结构可靠性分析的自适应共轭非线性近似方法

经典的1阶可靠性方法在求解非线性结构可靠性问题时,由于仅利用当前迭代设计点的局部信息,致使求解精度及效率无法满足要求,为此提出了一种自适应共轭非线性近似方法。基于两点自适应非线性近似方法,使用当前及上一迭代设计点的极限状态函数值及梯度值信息,构建真实极限状态函数的非线性近似模型;在两点自适应非线性近似方法的基础上,利用前两步迭代设计点的极限状态函数值及梯度值信息,在当前迭代设计点处构建共轭搜索方向。随着迭代过程的进行,基于自适应调整模型中的非线性指数及搜索方向,在提高模型的近似精度的同时可避免迭代过程出现振荡,提高计算的稳定性。通过3个案例说明了所提方法的适用性。     

非平稳非高斯测量噪声条件下改进差分粒子滤波算法研究

针对非平稳非高斯测量噪声(NSNGN)条件下差分粒子滤波(DDPF)算法状态估计精度低、易发散的问题,提出了一种改进DDPF(IDDPF)算法. IDDPF算法采用高斯混合密度函数近似估计测量噪声,替代传统算法中测量噪声的高斯密度函数近似估计,采用似然函数的对数最大化法求解高斯混合密度函数模型参数,并将该模型应用于粒子权值计算,避免了高斯密度函数近似估计噪声模型所易于导致的粒子退化问题;通过建立水下目标纯方位角跟踪系统模型,将IDDPF算法应用于闪烁测量噪声条件下水下目标纯方位角跟踪问题的求解。50次Monte Carlo对比仿真实验结果表明：在NSNGN条件下IDDPF算法具有跟踪响应快、估计精度高、鲁棒性较好等优点。     

多小波模糊神经网络盲均衡算法

为了克服传统恒模算法(CMA)采用固定步长造成的收敛速度与收敛精度之间的矛盾,提出了一种基于平衡正交多小波变换的模糊神经网络盲均衡算法(MWT-FNN-BEA).该算法一方面利用模糊神经网络控制器自动调节算法的迭代步长,较好地解决了收敛速度与收敛精度之间的矛盾;另一方面利用平衡正交多小波变换对均衡器输入信号进行去相关性处理,进一步提高了算法的性能。理论分析和水声信道仿真结果表明,所提出的算法具有较快的收敛速度和较小的稳态误差,抗干扰性能好。     

基于自然对数复合函数近似l0范数的DOA估计

针对现有基于压缩感知的DOA估计算法收敛速度慢、精度不高等问题，提出一种基于自然对数复合函数近似l₀范数的DOA估计算法。新算法采用一种自然对数复合函数来近似l₀范数，将求解l₀范数问题转化为近似l₀范数的最优化问题。采用牛顿迭代法获得自然对数复合函数(即近似l₀范数)的迭代表达式，通过内外双层循环的方法获得牛顿迭代的最优解，即通过外层循环控制函数逼近因子σ的大小，内层循环采用最陡梯度法对牛顿迭代表达式进行求解，经有限次迭代即可获得近似l₀范数的最优解，进而得到DOA的估计值。通过仿真实验验证新算法的有效性，结果表明新算法在单快拍条件下即可实现DOA有效估计，且与平滑l₀范数算法及其改进算法相比具有更快的计算速度和更高的估计精度。     

统计特性突变下的机器人同步定位与地图构建

针对未知环境中，机器人同步定位与地图构建( SLAM)时，系统的统计特性发生突变问题，提出了一种基于非线性交互式多模型(IMM)的SLAM算法。该算法的主要思想是：用多个非线性高斯模型近似非线性非高斯模型；每个模型都采用扩展卡尔曼滤波(EKF)对非线性系统线性化；在每一步采用IMM方法获得融合估计值；从而演化机器人的SLAM. Monte Carlo仿真结果表明，在过程噪声均方根误差、量测噪声均方根误差和两者噪声均方根误差都发生变化的情况下，与EKF-SLAM算法和快速SLAM算法相比，该算法具有更好的估计精度。     

基于迭代无偏有限冲击响应滤波的共轴跟踪技术研究

为了有效提升光电跟踪系统的跟踪精度,提出一种共轴跟踪改进方案。采用迭代无偏有限冲击响应（UFIR）滤波算法来替代传统卡尔曼滤波（KF）算法,进行系统状态估计与预测。迭代UFIR滤波算法由于不依赖噪声先验统计信息,可有效克服传统KF算法的不足,在噪声统计信息未知时能保持理想的预测精度,从而使改进后的系统在实际工况下仍能达到较高的跟踪精度。分别进行了迭代UFIR算法和KF算法对比的单元仿真实验,以及采用两种算法的共轴跟踪系统对比仿真实验,实验结果验证了理论分析的正确性,表明在噪声统计信息无法事先准确获得的实际工程应用中,基于迭代UFIR滤波的共轴跟踪改进方案较基于KF算法的传统方案鲁棒性更强,具有更大的应用潜力。     

