一种遗传-梯度混合算法

本文提出一种函数全局优化的遗传-梯度混合算法。该算法由选择、交叉和诱导变异算子组成。通过对自适应滤波和前向神经网络权值训练两个典型问题的数字仿真，表明该算法是一种快速有效的全局优化算法。     

一种基于最大似然概率准则的迭代DDF算法

随着定位跟踪技术的不断发展,非线性滤波逐渐成为研究的重点和实现非线性定位跟踪的关键.DDF 算法是一种基于 stirling 内插公式的非线性插值滤波算法,在系统的可观测度较低且测量误差通常较大时,其跟踪滤波的收敛速度、精度和稳定性都不高.在推导了最大似然概率迭代策略的基础上,提出基于最大似然准则的 IDDF 滤波算法.该方法迭代过程以似然概率增加为准则,改善了跟踪滤波精度和收敛速度.仿真实验表明,与 EKF 和 DDF 相比,IDDF 具有更高的估计精度和更快的收敛速度.     

直接序列扩频通信中干扰抑制的进化规划自适应非线性滤波技术

进化规划（ＥｖｏｌｕｔｉｏｎａｒｙＰｒｏｇｒａｍｍｉｎｇ）是模拟生物界自然选择和变异机制的一种随机并行搜索优化算法。本文提出了应用于直接序列扩频通通信中窄带干扰抑制的基于进化规划的自适应非线性滤波技术，并与传统的自适应非线性滤波技术进行了比较，结果表明本文算法更优。不仅实现了自适应非线性滤波的全局寻优和快速收敛，而且提高了系统的稳定性，尤其对于极点靠近单位圆的ＡＲ模型信号干扰，滤波性能有较大的提高。     

神经网络在地-地导弹惯导系统初始对准中的应用

以地-地导弹的惯导系统为研究对象,分析了传统方法在惯导系统初始对准方面的缺陷.针对惯导系统的非线性及实时性等方面的要求,考虑到神经网络所具有的函数逼近性能,扩展Kalman滤波(EKF)所具有的最优估计性能的特点,提出了基于扩展Kalman滤波的神经网络应用技术.应用扩展Kalman滤波对多层神经网络的非线性离散时间系统进行算法训练,在获得的所有观测数据中找到状态(权值)的最小方差估计.在假定的地理坐标系下,对地-地导弹的惯导系统地面自对准的非线性状态方程,应用Matlab对基于EKF的神经网络方法和传统的Kalman滤波方法进行了仿真,对仿真的结果进行了对比分析.     

基于遗传算法和神经网络的改进粒子滤波的GPS定位数据处理算法

针对GPS接收机观测噪声分布的特点和粒子滤波存在的粒子退化问题,提出基于遗传算法和神经网络的重要性权值调整粒子滤波算法。将遗传算法全局寻优的收敛性与BP神经网络局部寻优的快速性结合,改善粒子的分布。将改进粒子滤波应用于GPS定位精度改善,与神经网络辅助的粒子滤波进行比较,对比两者的有效粒子数目和训练误差。实测GPS数据处理验证表明,该算法增加了有效粒子数目,有效抑制了粒子退化,在改善GPS定位精度上取得了良好的效果。     

基于混沌神经网络的二维局部均值估计自适应滤波

为了提高自适应滤波的精度和收敛速度,提出了一种基于混沌神经网络的二维均值估计(LME)自适应滤波算法,在传统的二维LME自适应滤波方案中引入了混沌神经网络控制机制,用混沌神经网络自适应滤波器代替LME中的LMS自适应滤波算法,应用混沌神经网络估计局部期望输出进行滤波.仿真结果表明,该局部均值估计滤波器当输入信号为均值不为0且变化较大时,输出信号仍能较好地实现对输入信号的跟踪,获得了原始信号的主要特性,从均方误差曲面来看,算法具有较快的收敛速度和较高的滤波精度.     

相似采样粒子滤波在混合系统估计中的应用

结合粒子滤波和Kalman滤波的边缘粒子滤波(MPF)是一种新的混合线性/非线性系统的状态估计方法,但是粒子滤波在计算上的复杂使得MPF难以兼顾系统实时性和精度的要求.针对此问题,提出一种基于相似采样粒子滤波算法的MPF滤波框架.算法从系统观测值中采样粒子,并通过一个计算相邻时刻粒子转移概率的步骤,提高了粒子使用率,使得算法能以少量粒子实现对非线性状态量的估计,进而提高Kalman滤波的精度和实时性.给出了算法原理分析和实现流程.以混合坐标系下的目标跟踪为对象,利用蒙特卡罗仿真研究了ILLH_MPF算法的应用,并与常规MPF方法进行了对比.     

基于MWF的非线性Volterra滤波

结合Volterra滤波的多人单出(MISO)模型,本文将多级维纳滤波(MWF)应用于非线性Volterra滤波,提出三种实现结构及其降秩滤波算法.MWF将期望信号连续投影到正交的低维子空间,利用嵌套的一组标量维纳滤波器实现滤波,避免求解观测矢量的自相关矩阵及其逆;而基于MWF的降秩滤波算法不需要进行计算复杂的特征值分解.结合中继卫星信道的非线性均衡对算法进行仿真,仿真结果表明三种结构均可以很好地收敛;降秩算法在减小运算量的同时,性能接近全秩算法.     

基于UKF的神经网络自适应全局信息融合方法

为了解决神经网络(NN)在数据融合过程中权值实时更新问题,依据神经元激活函数的非线性特点,提出了一种利用Unscented卡尔曼滤波(UKF)实现神经网络权系数自适应调整的模型及方法,从而使全局融合信息最优.并分别以仿真数据及DGPS/GPS/RLC/罗经等设备组成的舰船导航系统实测数据为例,首先对各局部滤波器进行UKF滤波,然后分别利用神经网络卡尔曼滤波(NNKF)及神经网络非线性卡尔曼滤波(NNUKF)进行数据融合,仿真和试验结果表明,所提方案对提高整个系统的精度和运算速度是行之有效的.     

基于改进SFLA-PF算法的OFDM系统的目标跟踪

在OFDM通信系统中,为了解决非线性的目标跟踪问题,提出了基于改进混合蛙跳算法(SFLA)和粒子滤波算法(PF)相结合的方法来研究动态目标跟踪技术.首先利用高斯变异的局部搜索能力强和柯西变异的全局搜索能力强等优点对混合蛙跳算法进行改进,然后用改进后的混合蛙跳算法来优化粒子滤波算法进行动态跟踪,其优点不需要重采样步骤,有效地保持了粒子的多样性和有效性.仿真结果表明,该算法能够有效实现动态目标跟踪,并且跟踪效果优于同等条件下的混合蛙跳算法和粒子滤波算法.