随机状态模型参数辨识的多步算法

基于解耦辨识和多步计算思想,本文提出了一种状态空间模型参数辨识的多步算法.计算法包括二步加权最小二乘法、一步输出信息序列的修正和一步自适应 Kalman滤波过程,具有全局收敛且对待辨识参数初始估值设置不敏感等特点.仿真结果表明,在受控系统承受测量噪声和过程噪声的情况下,该算法对线性状态空间模型的参数辨识是十分有效的.     

数字图像中值滤波改进算法研究

对传统的中值滤波算法进行了改进，新的算法采用同步更新迭代的思想，保持了传统算法的优点，同时取得到了更好的去噪效果．实验证明，该算法不仅比传统的中值滤波算法降低了时间复杂度，提高了运算速度，而且去噪效果有了明显的改善．     

基于Kalman滤波的无源动态定位算法的研究

目前已经能够研制出测量用户至卫星伪距信号的“北斗”用户接收机，此款接收机可以工作在无源定位的情况下．由于“北斗”定位卫星数量极其有限，接收机在动态定位的精度上会出现很大的误差．文中针对这一问题进行讨论，采用“当前”统计模型来建立用户载体的状态方程，并且提出一种新的量测方程，然后将构建的Kalman滤波方程组运用于接收机的动态定位中，仿真结果表明，这种算法能很好地改善定位的精度及动态性能．     

基于粒子滤波的跟踪算法研究

在非线性条件下,扩展Kalman 滤波（ EKF）的应用最为广泛。但是,由于它采用了Taylor展开的线性变换来近似非线性模型,因而存在计算量大、实时性差、估计精度低等缺点。粒子滤波（ PF）用一些带有权值的随机样本（粒子）来表示所需要的后验概率密度,并通过这些粒子的加权来估计目标运动的状态,从而得到基于物理模型的近似最优数值解,具有精度高、收敛速度快等特点。通过仿真实验将PF与EKF的性能进行了对比,并且研究了噪声协方差与粒子数对PF的影响。 PF与EKF的对比实验结果表明,在强非线性条件下,PF比EKF跟踪精度更高,误差更低。     

自行小车悬挂输送系统无线定位算法

针对WKNN算法中未知节点的定位中邻近参考点参数固定、定位不灵活且误差较大的问题,提出了基于RSSI的加权近邻改进算法.首先对RSSI值进行高斯滤波处理,通过FCM聚类确定未知节点所属类别,采用隶属度阈值对聚类结果进行修正.然后根据FCM的聚类子样本数设定WKNN算法的近邻值,实现了WKNN算法的自适应计算.实验结果表...     

自适应多项式预测滤波器的新结构与算法研究

(1)提出了一种DCT域二次滤波实现结构及其NLMS自适应算法，并将其用于连续混沌信号的实时预测研究，结果表明：所提出的滤波器结构实现简单、不存在算法收敛性问题；对连续混沌信号的实时多步预测性能明显优于局域法的多步预测性能，这一结果对我们重新认识     

基于改进LSD直线检测算法的钢轨表面边界提取

针对传统LSD直线检测算法容易丢失图像细节,造成提取直线不连续等不足,提出一种基于双边滤波改进Canny提取边缘图像的LSD直线检测算法。利用Canny算法提取边缘图像,基于边缘图像采用LSD直线检测算法进行直线提取;考虑到Canny边缘检测中使用高斯滤波,在降噪的同时会模糊图像边缘,而双边滤波对于图像边缘有较好的保护作用,采用双边滤波代替Canny边缘检测中的高斯滤波进行边缘图像提取。同时,将基于双边滤波改进Canny提取边缘图像的LSD直线检测算法应用到钢轨表面边界提取中。实验结果表明,改进LSD直线检测算法对钢轨表面边界直线提取效果较佳,相关评价指标得到较大提升,正常钢轨图像和锈迹钢轨图像的峰值信噪比分别提升6.49%和13.58%,为后续钢轨表面缺陷识别奠定了基础,具有一定的实用价值。     

基于分块EnKF的非线性目标跟踪算法

针对滤波航迹的相关性以及初始状态的选择会对跟踪性能产生影响的问题,将集合卡尔曼滤波算法引入到非线性目标跟踪领域,验证了其可行性和有效性,提出了基于分块集合卡尔曼滤波的非线性目标跟踪算法.采用分块思想生成初始集合,使用协方差矩阵加权方法解决分块间的航迹相关问题.仿真结果表明基于分块集合卡尔曼滤波的目标跟踪算法计算复杂度和以往的集合卡尔曼滤波算法同阶的情况下可以提供更高的运动参数估计精度,解决了粒子滤波算法计算量大难以进行实时跟踪的问题.      

