墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
900+累计阅读
930平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
基于AIS和雷达的多传感器航迹融合——MATLAB实现
航迹融合是目前航空航天领域中一个重要的研究方向，它通过将不同传感器获得的目标航迹数据进行综合分析和处理，从而提高目标航迹的准确性和可靠性。本文将介绍如何使用MATLAB实现基于AIS（自动识别系统）和雷达的多传感器航迹融合，并提供相应的源代码示例。
航空器识别系统（AIS）是一种被广泛应用于航运业的无线通信技术，它通过在船舶等目标上安装AIS发射器和接收器，实现对目标的识别和定位。雷达则是一种常用的传感器技术，通过发射电磁波并接收其反射信号，来探测和跟踪目标。
航迹融合的目标是将AIS和雷达两种传感器获取的目标航迹数据进行融合，以获得更准确和可靠的目标航迹信息。下面是一个基于MATLAB的简单示例，演示了如何实现基于AIS和雷达的航迹融合。
% 假设已经获取到AIS和雷达的目标航迹数据
ais_data = [x_ais, y_ais, v_ais]; % AIS数据（x坐标、y坐标、速度）多传感器航迹融合的matlab实现
在建立多传感器航迹融合系统时，传感器的数据需要进行协同处理，以提高目标跟踪的准确性和可靠性。本系统使用AIS和雷达两种传感器来收集数据，并通过均值滤波、卡尔曼滤波等算法进行数据融合处理。将AIS和雷达的目标数据进行匹配，通过计算其位置差异、速度差异等指标，判断AIS和雷达采集的数据是否是同一个目标。通过解析数据中的目标经纬度、速度和航向等信息，得到AIS和雷达的目标数据。本文介绍了基于AIS和雷达的多传感器航迹融合的matlab实现方法。通过采集、匹配和融合数据，能够有效提高目标跟踪的准确性和可靠性。
基于AIS和雷达的多传感器航迹融合 MATLAB 代码
当然，在实际应用中，航迹融合的方法和算法会更加复杂，需要根据具体情况进行调整和优化。航迹融合是利用多个传感器获取的航迹信息，通过合理的算法将其整合成一个更准确和完整的航迹。在航迹融合的算法中，常用的方法是基于卡尔曼滤波（Kalman Filter）的扩展目标跟踪（Extended Object Tracking）算法。使用 MATLAB 的文件读取功能，将 AIS 和雷达的航迹数据加载到 MATLAB 的工作空间中。在实际应用中，航迹融合的算法会更加复杂，可能还需要考虑航迹的预测、关联和数据关联等问题。
多传感器航迹融合算法的MATLAB实现
然而，不同的传感器具有不同的物理特性和工作原理，相应地，它们得到的信息数据也存在着差异。本文介绍了一种基于AIS和雷达的多传感器航迹融合算法，并给出了相应的MATLAB实现代码。该算法通过融合AIS和雷达数据，可以解决单个传感器无法满足精度要求的问题，提高飞行控制和导航系统的精准度和可靠性。在融合过程中，需要对来自不同传感器的数据进行关联，以确定同一目标在不同传感器采集的数据中所对应的位置和速度信息。总之，本文介绍了一种基于AIS和雷达的多传感器航迹融合算法，并给出了相应的MATLAB实现代码。
【数据融合】基于AIS和雷达的多传感器航迹融合附matlab代码
1 简介 AIS船舶自动识别系统能提供精确的船舶位置与属性信息,通过信息融合技术能有效弥补雷达测向精度不高的影响。为了对更大范围内的海域进行监视,本文对升空AIS与雷达信息融合技术进行了研究,以提高平台对海的跟踪探测能力。本文主要涉及的工作:1、对升空平台AIS系统出现的问题进行研究。本文介绍了AIS系统的工作原理与SOTDMA协议过程,分析了升空AIS监视范围与出现信号冲突的问题,并且根据信号区别接收原理得到了时隙冲突、检测容量与发现概率之间的关系。分析分区域接收提高发现概率的可行性,并在matlab下
【数据融合】基于AIS和雷达的多传感器航迹融合matlab代码
1 简介 AIS船舶自动识别系统能提供精确的船舶位置与属性信息,通过信息融合技术能有效弥补雷达测向精度不高的影响。为了对更大范围内的海域进行监视,本文对升空AIS与雷达信息融合技术进行了研究,以提高平台对海的跟踪探测能力。本文主要涉及的工作:1、对升空平台AIS系统出现的问题进行研究。本文介绍了AIS系统的工作原理与SOTDMA协议过程,分析了升空AIS监视范围与出现信号冲突的问题,并且根据信号区别接收原理得到了时隙冲突、检测容量与发现概率之间的关系。分析分区域接收提高发现概率的可行性,并在matlab下
【数据融合】基于AIS和雷达的多传感器航迹融合matlab源码
1 基于AIS和雷达的多传感器航迹融合模型介绍 模型参考这里。 2 部分代码 clc; clear; close all load('MarCE_Radar_Detections_01_005_patched.mat'); load('dtGroundTruthAIS.mat') figure(1); for i = 1:numel(data) TR = extractfield(data{i},'TR'); TR = reshape(TR,2,[]); Azim...
