摘要：当强震台站场地资料不完整时,所收集到的强震数据因缺乏准确的场地类别信息而难以有效利用。为解决这一问题,本文提出一种基于离散fréchet距离的强震台站场地分类方法。将获取到的664个KiK-net台站场地按照《建筑抗震设计规范(GB 50011—2010)》进行分类,并构建2个数据集。利用数据集1得到I、II、III类场地标准谱比曲线,并结合离散fréchet距离对数据集2中的台站进行场地分类,统计分类成功率与误判率。统计结果表明,本文方法能较准确地对场地进行分类,且误判率在可接受范围内。将本文方法分类统计结果与斯皮尔曼秩相关系数法分类的成功率与误判率进行对比,结合本文方法分类后得到的平均谱比曲线,均可表明应用本文方法进行强震台站场地分类具有合理性。

摘要：目标跟踪的精度取决于滤波器的性能,但在许多实际的毫米波雷达测量场景中,模型及相关参数的不确定会导致传统滤波器的性能下降。为了应对这种情况,基于贝叶斯准则设计了一种鲁棒卡尔曼滤波器。利用Metropolis Hastings算法,从不确定噪声参数的似然函数中采样并以样本分布来近似后验噪声分布,然后计算其统计平均值,并借助后验噪声统计量扩展了经典卡尔曼滤波器。另外,针对采样时提议分布(Proposal Distribution)难以确定的问题,提出了一种提议分布自适应方法,即利用离散fréchet距离来评价候选分布与先验分布变化趋势的相似性,然后选取相似性最大的候选分布为提议分布。通过处理毫米波雷达的测量数据证明了该滤波器在应对观测噪声不确定的场景时性能优越。

摘要：为解决机载Lidar点云汽车类型的识别难题,利用点云的形状曲线与标准汽车形状曲线相似度的比较,来实现汽车目标与非车目标的区分,以及汽车类型的判断。标准汽车形状曲线的相似度可利用Hausdorff距离、离散fréchet距离和动态时间扭曲(dynamic time warping,DTW)规整距离3个不同方法来进行计算,并对影响汽车类型识别性能的因素进行对比研究。实验结果表明,以DTW规整距离作为相似度评价指标时,汽车类型识别性能最优。基于DTW规整距离汽车形状曲线的机载Lidar点云汽车类型识别方法判定非车目标的总体精度为90.6%,具体汽车类型识别中总体精度达到72.9%。