基于改进UKF的BDS/IMU组合列车定位方法

为提高列车定位的精确性和连续性，采用北斗卫星接收机和惯性测量单元构建车载组合定位系统. 针对多传感器组合定位信息融合估计的非线性和鲁棒性需求，将抗差估计理论的等价权原理应用于标准无迹卡尔曼滤波（unscented Kalman filter，UKF）算法，构造了一种改进的UKF算法，通过对标准UKF算法的噪声协方差进行等价替换，从而起到调节滤波增益的作用，使得滤波算法对传感器观测粗差具有较强的抑制能力. 将改进的UKF算法与标准UKF算法应用于列车组合定位进行仿真比较，结果表明:传感器无观测异常时，改进UKF算法的滤波精度总体上略优于标准UKF算法；当传感器观测值含有随机粗差时，改进UKF算法的滤波精度及稳定性明显优于标准UKF算法，北向、东向位置平均估计误差分别降低了48.5%、48.8%，北向、东向速度平均估计误差分别降低了43.7%、48.9%.      

水下组合导航UKF/PF自适应滤波算法

为了避免粒子滤波(PF)可能存在的粒子退化问题,提出了一种Unscented卡尔曼滤波(UKF)和PF的混合滤波算法.将PF的所有粒子分为随机性粒子和确定性粒子两部分,利用UKF状态估计为PF确定重要性函数,并从重要性函数中抽取随机粒子,而确定性粒子则由UKF的Sigma点构成.利用标准粒子滤波的退化程度指标构造自适应权函数,根据权函数权值大小的变化,UKF/PF混合滤波算法自适应地进化为PF滤波算法或退化为UKF滤波算法.仿真结果验证了UKF/PF混合滤波算法用于DR/INS组合滤波器设计的有效性.     

基于多模型和辅助粒子滤波的机动目标跟踪算法研究

机动目标跟踪的本质是随机动态混合系统中的状态估计问题,其难点在于每一时刻运动模式的高度不确定性.在实际问题中,系统状态往往还呈现非线性、非高斯、不完全观测的特点.文中将多模型理论和辅助粒子滤波算法相结合,提出了一种新的机动目标跟踪算法——MM APF.仿真结果表明,该算法与传统的交互多模型——扩展卡尔曼滤波算法、辅助粒子滤波算法相比,在计算量相当的情况下,具有更高的滤波精度和较好的稳定性.     

基于多参数加权的IVC网络系统移动自适应分群算法研究

由于IVC车辆间通信系统中车辆的移动性,其无线通信网络的拓扑结构是动态变化的.若每个车辆节点各自维护网络路由信息会导致大量的控制信息而占用带宽资源,因此需要将IVC网络内的车辆节点进行分群处理.文中提出了一种针对IVC网络系统的基于多参数融合加权的改进移动分群算法,该算法将节点的位置及速度等运行状态信息作为决定分群的因素,并考虑了车辆节点的移动特性,因此保证了网络分群的稳定性和移动适应性.     

动态随机状态下的车辆导航及其路径寻优算法

通过对交通系统随机特性的分析，提出了一种较为符合实际情况的动态随机状态车辆导航新概念。据此，设计了一套符合实际情况并有助于解决Braess悖论的路径寻优算法。     

基于自适应均值的地铁隧道裂缝图像滤波算法

地铁隧道表面光照不均匀、对比度低、噪声干扰严重,采集到的裂缝图片较灰暗且含有大量混合噪声,因而单一的滤波方法不能达到很好的去噪效果。针对该问题,提出一种基于快速中值的自适应均值滤波算法来实现隧道裂缝图像滤波。该算法先对图像进行反转以增强裂缝与背景的对比度,通过快速中值法计算滤波窗口的中值,自适应地选取合适的阈值来对滤波系数加以优化,并将窗口各像素点的灰度值进行加权运算,其结果作为窗口中心点灰度值,并输出。通过与传统中值、均值滤波算法比较,提出的新算法不仅降低了图像噪声,而且有效地保护了裂缝边缘,降低后续对裂缝特征量提取及分割识别的难度。     

