模型化自適應(yīng)濾波及其應(yīng)用研究.pdf

1、本文為未知時變/時不變系統(tǒng)的沖擊響應(yīng)系數(shù)，研究了利用多項式預(yù)測模型來建模的方法，并將其視為卡爾曼濾波器的狀態(tài)方程；以系統(tǒng)輸入輸出關(guān)系作為觀測方程，那么就將最大似然、最大后驗和最小均方等多種統(tǒng)計意義下無偏最優(yōu)的卡爾曼濾波器引入來解決自適應(yīng)濾波問題，從而提出了模型化自適應(yīng)濾波方法。理論分析以及仿真結(jié)果都證明了該算法相對傳統(tǒng)自適應(yīng)濾波算法的性能優(yōu)勢。針對低信噪比下的自適應(yīng)濾波問題，通過引入有偏估計的思想，即：將傳統(tǒng)卡爾曼濾波器的無偏最小方差估

2、計值乘以一個偏差因子，來折衷估計的偏差和方差以得到更小的均方誤差，進(jìn)而提出了有偏卡爾曼濾波和模型化的有偏自適應(yīng)濾波方法。應(yīng)用于低信噪比下的系統(tǒng)辨識，仿真結(jié)果顯示模型化的有偏自適應(yīng)濾波性能優(yōu)于其對應(yīng)的無偏算法。
　　針對雷達(dá)跟蹤機(jī)動目標(biāo)的波形選擇應(yīng)用，本文利用研究的模型化自適應(yīng)濾波算法提出了一種新的雷達(dá)波形選擇方法。由于機(jī)動目標(biāo)的運(yùn)動狀態(tài)滿足多項式規(guī)律變化，即多項式預(yù)測模型可以準(zhǔn)確地描述目標(biāo)的運(yùn)動規(guī)律，因此模型化自適應(yīng)濾波算法可以很

3、好地跟蹤目標(biāo)運(yùn)動狀態(tài)并得到相應(yīng)的估計誤差及其預(yù)測。根據(jù)估計誤差預(yù)測的誤差橢圓，通過分?jǐn)?shù)階傅里葉變換來旋轉(zhuǎn)測量誤差橢圓以使其與預(yù)測誤差橢圓正交，從而得到了一種新的最優(yōu)選擇雷達(dá)發(fā)射波形方法。仿真結(jié)果證明了該算法性能上的優(yōu)勢。
　　針對稀疏系統(tǒng)辨識的應(yīng)用，本文結(jié)合研究的模型化自適應(yīng)濾波算法和壓縮采樣的思想提出了一種新的稀疏系統(tǒng)辨識算法。該算法一方面利用多項式預(yù)測模型描述了系統(tǒng)的時變特性；另一方面利用，l1范數(shù)的不等式約束來描述系統(tǒng)的稀疏

4、性，將稀疏系統(tǒng)辨識問題轉(zhuǎn)化為了一個帶約束的卡爾曼濾波問題。利用偽觀測技術(shù)求解這一帶約束的卡爾曼濾波問題，即得到了稀疏系統(tǒng)辨識的結(jié)果。仿真結(jié)果表明，提出的算法由于同時考慮了系統(tǒng)的稀疏性和時變特性，其性能優(yōu)于對比算法。
　　針對道路車流量的實時視頻檢測應(yīng)用，本文結(jié)合研究的模型化自適應(yīng)濾波算法和提出的兩個特征參數(shù)，得到了一種新的道路車流量實時視頻檢測方法。根據(jù)分析，提出的對比度失真和亮度失真參數(shù)非常適合解決諸如陰影干擾、實時背景更新以及

5、攝像機(jī)晃動等一直困擾著道路車流量視頻檢測的問題。但是特征參數(shù)曲線上的毛刺現(xiàn)象給車流量檢測過程帶來了嚴(yán)重的困擾。針對這一問題，采用提出的模型化自適應(yīng)濾波算法來為特征參數(shù)曲線濾波。由于檢測區(qū)域的大小通常為一個典型車輛大小，因此可以認(rèn)為車輛是勻速經(jīng)過檢測區(qū)域的，即特征參數(shù)的上升和下降是符合一階多項式規(guī)律的。模型化自適應(yīng)濾波算法可以很好的抑制特征參數(shù)曲線上的毛刺現(xiàn)象，從而為后續(xù)的車流量檢測算法帶來了方便。不同道路、車流量和天氣情況下的實驗結(jié)果表