一种基于传感器网络的水污染源质心定位算法

目前基于传感器网络的污染源定位多采用基于扩散模型的解析定位算法.然而,在该类算法中,复杂的数值计算会引入估计误差,并且水污染扩散模型大多是在理想的近似条件下提出的,在污染源定位问题中亦会引入误差.在某些情形下,由于没有解析的定位模型,基于扩散模型的解析定位算法无法采用.为了弥补传感器网络下基于扩散模型的水污染源定位方法的不足,提出了一种不依赖于扩散模型的水污染源质心定位算法.在该算法中,首先确定污染源所在区域,然后计算几何区域的质心,质心位置即为污染源估计位置.为了求解质心定位问题,提出了基于浓度场等位线的求解方法.在实验部分,对比了本文质心算法与基于扩散模型的定位算法以及粗略定位算法的定位结果.实现结果说明了本文算法的有效性.     

基于无迹卡尔曼滤波的机器人手眼标定

提出一种基于无迹卡尔曼滤波(UKF)的机器人在线手眼标定算法来求解齐次变换矩阵方程AX =XB.建立手眼标定的隐式马尔可夫模型(HMM),并对它进行无迹卡尔曼滤波,从而对标定参数的状态进行递归贝叶斯估计和实时可视化处理.蒙特卡洛仿真结果表明,在小高斯噪声、较大高斯噪声以及非等方向性高斯噪声模型下,本文算法估计结果的精确...     

基于高斯分布的多层无迹卡尔曼滤波算法

在传统无迹卡尔曼滤波(UKF) 中对其估计精度和计算效率起关键作用的是采样算法, 即构造具有权重的样本点. 研究表明, 带权样本点匹配随机变量的阶矩越高滤波的精度越高, 如多项式无迹卡尔曼滤波(PUKF), 但通常此类算法的复杂度过高甚至难以求解. 为此, 基于高斯分布结合高阶矩匹配与无迹卡尔曼滤波线性扩张方 法(LUKF), 提出一种兼顾效率和精度的高斯滤波离线算法. 实验结果表明, 所提出算法拥有比UKF 更高的估计精度和比PUKF 更好的计算效率.

     

交互式容积卡尔曼滤波及其应用 交互式容积卡尔曼滤波及其应用

针对非线性系统模型参数未知情况下的状态估计问题, 提出一种融合极大后验估计的交互式容积卡尔曼滤波算法(InCKF). 该算法利用二阶斯特林插值公式和无迹变换对非线性函数的近似思想, 实现对模型未知参数的确定, 从而使滤波算法摆脱对模型参数精确已知的依赖, 并通过容积卡尔曼滤波算法完成状态估计和量测更新. 仿真结果表明, 相比于经典的参数扩维方法, InCKF 算法具有更高的精度和更强的数值稳定性.

     

基于UKF的GPS/DR组合导航非线性状态估计

GPS／DR组合导航系统是一个非线性系统,以往采用的扩展卡尔曼滤波算法EKF使得函数的整体特性被局部特性所代替,加上噪声的存在使系统的性能进一步下降。为了获得更好的状态估计性能,用无迹卡尔曼滤波算法UKF（Unscente dKalman Filter）实现组合导航系统的非线性状态估计,避免了EKF方法的线性化近似过程,提高了算法的收敛速度和载体的定位精度。仿真结果表明：在非线性状态估计中,UKF滤波方法优于EKF滤波方法。     

无迹卡尔曼滤波算法在污水处理BSM1过程中的应用研究

污水处理过程具有多变量、强非线性和强扰动等特性,且系统输入具有随机性,不同天气状况和不同时间段的污水的排量不同.扩展卡尔曼滤波存在估计精度低和鲁棒性差等缺陷,当系统模型参数变化和外界环境噪声较大时,扩展卡尔曼滤波估计性能下滑.将无迹卡尔曼滤波算法应用到污水处理系统中,并与扩展卡尔曼滤波算法相比较,结果显示,无迹卡尔曼滤...     

用四元数状态切换无迹卡尔曼滤波器估计的飞行器姿态

在较大初始姿态误差角下, 针对捷联惯导/CCD星敏感器(strap-intertial navigation system/CCD star sensor, SINS/CCD)姿态估计系统扩展卡尔曼滤波(extended Kalman filter, EKF)算法精度下降的问题, 提出了基于四元数的状态切换无迹卡尔曼滤波算法. 通过状态实时切换降低了全维无迹卡尔曼滤波(unscented Kalman filter, UKF)的维数, 减小了计算复杂度, 提高了系统的实时性. 文中采用基于特征向量求解的代价函数法计算四元数均值避免了UKF算法中四元数规范化的限制; 利用乘性误差四元数表示姿态更新点与估计点之间的距离, 解决了四元数协方差阵奇异性问题. 仿真实验结果表明: 与EKF相比, 该算法在精度上有较大提高; 与全维UKF算法和修正罗德里格斯参数UKF算法相比, 该算法精度相当但估计时间均有不同程度的减少.     