基于多尺度Kalman滤波的多传感器数据融合

通过分析多尺度动态系统模型,提出了一种基于小波变换的Kalman多传感器数据融合算法。该算法结合了Kalman滤波的实时性、递归性和小波变换的多尺度特性,能对多传感器的观测数据有效地融合。算法首先将最细尺度上观测数据滤波后得到的估计序列小波分解到各尺度上;然后在各尺度上,利用该尺度上的传感器观测数据对小波分解系数进行更新;最后利用小波重构,达到更新原始估计序列的目的。仿真实验表明,该算法具有很好的数据融合效果。     

基于自适应滤波算法的牵引网谐波电流检测

研究了自适应噪声对消技术在供电系统谐波电流检测模块中的应用及其使用的传统LMS算法,分析了传统固定步长算法的不足,并借鉴已有的多种变步长函数,提出了一种结合双曲正割和双曲正切变步长函数的自适应滤波改进算法.通过Matlab软件进行实验,分别模拟了采用传统LMS算法、双曲正割函数算法、双曲正切函数算法以及改进后的变步长算法的电流检测过程,并将检测到的基波电流波形进行比较,发现改进算法结合了所选两种函数收敛速度快、稳态精度好的优点,面对系统发生突变有了良好的响应速度和稳定能力,验证了改进算法的合理性.     

基于RSSI的无线传感器网络加权质心定位算法

节点定位是无线传感器网络中的关键技术之一．文中通过对无线电传播路径损耗模型的分析，提出了加权质心定位算法，用信标节点对未知节点的不同影响力来确定加权因子，以提高定位精度．并且在理论分析的基础上，提出了优选信标节点进行节点定位计算的规则，以此进一步提高节点定位精度．加权质心定位算法计算简单，定位过程中节点问无通信开销．节点定位精度较常用的极大似然估计算法高，具有较普遍的应用意义．     

车辆组合导航系统自适应UKF滤波算法

针对传统卡尔曼滤波和扩展卡尔曼滤波(EKF)在导航中存在的缺点,在车辆GPS/DR组合导航系统中引入了Unscented Kalman filter(UKF)算法,并提出一种改进的开窗估计算法,采用一种自适应算法来动态调整开窗大小,减小了算法计算量。利用此方法对系统过程噪声进行实时跟踪,并与UKF方法相结合。仿真试验表明:此方法滤波精度和稳定性都有了一定的提高,同时相比传统UKF算法又具有更好的自适应性。     

人工免疫粒子滤波算法估计电动汽车电池SOC

准确预测电池的荷电状态（SOC）对纯电动汽车的安全可靠的运行具有重要意义.标准的粒子滤波算法对锂离子动力电池的非线性特征有一定的适应性,能够对电池的 SOC做出估计.但是在标准粒子滤波运算过程中普遍存在粒子退化现象,导致算法效率和预测精度降低.因此,本文提出一种新的人工免疫粒子滤波算法,将人工免疫算法的原理引入标准粒子滤波算法的粒子更新过程中,对锂离子动力电池SOC的估计进行优化,以提高SOC估计的准确性.利用北京市实际运营的纯电动汽车电池数据,对所提出的电池SOC算法进行实证研究.实验结果表明,相对于标准粒子滤波算法,人工免疫粒子滤波算法能够增加粒子的多样性,具有更好的SOC预测精度和有效性.     

铁路轨道异物完整性检测与跟踪算法研究

针对野外复杂环境下轨道异物检测不完整问题,提出基于小波变换的像素过滤思想改进GMM,构建背景模型;为解决异物目标实施机动(转弯、加速或突然出现)时跟踪实时性差和准确率低的问题,分析Kalman滤波线性化误差,搭建BP神经网络修正 IMM的跟踪模型,实现轨道异物跟踪预测,并推导出非线性Kalman滤波关系.实验表明,改进GMM在正常天气下平均前景误检率降低了24.94个百分点,针对复杂恶劣天气平均前景误检率降低了33.76个百分点;建立BP神经网络-IMM-Kalman滤波模型不仅可以快速准确地对场景中的机动目标进行跟踪,而且比Kalman滤波和IMM更加平稳,误差更小.