导读:本文包含了高斯和论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:高斯,卡尔,粒子,噪声,目标,直方图,组合。
高斯和论文文献综述
刘震[1]（2019）在《高斯和粒子滤波的弱小目标检测前跟踪算法》一文中研究指出为了解决微弱目标检测和跟踪的问题,提出了高斯和粒子滤波检测前跟踪算法(GSPF-TBD);该算法基于高斯和粒子滤波递归地估计目标的后验概率密度,不仅避免了基本粒子滤波TBD(检测前跟踪)方法中的重采样过程,而且更能准确地逼近后验概率密度。将粒子滤波算法(PF)、高斯粒子滤波算法(GPF)和高斯和粒子滤波算法(GSPF)应用于弱小目标的检测前跟踪的仿真实验表明,所提出的GSPF-TBD算法提高了对目标的检测和跟踪性能。(本文来源于《计算机与数字工程》期刊2019年09期）
由育阳,由书凯,高健凯,杨志宏[2]（2019）在《基于正态逆高斯和特征贡献度的睡眠分期实验研究》一文中研究指出针对自动睡眠分期任务,提出了一种基于正态逆高斯和特征贡献度的睡眠分期实验框架.提取睡眠脑电信号特征,并对信号进行可调Q因子小波分解(TQWT),针对TQWT子带提取正态逆高斯参数特征;基于SVM模型实现特征贡献度排序与筛选,针对高贡献度特征,比较多种分类器的分期结果并设计多分类器组合自动睡眠分期算法.采用PhysioBank的Sleep-EDF数据集进行验证,取得了89.88%的平均睡眠分期准确率,相较于单一分类器的分期准确率有较大提升,对睡眠障碍的临床诊断与研究具有较大价值.(本文来源于《北京理工大学学报》期刊2019年08期）
徐壮,彭力[3]（2019）在《带非线性约束的自适应高斯和卡尔曼滤波目标跟踪算法》一文中研究指出无线传感网络中运动目标状态通常满足某种非线性状态约束,为了提高对传感网络中运动目标的跟踪精度,降低非高斯噪声对状态估计的影响,避免高斯项数在迭代过程中的冗余累积,提出一种带非线性约束的权值自适应高斯和卡尔曼滤波算法;算法在每个时刻计算目标当前状态的高斯子项集合,并对每个高斯子项分别以无迹卡尔曼滤波进行状态估计;设计了一种高斯子项权值自适应策略动态调节子项权值,以实现无约束状态下的全局估计;将目标的非线性状态约束引入滤波器结构中时,考虑将其看作一类无约束状态估计的约束投影问题,通过状态约束信息先验来修正运动目标的状态估计;仿真结果表明,该算法与目前的非线性约束卡尔曼滤波相比具有更高的跟踪精度。(本文来源于《计算机测量与控制》期刊2019年06期）
林馨[4]（2019）在《6次高斯和与广义Kloosterman和的混合均值(英文)》一文中研究指出利用解析方法研究与6次高斯和及广义Kloosterman和有关的混合均值.首先对于奇素数p进行分类.然后,当p属于不同类别时,分别得到了与之相关的混合均值的计算或渐近公式.(本文来源于《数学进展》期刊2019年03期）
程向红,范时秒[5]（2019）在《基于改进高斯和粒子滤波的海底地形辅助导航》一文中研究指出为了提升低分辨率海底地形图下的导航定位精度,提出一种基于改进高斯和粒子滤波的海底地形辅助导航方法。以高斯和粒子滤波为基础,通过高斯过程回归建立海底地形模型以获得有效粒子观测值。在量测更新阶段引入最小均方误差约束从而提升高斯和粒子滤波的估计效率,再进行滤波并最终获得导航输出。该方法能够解决低分辨率海图下数字地形模型不准确问题并提升高斯和粒子滤波在实时计算过程中的运算效率。在某低分辨率海图下进行仿真实验,结果表明:所提出的算法与采用基本粒子滤波和基本高斯和粒子滤波的海底地形辅助导航方法相比,导航定位精度提升了20%～40%,算法耗时降低了30%～40%。(本文来源于《中国惯性技术学报》期刊2019年02期）
许红,谢文冲,王永良[6]（2019）在《角闪烁噪声下的高斯和容积卡尔曼滤波算法》一文中研究指出开展角闪烁噪声下的目标跟踪问题研究对提高传感器的探测性能具有重要意义,其中角闪烁噪声具有的非高斯特性是一个长期困扰研究者的难点。针对该问题,首先通过理论分析指出了容积粒子滤波(cubature particle filter,CPF)在角闪烁噪声下的性能缺陷。其次,基于高斯和滤波(Gaussian sum filter,GSF)框架和容积卡尔曼滤波(cubature Kalman filter,CKF)算法,提出了适用于角闪烁下的高斯和容积卡尔曼滤波(Gaussian sum cubature Kalman filter,GSCKF)算法,该算法将目标后验概率密度用高斯密度加权求和近似,通过多路并行的CKF实现状态预测与量测更新,同时利用模型降阶算法限制高斯分量数目的增长,能应用于非线性、非高斯条件的状态估计。最后,设计了仿真实验对GSCKF和CPF的跟踪精度、鲁棒性和计算复杂度进行了对比。(本文来源于《系统工程与电子技术》期刊2019年02期）