AIS自动船舶显示系统,ais船舶自动识别系统,matlab
matlab GUI 编程实现AIS自动船舶系统显示
TortoiseGit之配置密钥
基于github的开发必须要用到rsa密钥，因此需要用到TortoiseGit的putty key generator工具，来生成既适用于github的rsa密钥也适用于TortoiseGit的ppk密钥。
保姆级教程：如何用Le2i Fall Detection Dataset训练你的跌倒检测模型（附数据集下载）
本文提供了一份详细的实战指南，教你如何使用Le2i Fall Detection Dataset训练跌倒检测模型。内容涵盖数据集的深度解析、预处理与工程化管道搭建、模型选择与训练策略，以及评估优化与部署考量，旨在帮助开发者从零构建高精度、可应用的跌倒检测系统。
慕课软件质量保证与测试(习题集)
慕课金陵科技学院.软件质量保证与测试.期末复习.习题汇总0 总目录1 绪论1.1 软件质量保证与测试的产生与发展1.2 软件缺陷,软件错误,软件故障1.3 软件质量保证与测试的意义,原则和挑战1.4 单元测试1.5 课后作业2 软件测试策略2.1 软件测试的模型,过程和生命周期2.2 软件测试的方法和技术2.3 单元测试2.4 课后作业3 黑盒测试3.1 黑盒测试概述3.2 等价类划分测试3.3 边界值测试3.4 错误推测法3.5 判定表驱动法3.6 因果图法3.7 场景法3.8 正交实验法3.9 单元测试
IC面试常考题 Verilog三分频电路设计（占空比50%，三分之一，三分之二）
实现三分频电路最简单的是： 利用计数器实现。 时序图分析（本人比较懒，平常科研忙，所以直接手画时序图了，懒得用软件画了）： 直接上图分析：利用计数器每隔三个周期信号翻转一次，同时在不同的计数下翻转得到的同步信号 clk_1和clk_2，再利用异或即可实现出一个不同占空比的三分频信号（同样的方法也可扩展到其他奇数分频设计中）。 例如占空比50%： module Div_three( input clk, input rst_n, output div_three ); reg
海康威视摄像头CVE-2017-7921漏洞复现：从零到一的实战指南（含解密工具下载）
本文详细解析了海康威视摄像头CVE-2017-7921漏洞的技术原理与复现方法，提供从环境搭建到实战利用的完整指南。通过认证绕过漏洞，攻击者可获取敏感信息并执行高权限操作，文章还包含解密工具下载与防御建议，助力安全研究人员深入理解物联网设备安全风险。
Foxglove 介绍以及入门使用教程
Foxglove 是由Foxglove 工作室开发的一套工具集，包括和等组件。跨平台支持：可以在 Windows、macOS 和 Linux 上运行。多协议兼容：支持 ROS、ROS 2、CAN 数据以及其他自定义协议。丰富的可视化功能：可以绘制点云、轨迹、激光雷达数据、IMU 数据等。实时与离线模式：既可以实时监控机器人状态，也可以加载和回放记录的数据文件。Foxglove 的 3D 视图允许你以三维方式查看机器人的运动轨迹、传感器数据和其他几何信息。你可以旋转、缩放和平移视图以获得更好的观察角度。
基于点云数据的统计滤波算法改进
随着三维视觉和点云处理技术的发展，点云数据在机器人、自动驾驶、增强现实等领域得到了广泛应用。而点云数据中常常包含着各种噪声和异常点，这些噪声和异常点会影响后续的数据处理和分析任务。因此，对点云数据进行滤波处理是必不可少的一步。在点云滤波算法中，统计滤波（Statistical Filtering）是一种常见且有效的方法。它通过对点云数据进行统计分析，将噪声和异常点剔除或修复，从而得到更为准确和可靠的点云数据。本文将介绍一种改进的统计滤波算法，并提供相应的源代码实现。
数据科学助力大数据领域的航空安全分析
随着航空业的快速发展，航班数量不断增加，航空安全问题日益受到关注。大数据时代的到来，使得航空领域积累了大量的数据，包括飞行数据、维护数据、气象数据等。本文章的目的在于探讨如何运用数据科学的方法和技术，对这些大数据进行分析，以提高航空安全水平。范围涵盖了从数据收集、预处理到数据分析、模型构建和应用的整个流程。本文将按照以下结构进行组织：首先介绍数据科学和航空安全分析的核心概念以及它们之间的联系；接着阐述核心算法原理和具体操作步骤，并使用Python源代码进行详细说明；
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
916
扫一扫
