【摘 要】
：
针对集中目标跟踪和分层目标跟踪中心节点通信瓶颈以及容错性能差的不足,提出了一种分布式动态一致性非线性目标跟踪策略。目标状态初始化由网络节点采用加权最小二乘法完成。整个跟踪过程采用动态成簇策略,分阶段选择并唤醒任务节点检测目标并执行分布式一致性扩展卡尔曼滤波策略完成目标的状态估计,其余节点进入休眠状态从而能降低系统的能耗。从跟踪误差和能量两个方面,与集中目标跟踪算法相比,仿真结果表明所提算法与集中卡
【机 构】
：
中南大学信息科学与工程学院,湖南生物机电职业技术学院电子电气工程学院
论文部分内容阅读
针对集中目标跟踪和分层目标跟踪中心节点通信瓶颈以及容错性能差的不足,提出了一种分布式动态一致性非线性目标跟踪策略。目标状态初始化由网络节点采用加权最小二乘法完成。整个跟踪过程采用动态成簇策略,分阶段选择并唤醒任务节点检测目标并执行分布式一致性扩展卡尔曼滤波策略完成目标的状态估计,其余节点进入休眠状态从而能降低系统的能耗。从跟踪误差和能量两个方面,与集中目标跟踪算法相比,仿真结果表明所提算法与集中卡尔曼滤波相比,跟踪精度相当,适用于要求高可靠度的非线性跟踪。此外分布式的工作方式使得节点仅需与邻居交换数
其他文献
高分辨率图像比对法是图像质量评价中简单而又行之有效的方法,其前提是两幅用于比较的高低分辨率图像具有良好的一致性,但实际情况往往很难满足这些一致性要求。为了使不能满足光照一致性的图像也能用于卫星在轨参数监测,需要进行光照一致性校正。针对如何定量评价多幅遥感图像的光照一致性问题,提出了一种定量评价方法。该方法根据Retinex原理,将图像分解为光照分量和反射分量,然后比较光照分量直方图的相似度,将这一
针对混洗蛙跳算法在求解连续函数优化问题中出现的收敛速度慢、求解精度低的缺点,提出了一种基于反向学习策略的改进算法,在种群初始化和进化过程中分别加入反向操作,产生更靠近优质解的种群,从而提高了算法的全局寻优能力,促进了算法收敛。实验仿真表明,新算法在寻优效率、计算精度等方面均优于原算法。
为了在使用基于位置的服务时用户的位置信息不被不可信的位置服务提供商所泄漏,k-匿名位置隐私保护已被广泛研究。然而在集中匿名器被黑客控制时原k-匿名算法会泄漏所有用户的位置隐私,在进行k个最近邻目标查询时对网络的负载较重,而Space Twist算法又不能保证k-匿名。提出了一种基于经纬网格的递增KNN位置隐私保护查询算法,将经典的k-匿名算法与Space Twist算法相杂交,并引入经纬网格代替原
为了在可研阶段合理、快速地制定重力坝设计方案,减少设计周期和成本,采用极限状态设计的方法,利用VB 6.0可视化编程工具开发出了一套能够与CAD动态交互的重力坝三维设计系统。该系统通过对Auto-CAD的二次开发实现了重力坝的三维参数化建模,并对所建三维模型进行结构计算,将设计与计算紧密结合,通过动态交互简化了大量复杂数据的计算,达到精确、快速完成断面设计的目的。经实践检验证明,该系统大大提高了断
针对VSM不能揭示隐藏在不同特征词后面的相同概念语义、反映文档中的潜在语义关系、在相似度计算中精度较低的问题,提出一种基于领域本体的文档向量空间模型DOBVSM(domain ontology-based vector spacemodel)。该模型把领域本体中的概念扩展为文档特征词,并通过概念间的语义关系对特征词权重进行调整,最终建立包含语义关系的文档DOBVSM。通过实验分析表明:DOBVSM
针对传统的目标跟踪算法需要人工选择目标且不能较好地处理目标的尺度变化问题,提出融合光流检测与模板匹配的目标跟踪算法。首先通过结合光流信息与图像分割结果从视频中自动地检测和提取运动目标,实现基于检测的跟踪;当检测跟踪结果不可靠时,再利用模板匹配定位目标位置,实现基于匹配的跟踪;最后,通过自动更新模板,使得跟踪框能够自适应目标的尺度变化。实验结果表明该算法能够在自适应目标尺度变化的同时获得较为稳定的跟
提出一种分数阶线性系统稳定性证明方法。首先分析了双参数Mittag-Leffler函数估值定理中的限制条件,通过证明得出了该定理收敛域有误,因此改进了双参数Mittag-Leffler函数估值定理,并将它的参数由实数推广到矩阵。然后提出了可适用于分数阶线性系统的稳定性理论,并利用改进的双参数Mittag-Leffler函数估值定理进行了证明。仿真结果验证了理论的正确性。
为提升标准粒子群算法在求解多峰复杂问题时收敛速度慢和极易陷入局部最优解等缺点,提出一种基于球形坐标的分类学习策略粒子群算法(CLPSO-HC)。该算法给出种群运行较差粒子的确定方法,将运行较差的粒子进行分类,并对每类粒子给出相应的学习策略,保证种群跳出局部最优解的能力。为减少外界扰动,将粒子速度和位置的更新在球形坐标中进行,提升了种群向最优解飞行的概率。对三个典型测试函数进行仿真实验,所得结果表明
针对支持向量机面临的大规模数据分类问题,提出基于分类超平面的非线性集成学习机NALM。该方法借鉴管理学中协同管理的思想,将大规模数据分成规模较小的子集,然后分别在子集上运行分类超平面算法,最后将各子集上的分类结果进行非线性集成得到最终的分类结果。该方法不仅继承了分类超平面的优点,而且还将分类超平面的适用范围从小规模数据扩展到中大规模数据,从线性空间推广到Hilbert核空间。若干数据集上的实验表明