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。     

基于粒子滤波的拓扑环境定位

传统的粒子滤波方法将采样点平均分配到整个地图空间,当环境范围较大时,将占用大量的计算资源和存储空间,为了解决这个问题,研究了一种改进的粒子滤波方法,该方法可以有效地解决大范围拓扑环境的机器人全局定位问题.用拓扑地图作为室内环境模型,并只在环境模型中的机器人可能存在位置的关键节点附近分配采样点,使采样点数量降低,从而有效提高计算效率并减少存储空间.     

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.     

基于粒子滤波的场景事件实时识别

为解决智能监控场景中场景事件的检测与分析问题,提出了一种基于粒子滤波的场景事件实时识别方法.将场景事件分解为一系列的子事件,构成多层动态贝叶斯网络模型,模型中每一状态对应一种事件.采用Particle F ilter粒子滤波方法对模型中各节点状态的后验概率进行实时估计,以对场景事件进行实时识别.采样不同的粒子数目进行了对比仿真试验,仿真结果表明该方法能够得到较高的识别精度.     

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.     

小波变换在轴承故障声发射信号降噪中的应用

噪声消除是小波变换最成功的应用之一，其基本思想是将信号的小波变换系数通过阈值处理，然后进行小波重构得到降躁的信号。根据故障轴承声发射信号的脉冲特性选取Morlet小波．以“小波熵最小”原则确定Morlet小波的波形参数，然后进行连续小波变换。采用软阈值方法处理小波东数，通过小波重构得到降噪后的故障声发射信号，噪声得到了很好的抑制，故障脉冲特征明显增强。采用实验数据，通过与离散小波变换的比较，得到了用连续小波变换可以有效降低噪声、提取故障声发射信号特征的结论。     

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.     

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.     

基于能量分析的列车轴承故障声发射信号研究

货车轴承早期微弱故障的声发射信号由于背景噪声干扰引起故障特征不明显,提出一种基于能量分析的故障声发射信号特征提取方法。采用铁路货车轮对轴承故障实验台进行测试,利用能量算子在检测信号瞬态冲击成分方面的优势,增强故障声发射信号中的瞬态冲击特征,通过信号瞬时能量的频谱识别特征频率,从而判断故障原因。实验结果验证了能量方法用于货车轴承声发射故障诊断的有效性。     

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.     

TBM主轴承声发射故障诊断研究

以隧道施工TBM为研究对象,设计了主轴承声发射检测试验,进行了声发射信号采集,并取得较理想的分析信号。根据信号的时域图像特征及相关技术人员的数据支持,初步对TBM主轴承的工作状态做了判断,并采用了时变峭度法对实测信号进行分析,获取了强背景噪声下明显的故障特征,达到了抑制噪声、突出特征成分的目的。试验分析结果证明了该方法用于声发射故障信号特征提取的有效性,同时对TBM的状态监测提供了新思路。     

数字控制系统中的微分器

为了抑制微分器噪声输出和提高信噪比,文中列出了几种微分器的数值算法,并进而总结为一个计算公式。根据模拟电路经离散化得到的脉冲传递函数,既可作为带有低通滤波性能的微分器,又可作为微分状态估计器。本文所述的微分器无论在结构、计算速度等方面均优于一般状态空间方法设计的状态估计器。     

基于独立分量分析的诱发电位信号提取方法

诱发电位（EP）信号在检测神经系统状态时有重要意义，但EP信号总是没在自发脑电波（EEG）信号中，因此，为利用EP信号诊断神经系统的损伤和病变，需要从二的混合信号中提出EP信号。独立分量分析（ICA）是一种新近发展起来的信号分离方法。本反ICA方法应用于EP信号的提取，并与传统的滤波方法进行了比较。计算模拟表明，采用ICA方法进行噪声分离的结果明显优于信号滤波方法。     

Reliability Prediction Method Based on State Space Model for Rolling Element Bearing

Reliability analysis based on equipment’s performance degradation characteristics is one of the significant research areas in reliability research. Nowadays, many researches are carried on multi-sample analysis. But it is limited for a single equipment reliability prediction. Therefore, the method of reliability prediction based on state space model(SSM) is proposed in this research. Feature energy of the monitored signals is extracted with the wavelet packet analysis and the associated frequency band energy with online monitored data. Then,degradation feature is improved by moving average filtering processing taken as input pair model parameter of SSM to be estimated. In the end, state space predicting model of degradation index is established. The probability density distribution of the degradation index is predicted, and the degree of reliability is calculated. A real testing example of bearing is used to demonstrate the rationality and effectiveness of this method. It is a useful method for single sample reliability prediction.     

