-
公开(公告)号：CN103298156B
公开(公告)日：2016-01-20
申请号：CN201310233976.9
申请日：2013-06-13
Applicant: 北京空间飞行器总体设计部 , 北京邮电大学
Abstract: 本发明涉及一种基于无线传感器网络的无源多目标检测跟踪方法，其主要技术特点是：包括以下步骤：根据无线传感器网络中不同无线链路接收信号强度，采用扫描圈开窗检测方法构建无源多目标的滑动扫描圈模型，并采用HAC聚类算法进行聚类分析从而提取出检测结果；根据检测结果并采用PHD无源多目标粒子滤波跟踪算法，得到目标数目变化的多目标跟踪结果。本发明设计合理，其检测与跟踪算法具有较高的精度和鲁棒性，能在复杂的多径环境中检测与跟踪多个目标，同时目标检测与跟踪算法的计算复杂度适中，保证检测跟踪系统运行的实时性。
-
公开(公告)号：CN103344941B
公开(公告)日：2015-08-12
申请号：CN201310233723.1
申请日：2013-06-13
Applicant: 北京空间飞行器总体设计部 , 北京邮电大学
IPC: G01S5/02
Abstract: 本发明涉及一种基于无线传感器网络的实时目标检测方法，其主要技术特点是：包括以下步骤：根据遍历过程的特性，通过单链路实验来建立基于检测窗的接收信号强度值直方图测量模型；利用接收信号强度值直方图测量模型及巴氏距离计算得到可能存在目标的“正位置”，并利用层次聚类算法，实现目标检测定位；通过低精度直方图和高精度直方图级联方法，确定目标的“正位置”。本发明设计合理，实现利用无线传感器网络的快速实时检测功能，检测定位方法不会产生错误累计现象，建立的测量模型理论依据充足，精度较高且具有较强的鲁棒性，同时，直方图级联机制的引用使得其总体计算消耗保持在能实时使用的范围之内。
-
公开(公告)号：CN103281779A
公开(公告)日：2013-09-04
申请号：CN201310233725.0
申请日：2013-06-13
Applicant: 北京空间飞行器总体设计部 , 北京邮电大学
Abstract: 本发明涉及一种基于背景学习的射频层析成像方法，其主要技术特点是：包括以下步骤：1、根据无线传感器网络的接收信号强度，利用混合高斯背景学习算法或核密度估计背景学习算法建立每条链路的接收信号强度值的分布模型，判断各个链路是否受到影响；2、根据每条链路的接收信号强度值的分布模型，利用Tikhonov正则化进行图像重构。本发明将混合高斯背景学习算法或核密度估计背景学习算法（KDE）运用到射频层析成像中，来估计各个链路RSS测量值的分布，实现了多目标检测与跟踪功能，具有的优点是：1、在多目标和时变环境中能获得更高的准确性和有效性；2、不需要线下训练的过程。
-
公开(公告)号：CN109728927A
公开(公告)日：2019-05-07
申请号：CN201711041869.0
申请日：2017-10-30
Applicant: 中兴通讯股份有限公司 , 北京邮电大学
Abstract: 本发明公开了一种时延优化方法、业务调度方法及存储介质，该方法包括：根据无线业务归属信息和光网络服务信息确定预设ONU内各个无线业务的优先级；根据预设ONU内所有无线业务的优先级确定预设ONU的优先级；根据各个ONU的优先级向各个ONU分别下发授权信息，以使各个ONU按照授权信息上传数据。本发明通过对无线业务归属信息和光网络服务信息的解析和处理，根据UE发起的无线业务的优先级，计算映射出ONU的优先级，使OLT在进行调度时优先调度优先级高的ONU，减少ONU上传数据的时延，解决了如何降低移动前传网络的时延，同时合理有效的将无线业务的QoS需求适配到光网络上的问题。
-
公开(公告)号：CN103776449B
公开(公告)日：2016-05-04
申请号：CN201410065851.4
申请日：2014-02-26
Applicant: 北京空间飞行器总体设计部 , 北京邮电大学
Abstract: 本发明涉及一种提高鲁棒性的动基座初始对准方法，其技术特点是：将初始对准模型进行抽象；通过对比滤波算法中的新息协方差和计算的新息协方差得到模型噪声方差的变化情况，然后对模型噪声w进行自适应缩放；根据观测值和滤波值的残差，自适应地判别每一次滤波后自适应矩阵迹的门限,进而修正状态估计。本发明设计合理，其从模型噪声自适应和观测干扰自适应两个方面同时对UKF算法进行改进，一方面通过监视UKF中预测方差，使用缩放因子达到平抑模型噪声的目的；另一方面通过监测基于新息特性的自适应矩阵的迹并进行实时修改，能够取得更加精确的滤波结果，达到抑制观测干扰的目的，具有较强的鲁棒性，能够快速对其进行平抑。
-
Patent Agency Ranking
公开(公告)号：CN103313064B
