明:2017/03/16~2020/03/24期间研究区季节性振幅范围为-70~20mm/yr,LOS形变速率范围为-40.0~20.0mm/yr。青藏铁路沿线10公里缓冲区的季节性形变范围为-50~10mm/yr。沉降区域较大的路段集中在格尔木至西大滩、不冻泉至可可西里、五道梁至北麓河、风火山至乌丽、沱沱河至雁石坪、唐古拉山至安多、那曲至当雄、羊八井至拉萨。经验证,In SAR时序测量值与四个地点的水准测量值的相关系数分别为0.93、0.91、0.89、0.83。此外,基于日空气温度数据和时序形变量变化发现青藏铁路沿线不同地区冻土的冻融循环时间不同。基于时序In SAR形变量冻土分类结果将冻土区分类为永久冻土区、季节性冻土区和退化永久冻土区,分类结果与赵林等人冻土分类结果基本一致。(3)基于多源SAR数据分析永久冻土区不同地貌景观冻土冻融过程的形变,并提出基于分层土壤含水量和分层土壤孔隙度活动层厚度反演方法,实现北麓河地区不同地貌景观冻土的活动层厚度的反演。以Sentinel-1数据、Terra SAR-X数据、ALOS-2 PALSAR-2数据为数据源,针对北麓河地区冻土分布异质性强且地貌类型复杂等问题,提出基于分层土壤含水量和分层土壤孔隙度的活动层厚度估计方法,并构建季节性形变模型与新小基线集(New Small baseline Subsets,NSBAS)集成的方法流程,获得了北麓河地区不同地貌景观的季节性形变特征和活动层厚度,并分析不同传感器反演的形变和活动层厚度,探索多源SAR数据在永久冻土区冻融过程形变和活动层厚度反演的适用性和差异性。多源SAR数据形变结果表明季节性形变较大的地区主要集中在热融湖周围,辫状河平原、盆地地区、冰川的季节性径流地区以及河漫滩地区。Sentinel-1和ALOS-2 PALSAR-2数据对比结果表明季节性形变量的形变趋势较为一致,但是线性形变速率存在较大的差别。Sentinel-1与Terra SAR-X数据表现出较好的一致性,季节性形变和线性形变速率相关系数分别为0.78和0.84。三种传感器形变结果显示北麓河地区6个典型地物的季节性形变趋势一致。高寒草甸和河漫滩地区的季节性形变高于高寒荒漠和裸地区。结合北麓河地区日气温数据、土壤含水量、GPR数据发现冻土形变与温度、土壤含水量以及活动层厚度具有重要关系。三种传感器反演活动层厚度结果范围分别为0.3~4.23m、0.3~4.04m、0.3~4.54m,且不同地貌景观的活动层厚度差异明显。三种传感器反演活动层厚度与与探地雷达实测数据对比,可发现ALOS-2 PALSAR-2数据反演的活动层厚度在不同地貌景观区域的相关性最好,分别为0.87、0.78、0.89、0.80。Terra SAR-X数据和Sentinel-1在河漫滩地区反演的活动层厚度相关性较差,分别为0.59和0.63。本文提出的活动层厚度估计方法为青藏高原冻土区活动层厚度反演提供了有效方案。
韩学艳[5](2021)在《水下目标参数估计关键技术研究》文中研究表明现代海洋防御系统可综合利用监视、探测和反潜等手段对水下目标进行及时发现、识别、估计和跟踪,对我国维护海洋安全和提高海洋防御能力起到至关重要的作用。水下目标参数估计技术作为现代海洋防卫系统中不可或缺的一部分,已经成为海洋科技领域的研究热点与难点之一。水下目标方位估计和目标跟踪作为水下目标参数估计领域的两个基本问题,目标方位估计可为目标跟踪提供准确的量测信息,因此目标方位估计是实现高精度目标跟踪的前提条件。本文首先研究了目标方位估计技术,然后在此基础上研究了目标跟踪技术。总的来说,本文的主要研究工作和贡献如下:(1)针对由网格失配导致的离网误差问题,提出一种基于矢量传感器阵的窄带信号离网方位估计方法。首先利用目标在空间中的稀疏性,通过基于联合稀疏重构的粗方位估计来确定目标真实方位所在的网格点。然后利用泰勒级数一阶展开来对目标真实方位的方向矢量进行精确逼近,实现对离网误差的精确估计。算法可以有效消除离网误差,提高目标方位估计精度。(2)针对水下多径环境对方位估计造成的影响,提出一种基于空间时频分布的水下多径信号被动频率和方位估计方法。该方法将传统的阵列信号处理技术与时频分布相结合以获得信号的空间时频分布矩阵,采用多脊线检测算法将具有不同时频分布特性的多径信号的不同路径进行分离,逐个处理,实现了在被动场景和欠定条件下对空间密集型多径信号(不同路径的方位重叠或接近)频率和方位的准确估计。(3)针对稀疏欠采样条件下的宽带信号方位估计问题,提出一种基于空时联合稀疏采样的宽带目标方位估计方法。该方法在时域采用多陪集采样系统进行稀疏采样,并利用采集的少量信息估计信号的频谱。在空间域上采用扩展互质阵列进行空间稀疏采样,通过求解基于联合稀疏重构的优化问题,在时域和空域均欠采样条件下实现宽带信号方位的准确估计。(4)针对跟踪系统能源受限的问题,提出一种基于纯方位的水下目标跟踪方法。该方法在每一时刻根据节点的信息效用、剩余能量以及消耗能量采用自适应节点选择方法动态选择新的簇头和簇成员,然后组成一个新的跟踪簇来参与目标的被动跟踪过程。通过引入分布式融合估计过程,采用线性最小方差融合准则来求得最优融合状态估计。算法在跟踪误差收敛的条件下能有效降低系统能耗。
汪涛[6](2020)在《INS/WIFI位置指纹的室内定算法与实现》文中研究说明科技的发展带动人们日常生活质量的提升,给位置服务精度及其使用场景提出了新的要求,基于智能手机的室内定位是解决卫星信号在室内环境下无法进行定位的方案之一,随着智能手机的发展,其给室内定位带来的便利性有目共睹。本文基于智能手机研究WiFi位置指纹定位、INS的行人推算定位和WiFi/INS的融合定位。主要的研究内容如下:1、本文针对WiFi定位数据波动大的特点,通过对比几种数据预处理方法后选择采用优化的Kmeans聚类方法对数据进行预处理建库,WiFi定位在线匹配阶段再对几种经典定位算法进行分析,对WKNN算法进行优化,实验证明,优化的WKNN算法较之经典的WKNN算法在精度方面提高23.6%,且优化的WKNN算法在4.0m以内的误差占比为94.3%,而WKNN算法在4.0m以内的误差占比为77.1%,有较为明显的提升。2、PDR的短时高精度特性可以弥补WiFi信号波动大的短板,本文将PDR定位分为三个方面:步数检测、步长估计和航向检测,采用波峰检测方法,并设定动态阈值对步数的判断进行优化,步数检测的准确率平均在95.0%左右。选择线性步长模型对实验者进行步长估计,使用滤波处理航向角中由于用户的细微抖动带来的数据波动。3、本文针对WiFi定位波动性大和PDR定位的误差会持续累计的缺点,结合WiFi定位每个定位点之间互不干扰和PDR定位具有短时高精度的优点,采用扩展卡尔曼对两者的数据进行融合,取长补短。实验结果证明,融合后的位置平均精度比WiFi定位的平均精度高69.0%,且没有PDR定位误差累计的特点。图[35]表[6]参[80]