龚露鸣,徐美华,刘冬军,张发宇[7]（2018）在《基于混合高斯和HOG+SVM的行人检测模型》一文中研究指出为了提高行人检测系统的检测率,提出了一种基于混合高斯背景建模结合方向梯度直方图(histogram of oriented gradient,HOG)+支持向量机(support vector machine,SVM)的行人检测模型.首先,采用混合高斯模型进行前景分割,有效提取出运动目标区域;然后,在行人识别部分通过缩小检测窗口尺寸来降低HOG特征维数;另外,利用误识别区域,对样本库的信息进行二次更新,以优化SVM分类器;最后,以随机视频帧为测试样本进行模型性能验证.结果表明,在保证检测率和检测速率的情况下,该混合高斯结合HOG+SVM模型的误检率仅为4%,说明该模型能够在复杂场景下实时准确地进行行人检测.(本文来源于《上海大学学报(自然科学版)》期刊2018年03期）
曹亚琴,秦宁宁,杨乐[8]（2018）在《一种改进的双站时频差目标跟踪高斯和滤波算法》一文中研究指出针对双站时频差目标跟踪问题,在已有的观测量高斯混合表示-扩展卡尔曼滤波(GMM-EKF)方法的基础上,引入时差均匀高斯混合(GMM)表示、替代扩展卡尔曼滤波(AEKF)和基于有效样本大小(ESS)的高斯分量管理,提出GMM-AEKF滤波算法。仿真表明:与GMM-EKF算法相比,GMM-AEKF算法的时差GMM表示更为均匀,能获得更高的估计精度;由于AEKF的引入,其状态更新运算与线性卡尔曼滤波算法相同,其速度估计精度的收敛速度更快,适用于对收敛速度要求较高的场景中。(本文来源于《计算机与数字工程》期刊2018年05期）
枫林[9]（2018）在《高斯和曼罗兰卷筒纸系统公司将合并》一文中研究指出曼罗兰卷筒纸系统(manroland web systems)和高斯国际的印刷机业务将合并,两者都是报业、商业印刷和包装印刷领域的卷筒纸印刷系统的制造和服务供应商。合并后的公司将得益于公司互补的地域优势,创造广泛的协同效应,确保长期的生存能力,并提供价值导向的(本文来源于《广东印刷》期刊2018年02期）
姜浩楠,蔡远利[10]（2018）在《鲁棒高斯和集合卡尔曼滤波及其在纯角度跟踪中的应用》一文中研究指出针对纯角度目标跟踪中量测信息易受异常值和非高斯噪声干扰的问题,提出了一种新的非线性滤波算法–鲁棒高斯和集合卡尔曼滤波(robust Gaussian-sum ensemble Kalman filter,RGSEnKF)算法.首先,采用Huber技术重塑集合卡尔曼滤波的量测更新过程,能够有效地处理量测中的异常值.随后,将改进的集合卡尔曼滤波在高斯和框架下进行扩展,得到RGSEnKF算法,可以进一步解决受非高斯噪声干扰的非线性系统的状态估计问题.此外,新算法中包含距离参数化初始化策略和高斯分量融合策略.前者是为了减小纯角度跟踪中距离信息不可观测的影响,而后者可以避免高斯分量数目随时间不断增长.大量仿真结果验证了新算法的有效性和鲁棒性.(本文来源于《控制理论与应用》期刊2018年02期）
高斯和论文开题报告
（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：
针对自动睡眠分期任务,提出了一种基于正态逆高斯和特征贡献度的睡眠分期实验框架.提取睡眠脑电信号特征,并对信号进行可调Q因子小波分解(TQWT),针对TQWT子带提取正态逆高斯参数特征;基于SVM模型实现特征贡献度排序与筛选,针对高贡献度特征,比较多种分类器的分期结果并设计多分类器组合自动睡眠分期算法.采用PhysioBank的Sleep-EDF数据集进行验证,取得了89.88%的平均睡眠分期准确率,相较于单一分类器的分期准确率有较大提升,对睡眠障碍的临床诊断与研究具有较大价值.
（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。
高斯和论文参考文献
[1].刘震.高斯和粒子滤波的弱小目标检测前跟踪算法[J].计算机与数字工程.2019
[2].由育阳,由书凯,高健凯,杨志宏.基于正态逆高斯和特征贡献度的睡眠分期实验研究[J].北京理工大学学报.2019
[3].徐壮,彭力.带非线性约束的自适应高斯和卡尔曼滤波目标跟踪算法[J].计算机测量与控制.2019
[4].林馨.6次高斯和与广义Kloosterman和的混合均值(英文)[J].数学进展.2019
[5].程向红,范时秒.基于改进高斯和粒子滤波的海底地形辅助导航[J].中国惯性技术学报.2019
[6].许红,谢文冲,王永良.角闪烁噪声下的高斯和容积卡尔曼滤波算法[J].系统工程与电子技术.2019
[7].龚露鸣,徐美华,刘冬军,张发宇.基于混合高斯和HOG+SVM的行人检测模型[J].上海大学学报(自然科学版).2018
[8].曹亚琴,秦宁宁,杨乐.一种改进的双站时频差目标跟踪高斯和滤波算法[J].计算机与数字工程.2018
[9].枫林.高斯和曼罗兰卷筒纸系统公司将合并[J].广东印刷.2018
[10].姜浩楠,蔡远利.鲁棒高斯和集合卡尔曼滤波及其在纯角度跟踪中的应用[J].控制理论与应用.2018
论文知识图
