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.     

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.     

基于UKF滤波的水下目标被动跟踪研究

传统算法在解决目标被动跟踪时存在有偏、收敛速度慢或发散等不足,文中将无迹卡尔曼滤波(UKF)算法应用到目标的被动跟踪.该算法是一种以扩展卡尔曼滤波算法为基本框架,以贝叶斯理论和UT变换为理论基础的新型滤波算法.根据UT变换的基本原理给出了滤波过程的具体计算步骤并进行了仿真计算.理论分析和仿真结果表明,UKF算法的性能相当于二阶高斯滤波器,UKF算法在目标被动跟踪中的滤波精度、稳定性和收敛时间都优于EKF算法.     

基于SPN-PF模型的行人跟踪算法改进

结合粒子滤波和神经网络方法提出了一种新的自适应的行人跟踪改进算法.根据行人跟踪经常出现的遮挡,失跟,误跟等问题,提出了一个SPN-PF模型,通过Sigma-Pi网络将行人的多个特征联系在一起,经过学习和计算,进一步讲结果运用到粒子滤波方法中,从而达到可靠准确的跟踪行人目标的目的.实验结果表示该文提出的方法能够更准确的对行人进行跟踪.     

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%.      

基于 UKF 非线性人眼跟踪的驾驶员疲劳检测

为解决驾驶员疲劳检测算法中头部快速移动、人眼非线性跟踪以及实际疲劳表情的识别问题,提出了一种新的基于UKF眼跟踪算法的驾驶员疲劳检测方法.根据近似非线性函数的概率分布比近似其函数更容易的原则,利用UT无迹变换,选择一组确定的Sigma点集逼近驾驶员人眼运动状态的后验概率密度函数,进行人眼非线性跟踪.在驾驶员人眼非线性跟踪基础上,通过计算PERCLOS值,进行现实驾驶条件下驾驶员疲劳的跟踪检测.实验结果表明,该方法不仅可以增强对驾驶员头部旋转、快速移动以及光照变换的鲁棒性,而且可以比传统的Kalm an滤波算法提供更精确的计算估计.     

基于改进Canny算子的遥感图像边缘检测

针对传统的Canny边缘检测算子存在高斯滤波函数方差和阈值需要人工设置的缺点,提出了一种基于改进Canny算子的遥感图像边缘检测算法.首先利用复合形态学滤波代替高斯滤波,可得到更好的平滑效果,同时保留更多的边缘信息;然后利用Otsu阈值方法对阈值进行自适应设定,可以使检测边缘更加连续完整,并减少虚假边缘的存在;最后引入数学形态学算法实现对边缘细化处理.实验结果表明,将改进的Canny算子应用到遥感图像的处理中,具有良好的抗噪性能和检测精度.     

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.     

一种改进惯性权重的混沌粒子群优化算法

为解决粒子群算法(particle swarm optimization, PSO)在求解多维复杂问题时易陷入局部最优的问题,提出了一种改进惯性权重的混沌粒子群优化算法,算法中利用Sigmoid函数构造惯性权重的进化曲线,进化过程中利用Logistic混沌变换和群体适应度方差来实时调整惯性权重的值,防止陷入局部最优.最后选用6个基准测试函数对该算法进行性能测试,仿真结果表明该算法能够有效避免PSO算法的早熟收敛问题,得到较高精度的解.     

基于双重采样粒子滤波的目标轨迹跟踪研究

为保证对目标轨迹跟踪的实时性,提高其精度,提出双重采样粒子滤波模型。首先,利用粒子聚合技术对状态空间的粒子权值进行加权平均处理,形成聚合粒子,使得粒子在状态空间内分布更为合理。然后,利用线性优化方法重新产生新的粒子,优化粒子在状态空间的分布特性,增加粒子的多样性,提高算法的精确性。经仿真验证,本文提出的算法较准确,鲁棒性也较高。     

基于AFC数据的城轨路网客流OD在线动态估计

路网实时客流状态是城市轨道交通日常运营组织科学决策的主要依据,而精准地在线估计客流OD是前提条件.本文分析了准实时AFC数据接入条件下客流OD在线动态估计问题及其特点,提出了将机器学习与递归贝叶斯相结合的客流OD动态估计方法;构建了基于LSTM的客流OD状态转移模型,以及LSTM模型嵌入下的客流OD递归贝叶斯估计模型;针对客流OD状态变化的非线性、不确定性特点,提出基于粒子滤波算法求解客流OD递归贝叶斯估计问题.面向LSTM模型嵌入所形成的客流OD状态转移三阶马尔科夫过程,对一般的粒子滤波算法进行高阶扩展,研究了算法的实现.最后用实例对本文提出的方法进行了验证.     