钱炳锋[7](2020)在《足球机器人阵列天线的自适应信号处理算法研究》文中提出大场地足球机器人比赛是人工智能、视觉与传感、通讯、控制科学等交叉学科应用的典型,需要同时监测空中和地面的足球运动轨迹,解决传统机器人存在对环境适应能力不强或者受光线影响大等问题,还需要面对复杂的电磁干扰、噪音和杂波环境。阵列天线具有波束控制灵活的独特优点,能满足多目标跟踪与识别、强自适应抗干扰能力和高可靠性等功能的要求,本文主要对阵列天线足球机器人自适应信号处理算法开展研究。自适应波束形成(ADBF)技术可以在电磁工作环境恶化和大量射频干扰存在的情况下,通过对权值的自适应控制达到增强目标信号、抑制干扰信号的目标,从而实现空域滤波。研究并提升自适应处理算法的实时与稳健性就有着极为重要的理论意义与工程价值。本文紧密围绕阵列天线抗干扰和杂波抑制的解决方法,分别对足球机器人阵列天线信号模型、快速自适应波束形成与空时自适应处理、基于敏感函数信源估计的特征干扰相消波束形成算法和基于对称多处理器(SMP)的超大点数FFT算法四个方面开展研究,具体研究了以下内容。首先,本文详细从数学模型对足球机器人阵列天线的信号模型和自适应处理准则进行了分析。研究了在一定条件下的三种准则,发现这些不同优化准则是等价的,为不同自适应结构和ADBF方法的相互转化提供了理论条件。提出了足球机器人阵列天线杂波分布特性、空时自适应处理原则与杂波抑制性能的评价体系。天线平台运动导致杂波回波信号具有颇为严重的空时耦合属性,通过采样矩阵来进行求逆运算可解决该问题。同时研究杂波抑制性能评价体系,主要是通过输出信干噪比(SINR)以及系统改善因子来实现。第二,研究了基于敏感函数信源估计的特征干扰相消波束形成算法。传统的自适应波束形成算法运算量较大,对硬件设备要求较高;而且对系统误差的稳健性较差。针对传统特征干扰相消波束形成(EC)算法在无法估计信源数目等场合的自适应波束所形成的问题,提出了使用敏感函数信源估计的稳健特征干扰相消波束形成(REC)算法。该算法能利用敏感函数对信号干扰子空间的信源数目进行有效的估计,而且可以利用空间谱搜索的方式,判断并剔除主瓣内目标信号对自适应权矢量计算的影响。因此,无论目标信号是否包含在训练样本中,该算法的抗干扰性能都得到了良好体现。第三,研究了快速自适应波束形成和空时自适应处理。本文对采样协方差矩阵进行Gram-Schmidt(GS)正交化的RGS算法进行了提高抑制干扰性能的研究,发现RGS算法可以充分利用快拍数据信息,在较少的快拍数时就能有效抑制干扰,达到理想的性能输出。此外,针对空时自适应处理(STAP)技术在实际系统中的应用存在杂波子空间泄露现象,研究了在杂波子空间泄露情况下的基于两级降维的稳健部分自适应STAP算法,该算法能有效改善STAP算法在杂波子空间泄露情况下的性能。第四,研究了使用对称多处理器的超大点数快速傅里叶变换算法。快速傅里叶变换(FFT)算法有处理器资源有限和执行效率降低两大问题。在空时自适应处理(STAP)系统中,为了最大限度提升FFT算法实现效率,FFT的实现过程要结合处理器的特性,针对特有平台来编写实现。本文通过分析对称多处理器(SMP)并行处理系统架构特点,给出一种适用于SMP的超大点数FFT算法,并解决了改进超大点数FFT算法带来的三个问题。本文在足球机器人阵列天线信号模型的基础上,提出干扰和杂波信号模型、最优波束形成准则和杂波抑制性能评价体系等;提出基于敏感函数信源估计的特征干扰相消波束形成算法,不管训练样本中是否有目标信号均能取得良好的抗干扰性能;提出快速自适应波束形成算法和空时自适应处理技术,更准确地估计干扰子空间和提高杂波子空间泄露下的性能;提出基于SMP的超大点数FFT算法,能节省近1/2的存储资源,提升大点数FFT处理速度的同时,提高了信号处理的实时性。本研究用的足球机器人阵列天线可以提升竞赛监控以及目标探测能力,还能对多目标跟踪与辨识给予很好的满足,同时满足高可靠性与自适应性、实时性等性能方面的要求。
东方[8](2020)在《MIMO阵列稳健参数估计方法研究》文中提出随着多输入多输出(Multiple Input Mutltiple Output,MIMO)通信技术的发展,MIMO阵列技术成为了当前研究的热点,尤其在阵列雷达应用方面。在实际应用环境中,MIMO阵列系统往往面临非正交波形、收发阵列互耦、空域色噪声等不理想情况,传统的参数估计算法,尤其是目标的波达方向(direction of arrival,DOA),性能急骤下降,甚至失效。因此研究在非正交波形、收发阵列互耦、菲均匀噪声条件下实现目标稳健高精度的参数估计具有非常重要的理论意义和应用价值。本文针对非正交波形、收发阵列互耦、菲均匀噪声的情况,研究MIMO阵列系统中稳健的参数估计方法,本文主要研究内容如下:1.建立MIMO阵列系统的信号模型,对数学模型的基本特性展开分析。然后在理想条件下基于子空间的波达方向估计算法,主要涉及基于噪声子空间的谱峰搜索类和基于信号子空间的旋转不变子空间类,阐述了它们的基本原理,并利用仿真实验进行验证分析。针对不同的算法,得到相应的基本结论。2.研究发射阵列的波形不满足相互正交特性条件下,在MIMO阵列中如何实现稳健的高精度波达方向估计。首先建立非正交波形条件的MIMO阵列信号模型,并介绍了利用无噪协方差矩阵的低秩特质与稀疏结构来估计无噪声协方差矩阵,接着利用传统的子空间类算法来确定波达方向。然后提出一种改进型的传播算子估计方法,通过利用互相关技术可以消除由波形引起的空间色噪声,然后利用传播算子和子空间旋转不变技术获得波达方向估计。该方法不涉及高维矩阵的特征分解,具有高运算率,同时为波达方向估计提供了闭式解。最后通过仿真实验对算法进行了分析与验证。3.研究收发阵列互耦条件下,在MIMO阵列中如何实现稳健的高精度波达方向估计。首先分析了信号空域稀疏特性及信号空域稀疏模型(包括理想条件下和互耦误差条件下),并介绍了理想条件下基于稀疏恢复的L1-SVD进行DOA估计的算法,通过实验仿真结果表明此算法在互耦误差存在的条件下是失效的。然后针对现存算法在未知互耦误差条件下的局限性,介绍了一种新型的块结构表示信号模型,基于此模型提出了一种重加权L1范数约束最小化算法。该算法能够有效的解决互耦条件下MIMO阵列的波达方向估计问题。最后通过仿真实验对算法的性能进行分析与验证。4.研究在非均匀噪声条件下,在MIMO阵列中如何实现稳健的高精度波达方向估计。首先阐述了稀疏贝叶斯学习的基本理论,然后对非均匀噪声条件下基于稀疏贝叶斯学习的MIMO阵列稳健参数估计方法进行研究,并提出了一种未知非均匀噪声条件下基于实值SBL的稳健参数估计方法。与基于子空间的方法和基于L1范数优化的方法不同,所提出方法通过使用稀疏贝叶斯视角将DOA估计问题公式化为超参数学习过程。最后通过仿真实验对算法的性能进行分析与验证。
