一些简单的直线处理,如线段相交、线段延长、点到直线的距离、直线拟合、角度旋转的等方法
一些简单的直线处理,如线段相交、线段延长、点到直线的距离、直线拟合、角度旋转的等方法
对平面多个点进行曲线拟合
对平面多个点进行曲线拟合
计算两个矩形之间的IOU面积和重叠率
计算两个矩形之间的IOU面积和重叠率
感知算法 最邻近算法 数据关联
主要实现了最邻近算法,可用于数据关联
主要是对匈牙利算法进行了实现
主要是对匈牙利算法进行了实现
Root_Music测距
采用rootmusic进行测距,包含python编写的rootmusic
root_music_one_chirp_VS_multichirp.m
采用matlab 相控阵工具箱对单目标进行仿真,采用rootmusic进行测距,并同时估计方位和俯仰角,进行三维轨迹匹配
simulation_1T4R_two_targets.m
采用matlab工具箱得到三维回波数据,在进行空间角估计以及匹配
simulation_1T3R.m
采用Matlab相控阵工具箱,仿真FMCW体制下L型一发三收天线,进行方位俯仰角的估计
IMM_filter_example.py
IMM 算法即交互多模型算法,其基本原理也是基于卡尔曼滤波算法的,
IMM 算法的基本思想是:目标在空间中运动时,一般都具有不止一种运动状态,为了更加贴切地描述运动过程,将其中的每一种运动状态用不同的模型来描述,
其中每个运动模型对应一个单一的卡尔曼滤波过程,且这些单一的卡尔曼滤波在
整个系统中是独立存在互不影响的,在状态输出过程中,只需将不同的模型过程
加权,得到最后的输出滤波结果。
多维Kalman滤波
卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响,所以最优估计也可看作是滤波过程。
数据滤波是去除噪声还原真实数据的一种数据处理技术,Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中,估计动态系统的状态。由于它便于计算机编程实现,并能够对现场采集的数据进行实时的更新和处理,Kalman滤波是目前应用最为广泛的滤波方法,在通信,导航,制导与控制等多领域得到了较好的应用。
CFAR_2D.py
二维CFAR包含多种处理方法,简单又实用。恒虚警率CFAR是Constant False-Alarm Rate的缩写。在雷达信号检测中,当外界干扰强度变化时,雷达能自动调整其灵敏度,使雷达的虚警概率保持不变,这种特性称为恒虚警率特性。恒虚警率简称CFAR,是Constant False-Alarm Rate的缩写。
距离多普勒成像
经 典 的 距 离 多 普 勒 成 像 算 法,能 用 来 处 理 S A R 成 像 问 题
时频分析压缩包,包含各类时频变换
时 频 分 析 压 缩 包,包 含 各 类 时 频 变 换,要 用 哪 个 时 频 算 法 请 自 行从 压 缩 包 中 选 取
l 1qc_logbarrierr 算 法
l 1qc_logbarrierr算 法 , 花 了 很 长 时 间 才 找 到 的 , 保 证 能 用
S B L 算 法
SBL 算 法 , 花 了 很 长 时 间 才 找 到 的 , 保 证 能 用
hard_l0算法
hard_l0算法,花了很长时间才找到的,保证能用。。。。
gpsr算法,抗噪声能力强
gpsr算法,抗噪声能力强,算法功能比好,费了好久找到的
ExCoVapp算法,抗噪声能力强
EXCOVapp算法是EXCOV的改进新,算法功能比EXCOV好,费了好久找到的
ExCoV算法,抗噪声能力强
ExCoV算法是比稀疏贝叶斯更好的算法,他的抗噪声能力远远比BCS好
CoSaMP算法
CoSAMP算法时omp算法的改进,他的各方面性能都比omp算法好。
kuaisu稀疏贝叶斯
将雷达回波信号写为如下稀疏形式:
其中 为基矩阵, 为待求系数列向量。 为服从均值为0,方差为 的加性高斯噪声。目标向量 为已知元素集,包含N个变量,即 。
若每个元素独立向量 的概率密度为:
这也是系数向量 的最大似然估计,为一个二范数的求解问题(稀疏性得不到保证)。
矢量化压缩感知OMP算法
OMP算法的基本思想:从字典矩阵D(也称为过完备原子库中),选择一个与信号 y 最匹配的原子(也就是某列),构建一个稀疏逼近,将剩余残差减去所有被选择过的原子组成的矩阵所张成空间上的正交投影得到下一步的信号残差,然后继续选择与信号残差最匹配的原子,反复迭代,信号y可以由这些原子的线性和,再加上最后的残差值来表示。很显然,如果残差值在可以忽略的范围内,则信号y就是这些原子的线性组合。 OMP分解过程,实际上是将所选原子依次进行Schimidt正交化,然后将待分解信号减去在正交化后的原子上各自的分量即可得残差。
稀疏正交匹配追踪
稀疏正交匹配追踪(OMP算法)正交匹配追踪(OMP)算法属于贪婪算法。而贪婪算法是一种不追求最优解,只希望得到较为满意解的方法。贪婪法一般可以快速得到满意的解,因为它省去了为找最优解要穷尽所有可能而必须耗费的大量时间。贪婪算法常以当前情况为基础作最优选择,而不考虑各种可能的整体情况,所以贪婪算法不要回溯。
OMP算法的基本思想:从字典矩阵D(也称为过完备原子库中),选择一个与信号 y 最匹配的原子(也就是某列),构建一个稀疏逼近,将剩余残差减去所有被选择过的原子组成的矩阵所张成空间上的正交投影得到下一步的信号残差,然后继续选择与信号残差最匹配的原子,反复迭代,信号y可以由这些原子的线性和,再加上最后的残差值来表示。很显然,如果残差值在可以忽略的范围内,则信号y就是这些原子的线性组合。 OMP分解过程,实际上是将所选原子依次进行Schimidt正交化,然后将待分解信号减去在正交化后的原子上各自的分量即可得残差。