简介:稀疏表示是近年来新兴的一种数据表示方法,是对人类大脑皮层编码机制的模拟。稀疏表示以其良好的鲁棒性、抗干扰能力、可解释性和判别性等优势,广泛应用于模式识别领域。基于稀疏表示的分类器在人脸识别领域取得了令人惊喜的成就,它将训练样本看成字典,寻求测试样本在字典下的最稀疏的表示,即用尽可能少的训练样本的线性组合来重构测试样本。但是经典的基于稀疏表示的分类器没有考虑训练样本的类别信息,以致被选中的训练样本来自许多类,不利于分类,因此基于组稀疏的分类器被提出。组稀疏方法考虑了训练样本的类别相似性,其目的是用尽可能少类别的训练样本来表示测试样本,然而这类方法的缺点是同类的训练样本或者同时被选中或者同时被丢弃。在实际中,人脸受到光照、表情、姿势甚至遮挡等因素的影响,样本之间关系比较复杂,因此最后介绍局部加权组结构稀疏表示方法。该方法尽量用来自于与测试样本相似的类的训练样本和来自测试样本邻域的训练样本来表示测试样本,以减轻不相关类的干扰,并使得表示更稀疏和更具判别性。
简介:惯导固有原因使得载体长时间航行累积大量误差.可通过重力梯度量测与惯导组合导航方法来修正导航误差.先对重力梯度仪与惯导组合导航原理进行阐述,提出重力梯度仪辅助INS(GAINS)的系统框架图,对导航用重力梯度图和重力梯度仪进行分析,设定组合量测方程.然后根据状态空间方程的特点,提出使用边缘Cubature粒子滤波(CPF)进行融合估值.通过理论方法证明其对方差的减小,同时给出算法流程.相同条件下与已有APO-PF算法仿真进行经纬度RMSE结果对比,表明该算法估值精度更高;并用CEP对导航误差研究,得到在性能较低的惯导条件下、在梯度仪1E2和10E2噪声下4h的CEP数值分别为0.044nmile和0.072nmile的结果.最后对状态方程简化,定性分析出其余状态量的估值效果.
简介:针对系统误差的不确定性可能会引起滤波精度降低或发散的问题,提出一种新的基于模型预测滤波的前向神经网络算法。首先,采用模型预测滤波估计网络在正向传递过程中的模型误差,并对其进行修正,以弥补模型误差对隐含层权值更新的影响;然后,利用模型预测滤波为神经网络提供精确的训练样本,学习待估计系统的非线性关系。将提出的算法应用于SINS/CNS/BDS组合导航系统,并与扩展卡尔曼滤波进行比较,仿真结果表明,提出的算法得到的姿态误差、速度误差和位置误差分别在[-0.25′,+0.25′]、[-0.05m/s,+0.05m/s]和[-5m,+5m]以内,滤波性能明显优于扩展卡尔曼滤波算法,表明该算法能提高组合导航定位的解算精度。