刘智鑫[9](2020)在《高速机动辐射源目标无源定位关键技术研究》文中认为现代高科技局部战争的实践表明,如何隐蔽、高效、准确地获取战场态势至关重要。鉴于此,无源定位逐渐成为电磁态势感知和目标信息获取的重要手段之一。近年来,部署在我国周边的敌方空中军事目标日益增多,严重威胁国家安全,对该类高速机动辐射源进行无源侦察,提升我国空天防御能力,成为信息保障的迫切需求。本文根据高速机动辐射源特点,充分利用其动态性和非线性信息,对多站信号分选与配对、动态常规信号的定位参数估计、动态跳频信号的定位参数估计以及目标定位测速等难点问题展开深入研究,完善及丰富了无源定位理论体系,为动目标多站无源定位中的信号分选、参数估计、定位解算提供理论支撑。论文的主要工作如下:1、针对现有多站分选方法虚警、漏警率高,对超低重频脉冲分选正确率低,且不具备稳健单脉冲分选能力的问题,提出了约束准则下的扩展时差直方图脉冲分选配对方法。该方法在获取时差直方图前引入关于脉冲对参数的约束准则,大幅降低无关脉冲配对机会,从根本上减少虚假时差和噪声时差,提高有效时差占比;而后采用扩展和递归算子依次提取各辐射源脉冲序列并完成配对。仿真实验表明,该方法有效提高了复杂电磁环境下脉冲分选的正确率,大幅改善了以往分选高重频和超低重频辐射源虚警率、漏警率高的问题,实现了对脉冲数极少的超低重频和单脉冲的准确分选与配对。2、针对现有高动态条件下定位参数估计算法性能损失严重、抗噪性弱、计算复杂度高的问题,本文提出了基于频域对称自相关和变尺度傅里叶变换(SFT)的距离差(RD)和距离差变化率(RDR)联合估计算法。算法无搜索过程,计算复杂度低。对于存在复杂运动特性的高速机动辐射源,由于接收信号动态性提升,需考虑高阶参量二阶距离差变化率(SRDR)。为此,本文从高效率和高精度两个角度出发,分别提出了基于二阶Keystone变换(SKT)和吕分布(LVD),以及基于SKT和非均匀傅里叶变换(NUFFT)的RD、RDR和SRDR联合估计算法。两算法均能有效解决高速机动目标复杂距离徙动校正与多普勒徙动补偿的问题,且未使用恒定延迟相关操作,抗噪性明显优于现有算法。前者计算复杂度低,能够良好平衡复杂度与性能之间的矛盾关系;后者估计性能较优,但复杂度有所上升,实际应用中可根据需求进行算法选择。3、针对现有跳频信号的定位参数估计算法高动态场景适应性弱、且频差跳变,信号可利用长度有限,制约估计精度的不足,本文建立了跳频信号的时变基线观测量估计模型,提出了基于频率翻转变换(FRT)和SFT的RD和RDR联合估计算法。算法利用FRT消除由跳频引起的随机相位,而后借助SFT对齐信号包络和相位,充分积累所有脉冲,提升估计性能。对于侦察高速机动跳频辐射源,需要同时面临高动态特性和随机多普勒徙动现象。为此,本文提出了基于SFT和变尺度非均匀傅里叶变换(SNUFFT)的跳频信号RD、RDR和SRDR联合估计算法。算法借助变频互相关函数解决了随机多普勒徙动影响信号相参性的问题;而后利用SFT和SNUFFT校正距离徙动,并对信号能量聚焦,完成参数估计。仿真结果表明,该算法能够适应高动态跳频场景,且估计性能显着优于现有算法。此外,所提算法均能在无载频先验信息的条件下估计RD、RDR和SRDR,可直接用于定位解算,而非估计传统的时差、频差和频差变化率,有效解决了跳频信号中频差和频差变化率不唯一,从而难以精准估计的问题。4、针对传统定位算法稳健性不足,高阶观测量利用不充分,且迭代过程易陷入局部最优的问题,本文提出了联合RD、RDR和SRDR的目标定位测速解析算法。算法遵循两步加权最小二乘的基本框架,通过引入辅助参数,线性化定位方程,借助加权最小二乘初步求解;而后利用辅助参数与目标状态信息之间的函数关系,再次构建线性方程并二次求解,进一步提高定位精度。在此基础上,扩展定位模型,设计了存在站址误差条件下的目标定位测速解析算法,同时给出了该场景下的定位克拉美罗下界。理论分析与实验结果表明,算法无矩阵秩亏现象,消除了传统算法的不稳健区域,且将SRDR纳入解算,无迭代过程,在保证算法收敛性的同时大幅提升了动目标定位测速精度。
鲁彦希[10](2020)在《网络化雷达协同探测与资源管理研究》文中指出最近几年,雷达之间通过组网连接形成网络化雷达系统,来提高目标的探测性能的方式受到了学者们广泛的关注。网络化雷达系统可由不同体制,不同工作频段,在空间上广泛分布的雷达节点连接组成。一方面,通过多样化多层次的信息融合,网络化雷达能够协同地提高对目标的探测性能。另一方面,由于多个雷达节点带来的自由度,网络化雷达系统具备极高的灵活性和适应性。因此,它可以通过资源管理技术来实现目标协同探测性能和资源消耗之间较好的折中,以及不同探测环境下的应变能力。网络化雷达目标协同探测与资源管理的问题可以被分类为针对单次检测和估计问题下的静态资源配置,或者针对连续多次估计问题也就是目标跟踪的动态资源调度。围绕以上问题,本文根据不同的网络化雷达协同探测场景和目的,设计了不同的资源优化算法,主要的贡献和创新如下:1.针对分布式多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达在杂波环境下协同检测,建立了以信息距离为检测性能表征的雷达节点发射功率分配优化模型。推导了非凸目标函数的凸上界函数,提出了基于优化极小化(Maj orization Minimization,MM)框架的优化算法。实现了发射节点功率高效优化分配与分布式MIMO雷达检测性能提高。2.针对有限节点数下分布式MIMO雷达目标的协同定位,推导了基于克拉美罗下界(Cramer Rao Lower Bound,CRLB)的区域定位性能准则。利用理想信号假设,建立了收发节点优化选择模型,提出了基于半正定规划(Semi-Definite Programming,SDP)的优化求解算法;对于一般化的信号模型,建立了双凸收发节点优化选择模型,提出了基于非线性交替方向乘子法(Nonlinear Alternating Direction Method of Multipliers,NADMM)的求解算法。实现了 低复杂度的收发节点优选与有限节点数下分布式MIMO雷达的区域协同定位性能优化。3.研究了网络化相控阵雷达与电子系统区域(Electronic System Area,ESA)在频谱共存需求下多目标协同跟踪。建立了频谱共存信号模型。以后验克拉美罗下界(Posterior Cramer Rao Lower Bound,PCRLB)为协同跟踪性能表征,建立了空频感知网络化雷达动态资源调度优化模型。针对资源优化问题的随机非凸性,提出了基于凸松弛的两步优化算法。实现了在雷达与ESA频谱共存需求下的网络化相控阵雷达多目标协同跟踪性能优化。4.研究了资源受限背景下分布式网络化共置MIMO雷达系统多目标协同跟踪。以雷达系统资源整体消耗和优先级代价项为目标函数,以PCRLB表征的跟踪性能需求为约束,建立了自适应资源动态优化调度模型。基于资源优化问题的可分结构,提出了分布式次梯度优化算法。考虑到由资源调度造成的雷达观测子集变化问题,提出了一个适当的分布式信息融合准则及跟踪算法。通过分布式资源优化算法与跟踪算法,实现了资源自适应的网络化共置MIMO雷达分布式闭环跟踪。