基于小波变换的光纤陀螺信号去噪方法

摘要：为提高光纤陀螺的使用精度,提出一种基于小波变换的光纤陀螺信号去噪方法。根据小波变换的原理, 使用四阶Daubechies 小波对光纤陀螺信号进行分解,选择改进阈值法对小波系数进行重构。该方法能有效滤除噪声 并保留有用信号,克服了硬阈值与软阈值的缺陷,能有效地提高光纤陀螺的使用精度。     

基于H∞滤波的GPS/SINS组合导航系统研究

文中在对H∞估计问题进行数学描述的基础上,建立了一种H∞次优滤波算法的迭代方程.通过在GPS/SINS组合导航系统中的实际应用从精度、鲁棒性等指标方面对H∞滤波和Kalman滤波算法进行比较.仿真结果表明,在理想条件下,Kalman滤波方法具有较高的精度.但是,当系统噪声和量测噪声为有色噪声时,H∞滤波算法明显具有良好的鲁棒性能,估计精度也较高,能有效地克服Kalman滤波器存在的局限性.     

基于H_∞滤波的GPS/SINS组合导航系统研究

文中在对H_∞估计问题进行数学描述的基础上,建立了一种H_∞次优滤波算法的迭代方程。通过在GPS/SINS组合导航系统中的实际应用从精度、鲁棒性等指标方面对H_∞滤波和Kalman滤波算法进行比较。仿真结果表明,在理想条件下,Kalman滤波方法具有较高的精度.但是,当系统噪声和量测噪声为有色噪声时,H_∞滤波算法明显具有良好的鲁棒性能,估计精度也较高,能有效地克服Kalman滤波器存在的局限性。     

基于混合卡尔曼滤波的磁偶极子目标跟踪

针对经典粒子滤波(PF)对磁偶极子跟踪高维模型估计时存在的"维数灾"问题,提出一种基于混合卡尔曼滤波(MKF)的方法进行求解。该方法通过导出磁偶极子跟踪的条件线性高斯模型,利用混合卡尔曼滤波算法,将状态变量分离为线性部分和非线性部分;利用卡尔曼滤波和粒子滤波进行耦合处理,克服了经典粒子滤波直接用于磁偶极子跟踪出现的精度不高和滤波发散问题。通过仿真实验将该方法与基于PF的磁偶极子目标跟踪方法进行了对比,结果表明算法精度较高,且性能稳定。     

存在非高斯重尾分布噪声的纯方位目标跟踪算法

纯方位目标跟踪是目标跟踪研究中的热点问题,针对目标跟踪方程中的非高斯重尾分布噪声问题,提出了一种针对非高斯重尾分布噪声的卡尔曼滤波算法。该方法通过建立基于存在异常值的高斯分布的层次高斯模型来近似未知的非高斯重尾分布系统过程噪声和测量噪声,并使用变分贝叶斯推断来学习混合概率,解决混合概率不确定带来的滤波性能下降的问题,从而提高滤波的鲁棒性。同时针对纯方位目标跟踪模型的非线性,结合修正增益卡尔曼滤波来降低量测方程非线性的影响。数值仿真结果表明,相对于EKF、UKF和变分贝叶斯卡尔曼滤波PEKF-VB、VBEKF,新算法VBMGEKF估计精度分别提高了69.31%、58.08%、127.84%和9.36%,具备更好的鲁棒性与精度。     

目标跟踪中两种非线性滤波算法的对比研究

在处理目标跟踪等动态系统实时估计问题中,通常采用EKF作为状态估计方法提高估计精度.由于EKF进行非线性估计存在一些缺陷,将系统进行线性化近似存在估计误差,从而影响目标跟踪的精度.为了获得更高的估计精度,介绍了两种新的非线性滤波算法,即unscented卡尔曼滤波算法和粒子滤波算法.分析了UKF和PF算法的原理和算法实现,对两种算法的适应性进行了比较.通过目标跟踪仿真实验,表明粒子滤波算法估计精度比UKF算法高,但是计算量却相对较大.     

基于盖尔圆准则的信源数目估计改进算法

针对最小信息准则(Akaike Information Criterion,AIC)存在的非渐进一致性估计的缺陷,以及盖尔圆准则(Gerschgorin Disk Estimator,GDE)可能出现无序特征值导致检测错误的问题,提出了一种基于盖尔圆准则和最小信息准则的GDE-AIC信源数目估计算法。该算法利用盖尔圆半径与噪声模型无关的特性构造似然函数,将其引入AIC准则模型中,克服了AIC准则非渐进一致性估计的缺点,且适用于空间色噪声的环境。在仿真实验中,将该算法与AIC算法及GDE算法等进行对比,结果表明,该方法稳定性好,适用于白噪声与色噪声,且在低信噪比时仍具有良好的估计性能。     