零相位数字滤波器在非平稳信号处理中的应用

研究零相位数字滤波器在进行非平稳信号滤波时的特点．选用一种典型带通零相位数字滤波器,以非平稳调幅信号作为滤波器输入,进行仿真分析．将零相位数字滤波器与小波包分解重构和经验模态分解方法的滤波能力进行了比较．探讨了零相位数字滤波器在处理非平稳调幅信号时存在的过渡过程,及对滤波结果幅值和频率的影响．论述了滤波误差与滤波器参数、输入信号特性和信噪比等因素的关系．提出了分段零相位滤波器方法,改善了滤波器性能．最后,以一个实测的振荡信号对上述分析进行了验证．为在非平稳信号处理中,正确使用零相位数字滤波器提供了参考．     

动态瞬时心率抗干扰检测算法设计

为了采集准确的心电信号,设计了一套基于瞬时心率信号抗干扰测量的方法,针对微弱并易受干扰的心电采样信号,进行有效地硬件以及软件滤波,通过软件数字滤波算法,得到真实的心率信号.实验结果表明,当运动状态稳定时,通过对采样信号脉宽限制及16个采样数据做滑动平均处理,得到的数据能够显示人体运动时的真实心率,数据波动正确的反映了心率状态,能够提供稳定准确的数值依据.     

轮轨噪声预测模型研究进展

从轮对振动声辐射预测模型、轨道结构振动声辐射预测模型与轮轨相互作用预测模型等方面，总结了轮轨噪声预测模型的研究进展，阐述了主要的建模方法及其特点，给出了一些典型结果，并提出了需要进一步研究的问题。研究结果表明:在建立轮对在给定简谐轮轨力作用下的振动声辐射预测模型时，可以将轮对简化为轴对称弹性体，轮对的振动响应通过一个2维的结构有限元模型来预测，而它的声辐射则通过一个2维的声学边界元模型来确定，这样的建模方法可以全面且方便地考虑轮对旋转所带来的陀螺效应和移动荷载效应；在建立轨道结构在给定的简谐轮轨力作用下的振动声辐射预测模型时，可以将轨道结构简化为无限长周期结构，轨道结构的振动响应通过周期结构理论来分析，而它的声辐射则应用2.5维声学边界元来预测，这样的建模方法可以方便地考虑轮轨力沿轨道的高速移动并大大简化声辐射的计算；在建立轮轨相互作用预测模型时，可以利用轮对和钢轨在轮轨接触点处的频率响应函数或脉冲响应函数，这样的建模方法只以轮轨力为未知量，不但使得相应的微分方程或积分方程未知量少，而且完全考虑了轮对的旋转及沿轨道的移动；轮轨噪声预测还需研究的问题包括高速列车轮对的声辐射、高速轨道相对车体的声辐射、地下铁路轮轨噪声，以及包含降噪措施的轮轨噪声预测模型等。      

动态瞬时心率抗干扰检测算法设计

为了采集准确的心电信号,设计了一套基于瞬时心率信号抗干扰测量的方法,针对微弱并易受干扰的心电采样信号,进行有效地硬件以及软件滤波,通过软件数字滤波算法,得到真实的心率信号．实验结果表明,当运动状态稳定时,通过对采样信号脉宽限制及16个采样数据做滑动平均处理,得到的数据能够显示人体运动时的真实心率,数据波动正确的反映了心率状态,能够提供稳定准确的数值依据．     

基于声发射技术的滚动轴承故障诊断方法研究

利用声发射信号的高频特性采集滚动轴承故障信息,运用小波分析把信号分解在不同频带,对信号进行重构,从而消除背景噪声,再应用Hilbert变换进行解调和细化频谱分析。实验结果证明,基于声发射信号的小波包络谱分析可有效地检测滚动轴承故障。     

Low Speed Bearing Fault Diagnosis Based on EMD-CIIT Histogram Entropy and KFCM Clustering

In view of weak defect signals and large acoustic emission(AE) data in low speed bearing condition monitoring, we propose a bearing fault diagnosis technique based on a combination of empirical mode decomposition(EMD), clear iterative interval threshold(CIIT) and the kernel-based fuzzy c-means(KFCM) eigenvalue extraction. In this technique, we use EMD-CIIT and EMD to complete the noise removal and to extract the intrinsic mode functions(IMFs). Then we select the first three IMFs and calculate their histogram entropies as the main fault features. These features are used for bearing fault classification using KFCM technique. The result shows that the combined EMD-CIIT and KFCM algorithm can accurately identify various bearing faults based on AE signals acquired from a low speed bearing test rig.