二、基于噪声方差估计的稳健融合算法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于噪声方差估计的稳健融合算法(论文提纲范文)
(1)外弹道跟踪测速数据处理方法研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 外弹道跟踪测速测量系统 |
1.2.1 短基线干涉仪测量系统 |
1.2.2 高精度多测速测量系统 |
1.3 外弹道跟踪测速数据处理流程概述 |
1.4 国内外研究现状 |
1.5 论文研究内容与结构 |
2 测速数据预处理 |
2.1 基于RANSAC算法的野值识别算法 |
2.1.1 外测数据野值模型的构建 |
2.1.2 基于RANSAC算法的野值识别原理 |
2.1.3 算法实现与分析 |
2.2 基于重采样和近邻聚类的特征点识别算法 |
2.2.1 外测数据中的特征点 |
2.2.2 基于重采样和近邻聚类的特征点识别算法原理 |
2.2.3 算法实现与分析 |
2.3 本章小结 |
3 弹道参数的自定位以及融合技术 |
3.1 多测速测量数据弹道自定位技术 |
3.1.1 3RR和3SS体制定位与测速 |
3.1.2 一主多副跟踪测量自定位技术 |
3.1.3 算法实现与分析 |
3.2 基于数据驱动的LUMV数据融合方法 |
3.2.1 动态环境干扰下的多传感系统和LUMV估计 |
3.2.2 基于数据驱动的LUMV数据融合方法 |
3.2.3 算法实现与分析 |
3.3 本章小结 |
4 弹道参数最优估计 |
4.1 最优卷积平滑算法 |
4.1.1 卷积平滑算法 |
4.1.2 最优卷积平滑算法 |
4.1.3 算法实现与分析 |
4.2 最优三次光滑样条平滑算法 |
4.2.1 三次光滑样条 |
4.2.2 最优三次光滑样条平滑算法 |
4.2.3 算法实现与分析 |
4.3 本章小结 |
5 软件实现 |
5.1 软件系统开发环境与开发平台 |
5.2 软件系统设计框架和逻辑结构 |
5.3 软件系统的操作流程和使用实例 |
5.4 软件系统的验证和评价 |
5.5 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
攻读学位期间主要研究成果 |
(2)非线性平差验后方差估计的EM算法及其应用研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 非线性模型参数迭代算法研究现状 |
1.2.2 验后方差估计原理研究现状 |
1.2.3 不完全观测理论与EM算法研究现状 |
1.2.4 非线性平差验后方差估计研究中存在的不足 |
1.3 论文的研究目的和内容 |
1.3.1 研究目的 |
1.3.2 研究内容 |
1.4 本章小结 |
2 Partial EIV模型先验随机模型修正因子估计的EM算法及其可估性研究 |
2.1 概述 |
2.2 常用方差分量估计方法 |
2.2.1 最小二乘方差分量估计 |
2.2.2 限制性极大似然估计 |
2.3 EM算法 |
2.3.1 EM算法的基本原理 |
2.3.2 EM算法的收敛性 |
2.4 非负方差分量估计的EM算法及改进算法 |
2.4.1 Partial EIV模型 |
2.4.2 Partial EIV模型方差分量估计的EM算法 |
2.4.3 方差分量非负性分析 |
2.4.4 非负方差分量估计的改进算法 |
2.5 算例及分析 |
2.5.1 直线拟合模型 |
2.5.2 四参数平面坐标转换模型 |
2.6 本章小结 |
3 非线性自调优联合概率模型验后方差估计的变分EM算法 |
3.1 概述 |
3.2 顾及多元t分布误差的非线性联合平差模型 |
3.3 非线性自调优联合平差模型的变分EM算法 |
3.3.1 附有先验信息的非线性自调优变分推断方法 |
3.3.2 变分EM算法:计算变分分布 |
3.3.3 变分EM算法:变分分布参数估计 |
3.4 算例及分析 |
3.4.1 Mogi模型 |
3.4.2 Mogi模型蒙特卡洛分析 |
3.4.3 Calbuco火山联合反演 |
3.5 本章小结 |
4 含缺值非线性GNSS坐标时间序列验后方差波动估计模型构建方法 |
4.1 概述 |
4.2 含缺值非线性坐标时间序列模型构建方法 |
4.2.1 含缺值非线性坐标时间序列模型 |
4.2.2 Lomb-Scargle变换法周期项提取 |
4.2.3 现有噪声模型分类 |
4.3 现有AR噪声模型的建模与EM算法缺值估计 |
4.4 含缺值坐标时间序列验后方差波动模型的构建与估计 |
4.4.1 ARCH-LM方差波动效应检验 |
4.4.2 AR-GARCH验后方差波动模型与EM缺值估计 |
4.4.3 AR-GARCH模型的阶数确定 |
4.5 算例及分析 |
4.5.1 数据来源与说明 |
4.5.2 线性趋势项 |
4.5.3 线性趋势项+周期项 |
4.6 本章小结 |
5 GNSS测站非线性速度场模型构建及其EM算法稳健验后方差波动估计 |
5.1 概述 |
5.2 GNSS测站非线性速度场稳健观测模型 |
5.2.1 函数模型 |
5.2.2 稳健AR-GARCH随机模型 |
5.3 非线性速度场稳健观测模型处理的EM算法 |
5.3.1 引入隐变量与期望计算 |
5.3.2 参数的极大似然估计 |
5.4 非线性速度场模型稳健识别与模型选择 |
5.4.1 稳健识别 |
5.4.2 模型选择 |
5.5 算例及分析 |
5.5.1 算法验证 |
5.5.2 模拟实验 |
5.5.3 真实实验 |
5.6 本章小结 |
6 结论与展望 |
6.1 本文主要工作总结 |
6.2 对下一步工作的展望 |