基于UKF的滚动时域估计方法研究

在实际工业过程中,模型参数往往具有一定的时变性和非线性。为了能够有效地实施过程操作优化,常常要对过程模型参数进行在线估计。滚动时域估计方法是解决非线性系统模型参数在线估计的1种实用方法。滚动时域估计方法的关键问题之一是抵达成本(Arrival Cost)的计算,针对简化计算抵达成本带来的精度问题,提出采用无迹卡尔曼滤波(UKF)算法来近似估算目标函数中的抵达成本。最后,将基于UKF的滚动时域估计方法应用于2个例子中。结果表明,基于UKF的滚动时域估计方法具有较好的估计效果。     

基于正交差分演化无迹卡尔曼滤波的短时交通流量预测算法

针对复杂交通路段下的短时交通流量模型的参数估计问题,建立了基于宏观交通流量预测的状态空间模型,提出了基于正交自适应差分演化的无迹卡尔曼滤波(UKF)算法,解决交通流量预测动态模型的参数优化问题.对差分演化算法(DE)的初始化过程,使用基于正交设计和量化技术的交叉算子最大限度地提高种群的多样性,平衡差分演化算法的开采性和勘探性,更高效地搜索无迹卡尔曼滤波的模型参数.并针对UKF、DE的不同情况,分别采用不同的自适应策略提高调节算法性能.实验结果表明,相对于单独使用随机分布的方式初始化,或者根据经验设置模型参数的方法,使用正交设计方法的初始化策略、变异算子以及参数自适应控制策略的差分演化算法能够有效地节省计算资源,提升预测性能和精度,具有更高的鲁棒性.     

基于无线传感器网络的河流中稳态扩散污染源定位研究

针对河流中污染源定位问题,首先分析了河流污染源扩散模型,给出了一种处理完全吸收边界,不完全反射边界以及完全反射边界的通用河流污染源稳态扩散模型。改进了在边界约束下以测量值与理论值之差的平方和为目标的非线性最小二乘算法,并提出了一种新的最小二乘污染源定位算法。该算法弥补了直接非线性最小二乘算法在数值计算过程中稳定性较差的缺点。最后,仿真研究了浓度测量噪声,节点漂移误差和反射系数误差对定位性能的影响。仿真结果表明:已知信息的误差越大,则定位均方根误差越大;传感器节点个数越多,估计精度越高,但当节点增加到一定数量时,继续增加节点对定位精度的影响会减小。另外,仿真结果验证了非线性最小二乘算法的优越性,说明了算法在河流污染源定位应用中的有效性。     

带噪声统计估计器的Unscented卡尔曼滤波器设计

针对传统Unscented卡尔曼滤波器(UKF)在噪声先验统计未知或不准确时滤波精度下降甚至发散的问题,基于极大后验(MAP)估计原理,设计了一种带噪声统计估计器的UKF.该UKF滤波算法在进行状态估计的同时,能实时估计和修正噪声均值和协方差.相比于传统UKF,所提出的UKF具有应对噪声统计变化的自适应能力.仿真结果表明了该UKF滤波算法的有效性.

Abstract：

For the problem that the accuray of the conventional UKF declines and further diverges when the prior noise statistic is unknown or inaccurate, an unscented Kalman filter (UKF) with noise statistic estimator is designed.This UKF filtering algorithm based on maximum a posterior (MAP) estimation can estimate and correct the mean and covariance of the noise in real time while it estimates the states.The proposed UKF has the adaptive capability of dealing with variable noise statistic.The simulation results show the effectiveness of the proposed UKF filtering algorithm.     

无线传感器网络下移动扩散源追踪算法

与移动瞬时源追踪相比,移动扩散源追踪相对困难.本文分析了移动扩散源扩散过程,给出了离散化浓度场模型.将连续线源目标追踪问题转化为离散点源目标追踪的次优问题,提出了一种离散化移动扩散源追踪算法.在该算法中,先采用约束最小二乘方法估计目标实时位置、到达时间等相关参数,并进一步采用仅针对位置序列的Sage-Husa卡尔曼滤波方法优化位置估计.该算法克服了一般基于动态序列的追踪方法无法直接应用于离散移动扩散源追踪问题的不足.在仿真实验中,分别在匀速率平滑曲线运动与变速非平滑曲线运动的情形下进行追踪实验,分析了追踪精度与采样间隔以及观测节点密度的关系.仿真结果说明了提出的移动扩散源追踪算法的有效性.     

