针对三维点云数据中存在的异常点会对平面拟合过程产生不利的影响,提出了一种将最小平方中值算法(Least Median of Squares,LMedS)与特征值法相结合的点云平面拟合新方法。首先,通过LMedS算法进行多次迭代确定最佳阈值并剔除点云数据中...针对三维点云数据中存在的异常点会对平面拟合过程产生不利的影响,提出了一种将最小平方中值算法(Least Median of Squares,LMedS)与特征值法相结合的点云平面拟合新方法。首先,通过LMedS算法进行多次迭代确定最佳阈值并剔除点云数据中的异常点。然后,采用特征值法对剔除完异常点后的点云数据进行平面拟合,以获得更加精确的拟合平面参数解。最后,分别采用最小二乘法、特征值法、RANSAC+主成分分析法与所提出方法对仿真和实测点云数据进行平面拟合计算。实验结果表明,相比于其他方法,该方法的平面拟合精度更高,适用于对含有异常点的点云数据进行平面拟合,具有较高的鲁棒性。展开更多
针对基于训练序列的智能天线自适应干扰抑制系统,提出了一种最小二乘(Least squares,LS)-最小均方(Least mean squares,LMS)智能天线自适应干扰抑制方法,该方法首先利用小快拍数LS方法为LMS方法提供初始加权矢量,然后用LMS算法更新加权...针对基于训练序列的智能天线自适应干扰抑制系统,提出了一种最小二乘(Least squares,LS)-最小均方(Least mean squares,LMS)智能天线自适应干扰抑制方法,该方法首先利用小快拍数LS方法为LMS方法提供初始加权矢量,然后用LMS算法更新加权矢量。对LS、LMS和LS-LMS三种算法复杂度分析比较得知新方法的计算量较小,在快拍数较大或阵元与快拍数均较大时都能有效地提高计算效率。仿真实验表明,新方法性能优于LMS算法,具有较快的收敛速度,且收敛速度与干扰环境无关。展开更多
文摘针对三维点云数据中存在的异常点会对平面拟合过程产生不利的影响,提出了一种将最小平方中值算法(Least Median of Squares,LMedS)与特征值法相结合的点云平面拟合新方法。首先,通过LMedS算法进行多次迭代确定最佳阈值并剔除点云数据中的异常点。然后,采用特征值法对剔除完异常点后的点云数据进行平面拟合,以获得更加精确的拟合平面参数解。最后,分别采用最小二乘法、特征值法、RANSAC+主成分分析法与所提出方法对仿真和实测点云数据进行平面拟合计算。实验结果表明,相比于其他方法,该方法的平面拟合精度更高,适用于对含有异常点的点云数据进行平面拟合,具有较高的鲁棒性。
文摘针对基于训练序列的智能天线自适应干扰抑制系统,提出了一种最小二乘(Least squares,LS)-最小均方(Least mean squares,LMS)智能天线自适应干扰抑制方法,该方法首先利用小快拍数LS方法为LMS方法提供初始加权矢量,然后用LMS算法更新加权矢量。对LS、LMS和LS-LMS三种算法复杂度分析比较得知新方法的计算量较小,在快拍数较大或阵元与快拍数均较大时都能有效地提高计算效率。仿真实验表明,新方法性能优于LMS算法,具有较快的收敛速度,且收敛速度与干扰环境无关。