参考文献 |
攻读硕士学位期间的论文、主要学术活动及获奖情况 |
致谢 |
(3)移动机器人多传感信息融合位姿估计与速度控制研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 视觉位姿估计研究现状 |
1.2.2 IMU与轮式里程计位姿估计研究现状 |
1.2.3 多传感信息融合位姿估计研究现状 |
1.2.4 移动机器人速度控制研究现状 |
1.3 论文研究主要内容 |
1.3.1 研究内容 |
1.3.2 章节安排 |
第二章 移动机器人多传感信息融合前端处理 |
2.1 引言 |
2.2 单目视觉传感信息处理 |
2.2.1 单目视觉传感器成像模型 |
2.2.2 视觉特征提取与匹配 |
2.2.3 视觉关键帧间位姿估计 |
2.3 IMU传感信息处理 |
2.3.1 IMU测量模型 |
2.3.2 IMU关键帧间运动估计 |
2.4 轮式里程计传感信息处理 |
2.4.1 轮式里程计测量模型 |
2.4.2 轮式里程计关键帧间位姿估计 |
2.5 运动观测尺度初始校准 |
2.5.1 IMU旋转观测尺度初始校准 |
2.5.2 单目视觉与IMU运动观测尺度初始校准 |
2.5.3 轮式里程计旋转观测尺度初始校准 |
2.6 本章小结 |
第三章 移动机器人多传感信息融合位姿估计 |
3.1 引言 |
3.2 移动机器人多传感信息融合位姿估计方法 |
3.2.1 移动机器人运动观测滑动窗口模型 |
3.2.2 移动机器人运动观测残差非线性优化模型 |
3.2.3 移动机器人运动观测残差增量优化函数 |
3.3 单目视觉运动约束 |
3.3.1 单目视觉运动观测残差 |
3.3.2 单目视觉运动观测残差优化相关矩阵 |
3.4 IMU运动约束 |
3.4.1 IMU运动观测残差 |
3.4.2 IMU运动观测残差优化相关矩阵 |
3.5 轮式里程计运动约束 |
3.5.1 轮式里程计运动观测残差 |
3.5.2 轮式里程计运动观测残差相关矩阵 |
3.6 滑动窗口先验约束 |
3.6.1 滑动窗口边缘化原理 |
3.6.2 滑动窗口先验约束计算方法 |
3.7 本章小结 |
第四章 移动机器人系统设计与速度控制 |
4.1 引言 |
4.2 移动机器人硬件系统设计 |
4.2.1 移动机器人硬件系统设计方案 |
4.2.2 移动机器人主要结构与装配设计 |
4.3 基于ROS的移动机器人控制系统设计 |
4.3.1 移动机器人控制系统功能设计 |
4.3.2 移动机器人控制系统通讯设计 |
4.4 基于运动速度优化估计的移动机器人速度控制 |
4.4.1 移动机器人运动速度优化估计 |
4.4.2 移动机器人PID速度控制策略 |
4.4.3 基于运动速度优化估计的移动机器人速度控制系统 |
4.5 本章小结 |
第五章 移动机器人实验平台搭建与实验分析 |
5.1 引言 |
5.2 移动机器人实验平台 |
5.2.1 实验平台硬件系统 |
5.2.2 实验平台控制系统 |
5.2.3 传感器参数标定 |
5.3 移动机器人位姿估计实验 |
5.3.1 室内大厅环境下移动机器人位姿估计实验 |
5.3.2 室内走廊环境下移动机器人位姿估计实验 |
5.3.3 室外环境下移动机器人位姿估计实验 |
5.4 移动机器人速度控制实验 |
5.4.1 移动机器人速度估计精度实验 |
5.4.2 移动机器人速度控制精度实验 |
5.5 本章小结 |
第六章 结论与展望 |
6.1 论文总结 |
6.2 创新点 |
6.3 展望 |
致谢 |
参考文献 |
附录1 IMU运动观测残差雅可比子矩阵表达式 |
附录2 IMU相邻关键帧间运动状态优化变量误差公式 |
附录3 轮式里程计运动观测残差雅可比子矩阵表达式 |
附录4 轮式里程计相邻关键帧间运动状态优化变量误差公式 |
附录5 作者在攻读硕士学位期间取得的成果 |
(4)基于多源SAR数据青藏高原冻土冻融过程及时空分布研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 InSAR技术的研究现状 |
1.2.2 青藏高原冻土形变监测研究现状 |
1.2.3 青藏高原交通工程沿线形变监测研究现状 |
1.2.4 青藏高原冻土活动层厚度反演研究现状 |
1.2.5 青藏高原冻土分布研究现状 |
1.2.6 有待研究的问题 |
1.3 论文的研究内容与章节安排 |
1.3.1 研究内容 |
1.3.2 章节安排 |
第2章 青藏高原形变和活动层厚度反演InSAR方法研究 |
2.1 引言 |
2.2 青藏高原冻土冻融过程形变反演InSAR技术 |
2.2.1 永久散射体技术 |
2.2.2 分布式散射体技术 |
2.3 青藏高原冻土InSAR形变模型 |
2.4 基于InSAR技术的活动层厚度反演方法 |
2.4.1 基于季节性形变量活动层厚度反演方法 |
2.4.2 基于热传导定律的活动层厚度反演 |
2.4.3 基于MT-InSAR形变和多维土壤水分分布的活动层厚度反演 |
2.5 本章小结 |
第3章 基于超算平台PFDS-CSInSAR技术青藏高原形变反演 |
3.1 引言 |
3.2 PFDS-CSInSAR技术 |
3.2.1 Sentinel-1 数据预处理和干涉流程 |
3.2.2 CSI处理 |
3.2.3 DSI处理 |
3.2.4 DSI并行策略 |
3.2.5 时序InSAR流程 |
3.2.6 多轨InSAR形变结果拼接 |
3.3 青藏高原介绍 |
3.4 实验数据集 |
3.5 实验结果及分析 |
3.5.1 DSI处理结果 |
3.5.2 青藏高原形变速率结果图 |
3.5.3 青藏高原形变速率成因分析 |
3.5.4 并行DSI处理效率分析 |
3.6 实验结果对比与验证 |
3.6.1 PFDS-CSIn SAR与 CSIn SAR结果对比 |
3.6.2 部分区域验证 |
3.7 本章小结 |
第4章 青藏铁路沿线冻土冻融过程形变监测及冻土分类 |
4.1 引言 |
4.2 基于季节性形变模型自适应分布式散射体技术 |
4.2.1 青藏高原自适应分布式散射体技术 |
4.2.2 基于季节性形变模型的时序解算部分 |
4.3 基于季节性形变模型时序形变结果冻土分类方法 |
4.4 研究区和数据集介绍 |
4.5 实验结果与分析 |
4.5.1 青藏铁路沿线自适应分布式散射体技术结果与分析 |
4.5.2 Sentinel-1 数据青藏铁路沿线季节性形变结果 |
4.5.3 青藏铁路沿线季节性形变结果区域性分析 |
4.5.4 青藏铁路沿线冻土分类制图结果与分析 |