Optimal linear phase finite impulse response band pass filter design using craziness based particle swarm optimization algorithm

An efficient method is proposed for the design of finite impulse response (FIR) filter with arbitrary pass band edge, stop band edge frequencies and transition width. The proposed FIR band stop filter is designed using craziness based particle swarm optimization (CRPSO) approach. Given the filter specifications to be realized, the CRPSO algorithm generates a set of optimal filter coefficients and tries to meet the ideal frequency response characteristics. In this paper, for the given problem, the realizations of the optimal FIR band pass filters of different orders have been performed. The simulation results have been compared with those obtained by the well accepted evolutionary algorithms, such as Parks and McClellan algorithm (PMA), genetic algorithm (GA) and classical particle swarm optimization (PSO). Several numerical design examples justify that the proposed optimal filter design approach using CRPSO outperforms PMA and PSO, not only in the accuracy of the designed filter but also in the convergence speed and solution quality.     

闭环系统辨识的模型结构检验

对于闭环系统辨识的模型结构检验问题,在预测误差辨识法的前提下,从参数估计的统计特性中推导出两概率模型不确定性边界及最优的输入滤波器形式。概率边界及输入滤波器是基于参数估计的渐近正态分布的方差矩阵,该方差矩阵由采样数据估计而得。根据未知参数的渐近方差矩阵内积形式从概率统计意义上构造模型参数及互相关函数的不确定性边界,从优化的角度推导输入滤波器的选取形式。最后用仿真算例验证本文辨识方法的有效性。     

Adaptive Multi-Objective Optimization of Bionic Shoulder Joint Based on Particle Swarm Optimization

To get the movement mode and driving mechanism similar to human shoulder joint, a six degrees of freedom (DOF) serial-parallel bionic shoulder joint mechanism driven by pneumatic muscle actuators (PMAs) was designed. However, the structural parameters of the shoulder joint will affect various performances of the mechanism. To obtain the optimal structure parameters, the particle swarm optimization (PSO) was used. Besides, the mathematical expressions of indexes of rotation ranges, maximum bearing torque, discrete dexterity and muscle shrinkage of the bionic shoulder joint were established respectively to represent its many-sided characteristics. And the multi-objective optimization problem was transformed into a single-objective optimization problem by using the weighted-sum method. The normalization method and adaptive-weight method were used to determine each optimization index’s weight coefficient; then the particle swarm optimization was used to optimize the integrated objective function of the bionic shoulder joint and the optimal solution was obtained. Compared with the average optimization generations and the optimal target values of many experiments, using adaptive-weight method to adjust weights of integrated objective function is better than using normalization method, which validates superiority of the adaptive-weight method.     

基于均值平移和自适应预测的运动目标跟踪

针对运动目标跟踪算法不足之处,提出结合改进的均值平移与自适应预测的目标跟踪算法,基于Bhattacharyya系数值进行Kalman滤波器与粒子滤波器之间的切换.引入Kalman滤波器为Mean Shift算法估计初始点,在跟踪稳定的情况下进行模板更新,根据Kalman残差大小判定是否发生遮挡：部分遮挡情况下即结合Kalman滤波器实现对快速运动目标的实时跟踪;完全遮挡情况下结合均值平移和粒子滤波进行鲁棒跟踪.实验证明,改进的算法可以有效地提高跟踪算法的效率,并且能很好地解决遮挡问题.     

桁架结构拓扑优化的微粒群算法

为了解决有应力和位移约束的桁架结构的拓扑优化问题,将微粒群算法用于桁架结构拓扑优化.用罚函数法将应力和位移约束下的结构优化问题转化为无约束优化问题,用微粒群算法迭代计算.为了证明此方法的可行性,给出了2个具有应力和位移约束的桁架结构拓扑优化的算例.计算结果表明,微粒群算法与现有算法获得的桁架结构拓扑优化结果一致.