Identification of Piecewise Linear Parameters of Regression Models of Non-Stationary Deterministic Systems

We consider the problem of identifying unknown nonstationary piecewise linear parameters for a linear regression model. A new algorithm is proposed that allows, in the case of a number of assumptions on the elements of the regressor, to provide an estimate of unknown non-stationary parameters. We analyze in detail the case with two unknown parameters, which makes it possible to understand the main idea of the proposed approach. We also consider a generalization to the case of an arbitrary number of parameters. We give an example of computer simulation that illustrates the efficiency of the proposed approach.     

基于极大似然准则和最大期望算法的自适应UKF 算法

针对噪声先验统计特性未知情况下的非线性系统状态估计问题,提出了基于极大似然准则和 最大期望算法的自适应无迹卡尔曼滤波(Unscented Kalman filter, UKF) 算法.利用极大似然准则构造含有噪声统计特性的对数似然函数,通 过最大期望算法将噪声估计问题转化为对数似然函数数学期望极大化问题,最终得到带次优递 推噪声统计估计器的自适应UKF算法.仿真分析表明,与传统UKF算法相比,提出的自适应UKF算法 有效克服了传统UKF算法在系统噪声统计特性未知情况下滤波精度下降的问题,并实现了系统噪 声统计特性的在线估计.     

基于新息正交原理的抗差UKF及其在INS/GPS组合导航中的应用

为提高标准UKF对异常的量测噪声统计的鲁棒性,提出了一种基于新息正交原理的抗差UKF算法.该算法根据新息序列的正交性确定最优的抗差因子,而后通过对新息协方差阵引入抗差因子在线调整滤波增益,进而抑制异常量测对滤波解的影响.将提出的算法应用于INS/GPS组合导航系统进行仿真验证,并与标准UKF和现有的抗差UKF进行比较,结果表明,当量测噪声统计不准确时,提出的基于新息正交原理的抗差UKF滤波性能明显优于上述两种算法,提高了组合导航系统的定位精度.     

Research on WNN soft fault diagnosis for analog circuit based on adaptive UKF algorithm

To improve the diagnosis capability of soft fault for analog circuit, a WNN diagnosis model is proposed based on fault feature samples extracted, which is trained by a modified UKF algorithm. An adaptive factor is firstly introduced to enhance the accuracy of UKF algorithm. Then, the UKF algorithm with adaptive factor is used to optimize the parameters of WNN, establishing the soft fault diagnosis model for fault feature samples extracted by multi-resolution transform. Finally, each fault mode is diagnosed and determined by the model. The simulation experiment on Sallen-Key bandpass filter indicates that, the proposed method has a good convergence rate and diagnosis accuracy rate for all faults in analog circuit. The feasibility and effectiveness of this method is also validated.     

基于Gauss-Hermite逼近的非线性加权观测融合无迹Kalman滤波器

对非线性多传感器系统,基于Gauss-Hermite逼近方法和加权最小二乘法,提出了一种具有普适性的非线性加权观测融合算法.该算法可将一个高维观测压缩为一个低维观测.在此基础上,结合无迹Kalman滤波器（Unscented Kalman filter,UKF）,提出了非线性加权观测融合无迹Kalman滤波器（WMF（Weighted measurement fusion）-UKF）.与集中式融合UKF（CMF（Centralized measurement fusion）-UKF）相比,该算法计算负担小且具有逼近的估计精度.特别是在传感器数量较大时,该算法在计算量上的优势更加明显.仿真例子验证了算法的有效性.     

反馈非线性系统随机梯度辨识算法及其收敛性

反馈非线性受控自回归系统是由前向通道的受控自回归模型和反馈通道的静态非线性构成, 这类系统经过参数化后得到双线性参数辨识模型. 本文通过对辨识模型中双线性参数乘积项进行分解, 基于梯度搜索原理, 提 出了反馈非线性系统的随机梯度辨识算法. 为了改善随机梯度算法的收敛速度, 引入遗忘因子, 文章给出了遗忘因子随机梯度算法, 利用随机过程理论, 建立了随机梯度算法的参数估计收敛定理, 证明了算法的收敛性. 最后, 通过数值仿真验证了算法的有效性.