4.6 青藏铁路沿线结果对比与验证 |
4.6.1 青藏铁路沿线形变结果与NSBAS技术对比 |
4.6.2 青藏铁路沿线水准数据验证 |
4.6.3 青藏铁路沿线冻土分类结果野外采样点验证 |
4.7 本章小结 |
第5章 多源SAR数据冻土冻融过程及活动层厚度时空分析 |
5.1 引言 |
5.2 NSBAS 技术和活动层厚度反演模型 |
5.2.1 NSBAS技术 |
5.2.2 基于NSBAS技术季节性形变活动层厚度反演模型 |
5.3 研究区和实验数据介绍 |
5.3.1 研究区 |
5.3.2 数据源 |
5.4 实验结果与分析 |
5.4.1 多源SAR数据形变参数估计结果与时空分析 |
5.4.2 北麓河地区形变结果分析 |
5.4.3 北麓河地区活动层厚度结果与分析 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.1.1 主要研究结论 |
6.1.2 主要创新点 |
6.2 存在问题与展望 |
参考文献 |
致谢 |
作者简历及攻读学位期间发表的学术论文与研究成果 |
(5)水下目标参数估计关键技术研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
缩写、符号清单、术语表 |
1 绪论 |
1.1 课题背景及研究意义 |
1.2 研究现状及分析 |
1.2.1 目标方位估计研究现状 |
1.2.2 基于水下传感器网络的水下目标跟踪研究现状 |
1.3 论文的研究内容 |
1.3.1 论文的组织结构 |
1.3.2 论文的具体研究内容 |
2 预备知识 |
2.1 窄带信号和宽带信号的定义 |
2.2 阵列信号接收模型 |
2.2.1 窄带信号阵列接收模型 |
2.2.2 宽带信号阵列接收模型 |
2.3 时频分析方法 |
2.4 无迹卡尔曼滤波算法 |
2.5 本章小结 |
3 基于联合稀疏重构的窄带目标方位估计 |
3.1 引言 |
3.2 基于声矢量阵列的信号接收模型 |
3.3 基于联合稀疏重构的粗方位估计 |
3.3.1 稀疏重构模型的建立 |
3.3.2 基于正则化M-FOCUSS的联合稀疏重构算法 |
3.3.3 基于奇异值分解的降维过程 |
3.4 基于导向矢量近似的精方位估计 |
3.5 算法性能评估与分析 |
3.5.1 仿真参数设置 |
3.5.2 方位估计算法的性能验证与分析 |
3.5.3 不同方位估计算法的性能比较与分析 |
3.6 本章小结 |
4 基于空间时频分布的多径目标频率和方位估计 |
4.1 引言 |
4.2 问题描述 |
4.2.1 多径信号模型 |
4.2.2 空间时频分布矩阵 |
4.3 基于多脊线检测的水下目标被动频率和方位估计 |
4.3.1 信源时频点的选择 |
4.3.2 自源时频点的选择 |
4.3.3 多径数目的估计算法 |
4.3.4 多脊线检测算法 |
4.3.5 基于TF-SPWVD-MUSIC的方位估计算法 |
4.4 基于最大最小距离的信源关联算法 |
4.5 算法性能评估与分析 |
4.5.1 仿真环境与参数设置 |
4.5.2 多脊线检测算法的性能验证与分析 |
4.5.3 方位估计的性能验证与分析 |
4.5.4 信源关联性能验证与分析 |
4.6 本章小结 |
5 基于空时联合稀疏采样的宽带目标方位估计 |
5.1 引言 |
5.2 问题描述 |
5.2.1 系统模型 |
5.2.2 基于空时稀疏采样的宽带信号接收模型 |
5.3 基于虚拟阵列的宽带信号方位估计 |
5.3.1 宽带信号的频谱估计 |
5.3.2 空间差分虚拟阵列的构建 |
5.3.3 降维过程 |
5.3.4 基于联合稀疏重构的方位估计 |
5.4 算法性能评估与分析 |
5.4.1 仿真参数设置 |
5.4.2 方位估计算法的性能验证与分析 |
5.4.3 不同方位估计算法的性能比较与分析 |
5.5 本章小结 |
6 基于纯方位的水下目标运动参数估计 |
6.1 引言 |
6.2 问题描述 |
6.2.1 网络模型 |
6.2.2 系统模型 |
6.2.3 跟踪模型 |
6.3 基于动态簇的水下目标被动跟踪算法 |
6.3.1 簇头的选择 |
6.3.2 簇成员的选择 |
6.3.3 分布式融合算法 |
6.3.4 跟踪算法 |
6.4 算法性能评估与分析 |
6.4.1 仿真环境设置 |
6.4.2 跟踪算法的性能验证与分析 |
6.4.3 自适应节点选择性能验证与分析 |
6.5 本章小结 |
7 总结与展望 |
7.1 研究工作总结 |
7.2 研究展望 |
参考文献 |
作者在攻读博士学位期间的科研成果 |
(6)INS/WIFI位置指纹的室内定算法与实现(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究的背景与意义 |
1.2 国内外研究现状 |
1.2.1 WiFi定位和惯性传感器定位的国内外研究 |
1.2.2 融合定位的国内外研究 |
1.3 论文的结构安排 |
1.3.1 论文的主要研究内容及技术路线 |
1.3.2 论文结构框架 |
2 室内定位相关理论基础 |
2.1 WiFi定位 |
2.1.1 基于测距的定位算法 |
2.1.2 位置指纹匹配定位算法 |
2.1.3 各经典定位算法精度仿真对比 |
2.2 惯性传感器定位 |
2.2.1 基于惯性传感器的积分定位算法 |
2.2.2 基于惯性传感器的行人航迹定位(PDR) |
2.3 WiFi和惯性传感器融合定位的算法 |
2.3.1 基本卡尔曼滤波 |
2.3.2 扩展卡尔曼滤波 |
2.4 本章小结 |
3 基于智能手机的WIFI数据采集和定位方法与研究 |
3.1 WiFi定位的基本流程 |
3.2 构造位置指纹数据库 |
3.3 在线匹配阶段算法研究 |
3.3.1 在线匹配算法实现 |
3.3.2 WiFi定位算法的模糊性分析 |
3.3.3 优化权重和K值的WKNN算法 |
3.4 WiFi单源定位实验及结果分析 |
3.4.1 定位实验 |
3.4.2 定位实验数据对比及精度分析 |
3.5 本章小结 |
4 基于智能手机惯性传感器导航的定位方法研究 |
4.1 步数检测 |
4.2 步长估计 |
4.3 航向检测 |
4.4 惯性传感器单源定位实验及结果分析 |
4.4.1 定位实验 |
4.4.2 定位实验数据对比与分析 |
4.5 本章小结 |
5 双源数据融合算法 |
5.1 融合算法类型及其分析 |
5.2 EKF的在数据融合中的应用 |
5.3 融合算法的定位实验和精度分析 |
5.4 本章小结 |