远程光纤传感网中滤波降噪方法的优化

为实现远程光纤传感网络在噪声干扰条件下的高精度检测传输,提出一种优化差分(optimized difference, OD)的降噪方法。基于移动平均法构建新差分算法,并结合低通算法、中值算法预判边缘信息及预测信号数值;采 用双重判别弥补边缘信息误判的缺陷,优化准确定位边缘信息的能力;融合加权平均法与卡尔曼滤波器(Kalman filter,KF),优化信号预测的精度。实验验证结果表明：采用该方法进行数据预处理将使系统能够正常检测数据, 测量精度可达0.76%,提高检测系统的抗噪性能。与先进小波阈值降噪方法的对比实验结果表明：斜率优化方法在 ≥10 dB 噪声干扰下,测量精度相对提高0.62 倍以上。     

火炮身管缺陷漏磁信号的识别

在对火炮身管缺陷进行漏磁检测时,由于内表面膛线的存在,漏磁信号中除缺陷信号外,还有系统噪声和膛线干扰信号。说明了自适应滤波方法和小波变换分别去除膛线干扰信号和系统噪声的原理。在仿真试验中,自适应滤波的权值学习算法采用最小均方算法,自适应滤波的原始输入和参考输入信号来自于不同的两个传感器;选取二阶样条小波为小波函数,选用硬阈值函数和固定阈值的方法处理小波系数。结果表明,自适应滤波方法和小波变换很好地去除了膛线干扰信号和系统噪声,提取出了缺陷信号。     

基于MUSIC算法的圆阵测向技术研究

MUSIC算法是空间谱估计测向的基础,它是通过天线阵对被测信号的响应矩阵来解算信号方向的。由响应矩阵的特征值,得到对应于信号和噪声的特征向量,以此扩展成信号子空间和噪声子空间。利用信号子空间与噪声子空间的正交关系,即可求解信号的方位角。这种空间谱估计测向方法,可以克服一般干涉仪测向体制中测向模糊和测向盲区的问题,且有较高的精度和分辨率。     

正交小波分数间隔频率分集自优化盲均衡算法

为克服传统多输入判决反馈盲均衡算法(MI-DFE)稳态误差大、收敛速度慢的缺点,在分析正交小波、分数间隔均衡器、频率分集技术的基础上,提出了一种正交小波分数间隔频率分集自优化盲均衡算法(WT-FF-SOC).该算法将正交小波、分数间隔均衡器与频率分集技术相结合,先得到正交小波分数间隔频率分集盲均衡算法(WT-FF);对WT-FF中每一路的输出合并后再进行判决反馈,用常数模算法(CMA)更新权向量,并作为WT-FF-SOC的跟踪模式;对WT-FF中的每一路信号进行判决反馈处理后,再对判决反馈滤波器的输出进行合并,在推导盲RLS算法后,用盲RLS算法更新权向量,并作为WT-FF-SOC的启动模式。两种模式利用代价函数的判决阈值进行切换。该算法具有收敛速度快、稳态误差小的特点。水声信道的仿真结果,验证了算法的有效性。     

结构可靠性优化的通用生成函数-序列优化与可靠性评估方法

通用生成函数（UGF）法在处理随机变量为非正态、功能函数为高度非线性的概率分析问题时具有较大优势。为提高结构可靠性优化求解的精度，提出了一种基于通用生成函数的序列优化与可靠性评估方法。该算法引入高精度可靠性分析方法和偏移向量求解策略完成优化，将迭代过程分为3个环节完成：第1环节利用最小二乘法拟合偏移函数的响应面回归模型，根据模型和许可可靠指标求解偏移向量；第2环节根据所求偏移向量完成确定性优化，得到当前设计点；第3环 节利用UGF法进行可靠性分析和评估，并根据相关约束重新构建偏移函数。算例分析表明，所提方法在保证求解效率的同时提高了优化精度，并很好地解决功能函数为高度非线性时优化结果无法收敛的问题。     

基于平移不变小波变换的图像滤波算法

为克服传统滤波法在去除高斯噪声时存在的不足,研究了一种基于平移不变小波变换的图像高斯噪声滤波算法,分析了小波分解函数、阈值系数及平移间距对滤波结果的影响。仿真试验表明,文中算法能够在去除噪声的同时较好的保持图像边缘,同时,峰值信噪比也较均值滤波法、小波软阈值和硬阈值等方法有所提高,是一种有效的高斯噪声图像滤波算法。     

基于导向矢量实时校准的稳健波束形成算法

针对已有稳健波束形成算法实时性差、收敛速度慢、输出信干噪比(SINR)低的缺陷,提出基于导向矢量实时校准的稳健波束形成算法。该算法首先构造一个正定矩阵,然后根据真实期望信号正交于噪声子空间的原理,建立代价函数,采用最陡下降法自适应迭代求解权矢量,最后将权矢量投影到信号干扰子空间。仿真验证表明该算法实时性好、收敛速度快、输出 SINR高,在较大导向矢量误差范围内仍能保持良好性能,具有较高的实际应用价值。