公开(公告)日：2016-04-13
申请号：CN201310226333.1
申请日：2013-06-07
Applicant: 国家广播电影电视总局广播科学研究院 , 北京邮电大学
IPC: H04N19/89 , H04N19/176 , H04N19/513
Abstract: 本发明涉及一种基于帧间模式和运动修补的时域错误隐藏方法，其主要技术特点是：包括以下步骤：根据与当前受损宏块上、下、左、右相邻的正确接收块的帧间模式信息进行错误隐藏方法分类，分别对受损块的运动矢量进行修复；使用运动补偿的方法，利用修复后得到的运动矢量在其参考帧中取得该受损块的重构值。本发明充分利用与受损宏块相邻正确接收块的帧间模式信息采用不同的错误隐藏方法对受损块的运动矢量进行修复，对复杂区域用基于子块的运动修补方法，对相对平坦区域用边界匹配法，对静止区域用零运动矢量法，能更精确地恢复出受损块的运动矢量，提高错误隐藏的效果，算法复杂度合适，能够保证在移动应用中的实时性。
-
公开(公告)号：CN103176164B
公开(公告)日：2016-01-13
申请号：CN201310124457.9
申请日：2013-04-11
Applicant: 北京空间飞行器总体设计部 , 北京邮电大学
Abstract: 本发明涉及一种基于无线传感器网络的多目标无源跟踪方法，其技术特点是：包括以下步骤：⑴根据传感器网络的接收信号强度建立测量模型；⑵根据步骤⑴建立的测量模型，通过多目标-多伯努利滤波算法和粒子滤波算法的结合，实现室内环境下可变多目标定位与跟踪。本发明设计合理，所建立的测量模型在室内环境下拥有较高的精确度，模型预测值逼近实际观测值；目标检测与跟踪算法具有较高的精度和稳定性，能检测与跟踪多个目标；测量模型和目标算法的计算复杂度合适，保证跟踪系统运行的实时性。
-
公开(公告)号：CN104244356A
公开(公告)日：2014-12-24
申请号：CN201410443069.1
申请日：2014-09-02
Applicant: 北京空间飞行器总体设计部 , 北京邮电大学
Abstract: 本发明涉及一种基于演化图全路由预测的定向蚁群路由优化方法，其主要技术特点是：在应用层，控制中心或者GPS全球定位系统提供节点轨道、链路调度信息或节点位置、运动速度和方向信息并发送至网络层；在网络层，节点首先根据应用层信息建立演化图模型，然后进行全路由预测，最后采用定向蚁群路由优化方法选择最优路由并发送数据；在物理层，收集链路时延、数据传输速率、可用带宽信息。本发明设计合理，其使用定向蚁群，不仅避免由网络拓扑频繁变化而引起的慢收敛，还提供了满足QoS要求的路由算法，性能指标较传统移动自组网DSR、AODV路由算法有明显提高。
-
公开(公告)号：CN102685530B
公开(公告)日：2014-05-07
申请号：CN201210120923.1
申请日：2012-04-23
Applicant: 北京邮电大学
IPC: H04N19/567 , H04N19/86 , H04N13/00
Abstract: 本发明公开了一种基于半像素精度边缘和图像修复的深度图像帧内预测方法，其主要技术特点是：包括以下步骤：1、在深度图像中进行半像素精度边缘检测得到边缘图像；2、根据边缘图像进行边缘的区域划分处理和边缘优化处理；3、根据是否包含预测子将待预测的区域分为可修复区域和不可修复区域，对可修复区域预测采用图像修复算法实现；对不可修复区域预测采用区域均值或默认值实现；4、率失真优化算法。本发明提高了不规则区域的预测效果，避免了边缘像素自身所属的区域无法明确界定的问题，使区域划分的结果更为精确，在保证压缩后图像质量的情况下提高了预测的时间效率，增强了帧内预测方法的实用性。
-
公开(公告)号：CN102324043B
公开(公告)日：2013-12-18
申请号：CN201110263339.7
申请日：2011-09-07
Applicant: 北京邮电大学
Abstract: 本发明涉及一种基于DCT的特征描述算子及优化空间量化的图像匹配方法，包括以下步骤：(1)对给定的N×N大小的图像块进行DCT空间的线性分解，得到基图像块的线性组合；(2)对图像块进行仿射扭曲并对姿态空间进行优化，得到量化姿态数N；(3)计算模板图像N个量化姿态DCT基图像块在不同投影系数下的组合，得到均值图像块(4)将模板图像和检测到的特征点周围的局部图像块进行图像匹配。本发明设计合理，减少了离线进行计算的采样次数，节约了特征描绘算子的建立时间，减小了图像匹配中的计算量和数据存储量，降低了量化姿态级数，进而了提高图像匹配的速度和精度，可在OWD算法的基础上大幅提高目标匹配的实时性能。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.037 seconds)