6 总结和展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
作者简介及研究成果 |
(7)足球机器人阵列天线的自适应信号处理算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究情况 |
1.2.1 稳健自适应波束形成算法 |
1.2.2 部分自适应STAP算法 |
1.2.3 稳健空时自适应处理算法 |
1.2.4 快速傅里叶变换 |
1.3 本文结构及主要内容 |
第2章 足球机器人阵列天线信号模型及处理原理 |
2.1 引言 |
2.2 竞赛足球机器人平台介绍 |
2.2.1 足球机器人机械结构 |
2.2.2 足球机器人电控系统 |
2.2.3 足球机器人阵列天线场景 |
2.3 自适应波束形成信号模型及处理原理 |
2.3.1 自适应波束形成信号模型 |
2.3.2 自适应波束形成处理原理 |
2.4 空时自适应处理信号模型及处理原理 |
2.4.1 空时自适应处理信号模型 |
2.4.2 空时自适应信号处理 |
2.5 本章小结 |
第3章 基于敏感函数信源估计的特征干扰相消波束形成算法 |
3.1 引言 |
3.2 经典的稳健自适应波束形成算法 |
3.2.1 对角加载算法 |
3.2.2 特征子空间算法 |
3.2.3 权矢量模约束算法 |
3.2.4 导向矢量不确定集约束算法 |
3.3 基于敏感函数的稳健特征干扰相消波束算法 |
3.3.1 波束形成器的敏感性 |
3.3.2 基于敏感函数信源估计的REC算法 |
3.4 计算机仿真验证 |
3.5 本章小结 |
第4章 快速自适应波束形成与空时自适应处理 |
4.1 引言 |
4.2 GS正交化的快速自适应波束形成 |
4.2.1 常规GS正交化算法 |
4.2.2 基于数据预处理的协方差矩阵GS正交化算法 |
4.3 稳健部分自适应STAP算法 |
4.3.1 杂波子空间泄露 |
4.3.2 杂波子空间稳健处理算法 |
4.3.3 基于两级降维的稳健部分自适应STAP算法 |
4.4 计算机仿真验证 |
4.5 本章小结 |
第5章 使用SMP的超大点数FFT算法 |
5.1 引言 |
5.2 SMP并行处理系统 |
5.3 改进型超大点数FFT算法 |
5.3.1 序列划分规则优化 |
5.3.2 铰链因子计算优化 |
5.3.3 数据分布和存储访问优化 |
5.4 实验验证 |
5.5 本章小结 |
第6章 总结和展望 |
6.1 总结 |
6.2 创新点 |
6.3 展望 |
参考文献 |
作者攻读博士学位期间的研究成果 |
致谢 |
(8)MIMO阵列稳健参数估计方法研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 MIMO阵列参数估计国内外研究现状 |
1.2.1 基于子空间技术的MIMO阵列参数估计研究现状 |
1.2.2 基于稀疏恢复技术的MIMO阵列参数估计研究现状 |
1.3 课题研究思路与内容 |
2 基于子空间技术的MIMO阵列参数估计方法 |
2.1 引言 |
2.2 MIMO阵列系统信号模型与特性 |
2.2.1 MIMO阵列系统信号模型 |
2.2.2 MIMO阵列系统的统计特性 |
2.3 基于空间谱搜索的参数估计方法 |
2.3.1 Capon算法原理 |
2.3.2 MUSIC算法原理 |
2.3.3 仿真实验与分析 |
2.4 基于子空间特性的参数估计方法 |
2.4.1 ESPRIT算法原理 |
2.4.2 ESPRIT-MUSIC算法原理 |
2.4.3 实值ESPRIT算法原理 |
2.4.4 仿真实验与分析 |
2.5 本章小结 |
3 非正交波形条件下MIMO阵列稳健参数估计方法 |
3.1 引言 |
3.2 非正交波形条件下MIMO阵列信号模型 |
3.2.1 信号模型 |
3.2.2 噪声的统计特性 |
3.3 基于矩阵完备的MIMO阵列稳健参数估计方法 |
3.3.1 矩阵完备原理 |
3.3.2 稳健参数估计 |
3.3.3 仿真实验与分析 |
3.4 基于改进传播算子的MIMO阵列稳健参数估计方法 |
3.4.1 算法基本原理 |
3.4.2 算法分析及克拉美罗界 |
3.4.3 仿真验证与分析 |
3.5 本章小结 |
4 基于L1范数优化的MIMO雷达稳健参数估计方法 |
4.1 引言 |
4.2 MIMO阵列稀疏信号模型 |
4.2.1 信号空域稀疏特性 |
4.2.2 信号空域稀疏模型 |
4.3 基于l_1-SVD的MIMO阵列参数估计方法 |
4.3.1 算法基本原理 |
4.3.2 正则化参数选择 |
4.3.3 仿真验证与分析 |
4.4 基于块稀疏恢复的稳健参数估计方法 |
4.4.1 算法基本原理 |
4.4.2 仿真验证与分析 |
4.5 本章小结 |
5 基于稀疏贝叶斯恢复的MIMO阵列稳健参数估计 |
5.1 引言 |
5.2 稀疏贝叶斯学习基本理论 |
5.3 非均匀噪声条件下基于实值稀疏贝叶斯的稳健参数估计方法 |
5.3.1 非均匀噪声条件下的信号模型 |
5.3.2 降维变换及协方差矢量估计误差统计分布 |
5.3.3 算法基本原理 |
5.3.4 算法流程 |
5.3.5 仿真验证与分析 |
5.4 本章小结 |
附录1 MIMO阵列非均匀噪声条件下的克拉美罗界(CRB) |
6 总结与展望 |
6.1 论文工作总结 |
6.2 下一步工作展望 |
参考文献 |
攻读博士学位期间发表的论文 |
致谢 |
(9)高速机动辐射源目标无源定位关键技术研究(论文提纲范文)
摘要 |
Abstract |
主要缩略词术语表 |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 无源定位系统的发展历史 |
1.2.2 信号分选方法研究现状 |
1.2.3 参数估计算法研究现状 |
1.2.4 无源定位算法研究现状 |
1.3 关键问题与本文主要工作 |
1.3.1 关键问题与研究思路 |
1.3.2 本文主要工作与结构 |
第二章 辐射源目标无源定位基本原理 |
2.1 引言 |
2.2 无源定位系统信号处理流程 |
2.3 传统准静止目标无源定位原理 |
2.3.1 静态接收信号模型与参数估计方法 |
2.3.2 定位模型 |
2.4 高速机动目标无源定位原理 |
2.4.1 动态接收信号模型 |
2.4.2 动态信号参数估计的难点问题 |
2.4.3 定位模型 |
2.5 本章小结 |
第三章 多站脉冲分选与配对 |
3.1 引言 |
3.2 多目标时差直方图数学模型 |
3.3 约束准则下扩展时差直方图脉冲分选配对方法 |
3.3.1 引入约束准则 |
3.3.2 构建扩展时差直方图 |
3.3.3 算法步骤总结 |
3.4 仿真实验分析 |
3.4.1 方法有效性验证 |
3.4.2 分选正确率对比 |
3.4.3 分选实时性对比 |
3.5 本章小结 |
第四章 常规信号的定位参数估计 |
4.1 引言 |
4.2 高速匀速目标的定位参数估计 |
4.2.1 接收信号模型 |
4.2.2 基于FSAF-SFT的距离差和距离差变化率联合估计算法 |
4.2.3 算法实现 |
4.2.4 计算复杂度分析 |
4.2.5 仿真实验分析 |
4.3 高速机动目标的定位参数估计 |
4.3.1 接收信号模型 |
4.3.2 基于SKT-LVD的快速定位参数估计算法 |
4.3.3 基于SKT-NUFFT的高精度定位参数估计算法 |
4.4 本章小结 |
第五章 跳频信号的定位参数估计 |
5.1 引言 |
5.2 高速跳频辐射源目标的定位参数估计 |
5.2.1 算法原理 |
5.2.2 算法流程 |
5.2.3 计算复杂度分析 |
5.2.4 仿真实验分析 |
5.3 高速机动跳频辐射源目标的定位参数估计 |
5.3.1 算法原理 |
5.3.2 算法流程 |
5.3.3 计算复杂度分析 |
5.3.4 仿真实验分析 |
5.4 本章小结 |
第六章 目标高精度稳健定位与测速 |
6.1 引言 |
6.2 联合距离差、距离差变化率和二阶距离差变化率的目标稳健定位测速算法 |
6.2.1 算法原理 |
6.2.2 理论性能分析 |
6.2.3 仿真实验分析 |
6.3 存在站址误差时的目标稳健定位测速算法 |
6.3.1 定位模型 |
6.3.2 定位CRLB分析 |
6.3.3 算法原理 |
6.3.4 理论性能分析 |
6.3.5 仿真实验分析 |
6.4 目标位置、速度和加速度的联合求解 |
6.4.1 定位模型 |
6.4.2 定位CRLB分析 |
6.4.3 算法原理 |
6.4.4 仿真实验分析 |
6.5 本章小结 |
第七章 总结与展望 |
7.1 全文总结 |
7.2 工作展望 |
致谢 |
参考文献 |
作者信息 |
(10)网络化雷达协同探测与资源管理研究(论文提纲范文)
摘要 |
abstract |
缩略词表 |
第一章 绪论 |
1.1 研究工作的背景与意义 |
1.2 国内外研究现状 |
1.2.1 基于静态资源配置的目标协同探测 |
1.2.1.1 协同检测问题 |
1.2.1.2 协同参数估计问题 |
1.2.2 基于动态资源调度的目标协同探测 |
1.3 本论文的主要内容和章节安排 |
第二章 网络化雷达的系统模型 |
2.1 网络化雷达的系统组成 |
2.2 网络化雷达的拓扑结构 |
2.2.1 拓扑结构的分类 |
2.2.2 不同拓扑结构下的数据融合 |
2.3 一般化的资源管理模型 |
2.4 本章小结 |
第三章 基于目标检测性能的发射节点功率分配算法 |
3.1 分布式MIMO雷达目标检测模型 |
3.1.1 信号模型 |
3.1.2 最优检测器 |
3.2 基于检测性能的功率分配问题 |
3.2.1 检测器性能表征 |
3.2.2 功率分配优化模型 |
3.2.3 基于优化最小化的功率分配 |
3.2.4 算法复杂度分析 |
3.3 仿真 |
3.4 本章小结 |
第四章 基于目标定位性能的收发节点优选算法 |
4.1 信号模型 |
4.2 目标参数估计 |
4.2.1 最大似然估计器 |
4.2.2 参数估计性能准则 |
4.3 理想信号条件下的收发节点联合优选算法 |
4.3.1 理想信号条件下的费歇尔信息矩阵结构 |
4.3.2 理想波形条件下节点选择模型 |
4.3.3 基于半正定规划的求解算法 |
4.4 一般化信号条件下的收发节点联合优选算法 |
4.4.1 一般化波形条件下节点选择模型 |
4.4.2 基于NADMM的求解算法 |
4.5 计算复杂度分析 |
4.6 仿真 |
4.6.1 理想波形条件下 |
4.6.2 一般化波形条件下 |
4.7 本章小结 |
第五章 空频感知下基于跟踪性能的动态资源调度算法 |
5.1 系统信号模型 |
5.2 目标协同跟踪模型 |
5.2.1 状态模型 |
5.2.2 观测模型 |
5.2.3 跟踪算法 |
5.2.4 跟踪性能准则 |
5.3 空频域干扰模型 |
5.3.1 雷达受到的干扰 |
5.3.2 雷达对ESA的影响 |
5.4 动态资源调度 |
5.4.1 资源优化模型的建立 |
5.4.2 优化模型的松弛求解 |
5.4.3 计算复杂度分析 |
5.5 空频感知的动态资源调度闭环流程 |
5.6 仿真 |
5.7 本章小结 |
第六章 分布式协同跟踪与优先级自适应动态资源分配算法 |
6.1 系统模型 |
6.2 分布式序贯贝叶斯估计 |
6.2.1 分布式粒子滤波器 |
6.2.2 分布式跟踪性能准则 |
6.3 效益驱动的自适应动态资源调度 |
6.3.1 资源优化问题的建立 |
6.3.2 分布式求解算法 |
6.3.3 计算复杂度分析 |
6.4 分布式自适应动态资源调度与目标跟踪闭环流程 |
6.5 仿真 |
6.6 本章小结 |
第七章 全文总结与展望 |
7.1 全文总结 |
7.2 后续工作展望 |
致谢 |
参考文献 |
附录 |
攻读博士学位期间取得的成果 |
四、基于噪声方差估计的稳健融合算法(论文参考文献)
- [1]外弹道跟踪测速数据处理方法研究[D]. 吴晓博. 西安理工大学, 2021(01)
- [2]非线性平差验后方差估计的EM算法及其应用研究[D]. 吴奇文. 东华理工大学, 2021
- [3]移动机器人多传感信息融合位姿估计与速度控制研究[D]. 王昕煜. 江南大学, 2021(01)
- [4]基于多源SAR数据青藏高原冻土冻融过程及时空分布研究[D]. 王京. 中国科学院大学(中国科学院空天信息创新研究院), 2021(01)
- [5]水下目标参数估计关键技术研究[D]. 韩学艳. 浙江大学, 2021
- [6]INS/WIFI位置指纹的室内定算法与实现[D]. 汪涛. 安徽理工大学, 2020(07)
- [7]足球机器人阵列天线的自适应信号处理算法研究[D]. 钱炳锋. 东华大学, 2020(01)
- [8]MIMO阵列稳健参数估计方法研究[D]. 东方. 海南大学, 2020(07)
- [9]高速机动辐射源目标无源定位关键技术研究[D]. 刘智鑫. 战略支援部队信息工程大学, 2020(01)
- [10]网络化雷达协同探测与资源管理研究[D]. 鲁彦希. 电子科技大学, 2020(07)