神经网络模型在怀洪新河洪水预报中的应用

建立了基于神经网络的洪水预报模型.该模型根据历史洪水样本,将河道预测点上游参考点的水位、流量以及预测点的水位作为神经网络的输入,预测点的流量作为神经网络的输出.采用BP算法训练网络,并将训练成功的洪水预报神经网络模型分别按8,16,24 h等预见期对新胡洼闸、西坝口闸水位进行预报,取得了较高的预报精度,验证了模型的有效性.     

遗传算法优化神经网络用于大气污染预报

大气污染预报可以对大气污染提出警示,保护人体健康和生活环境.为了对北京市PM10的质量浓度进行预报,建立了用于大气污染预报的遗传神经网络模型,该模型运用遗传算法优化神经网络的权值和阈值,有效提高了网络的收敛性和预报准确率.用改进后的神经网络对北京市PM10的质量浓度进行了模拟,并将模型模拟结果与美国第3代空气质量模型Models-3(CMAQ)的数值模拟结果进行了比较.实验结果表明:遗传神经网络模型和数值模型的模拟结果的平均相对误差分别为0.21和0.26,用于空气污染物质量浓度短期预报时,神经网络模型的预测精度与数值模型的预测精度相当.对于没有条件开展空气污染数值预报的城市或地区,神经网络是一种有效的替代方法.     

河川日径流预报的混沌神经网络模型

将混沌理论和神经网络相结合,建立了径流预报的混沌神经网络模型.利用混沌理论的相空间重构技术计算饱和嵌入维数,将其作为神经网络的输入层神经元个数;根据模型预测步长确定输出层神经元个数.对黄河干流三门峡站的日流量时间序列进行了模拟和预报,取到了较好的预报效果,为河川径流的预报工作提供了新方法.     

A Chaotic ANNs Model for Rivers Daily Runoff Forecast

将混沌理论和神经网络相结合,建立了径流预报的混沌神经网络模型.利用混沌理论的相空间重构技术计算饱和嵌入维数,将其作为神经网络的输入层神经元个数;根据模型预测步长确定输出层神经元个数.对黄河干流三门峡站的日流量时间序列进行了模拟和预报,取到了较好的预报效果,为河川径流的预报工作提供了新方法.     

BP神经网络在柳江径流预测中的应用

径流水位预测是进行洪水监测的重要手段,对于包含详尽信息的广西柳江日径流水位时间序列,采用基于BP神经网络模型进行预报可取得较好效果.如LMBPDH模型采用双隐含层BP网络能加强预测模型输入输出的非线性映射能力,采用Levenberg Marquardt （LM）算法对网络进行训练则能缩短BP网络的收敛时间,改善网络的收敛性能,同时采用实验法确定模型的其他参数使模型获取最佳预报性能.在对柳江近10年日平均水位的预测中,将LMBPDH模型与单隐含层BP神经网络、LM算法以及带适应学习率和动量因子的梯度递减法算法等组合构成的BP神经网络模型,以及遗传算法进化的神经网络模型比较,LMBPDH模型预报稳定性、预报准确率最佳.     

基于小波神经网络的畸形波预报

为对畸形波这类突发性事件进行较为准确的预报,避免畸形波对海上建筑物和人员安全产生的巨大危害.采用紧致型小波神经网络模型,根据某岛礁地形实测数据建立的岛礁三维模型中测得的波高试验数据,选取试验数据中3种典型波高时间序列分别实现了包含畸形波的波浪数据对常规波浪的预报、包含近似畸形波的波浪数据对畸形波的预报以及常规波浪对包含畸形波的波浪数据的预报.为验证小波神经网络模型精度,同时采用常规神经网络BP模型在相同条件下对3种典型波高时间序列进行预报,最后将两种神经网络预报结果精度进行对比.研究结果表明:小波神经网络能较好的捕捉畸形波突发事件,对于3种工况中的波面整体预报精度以及畸形波处的预报精度,小波神经网络预报模型均高于BP神经网络预报模型,预报的波高曲线也与实际波高曲线拟合效果更好.在神经网络训练样本中若存在畸形波特征,也将进一步提高对未来畸形波的预报精度.该项研究对船舶或海洋工程的畸形波风险预警具有一定的应用价值.     

降雨径流模拟神经网络模型及应用

针对水文系统的非线性,构建了基于遗传算法和人工神经网络的降雨径流模拟神经网络模型(GA-BP模型).采用附加动量法和自适应学习速率对BP神经网络进行改进,遗传算法用于优化神经网络的初始权重.以大别山及皖南山区月潭流域为例,将GA-BP模型、BP模型以及新安江模型应用于水文日径流过程模拟,进行应用比较以及分析GA-BP模型在水文径流模拟过程中的难点及其可行性.结果表明,GA-BP模型优化了网络结构,加快了算法收敛速率;可以用于降雨径流过程模拟,也为今后类似研究提供一种模拟技术.在实际应用中可以根据流域资料情况选择合适的模型进行水文模拟作业.     

基于粒子群优化算法的BP神经网络在图像识别中的应用

介绍了一种采用微粒群算法与BP算法相结合的方法用于BP神经网络模型优化，来提高模型的收敛速度和精度。仿真结果表明，与BP算法相比较，PSO—BP学习算法训练的神经网络不仅训练时间明显缩短，而且其预报精度也得到了较大的提高。     

基于可学习EKF的高超声速飞行器航迹估计

临近空间高超声速目标因具有高速、大机动、全球到达的特点,已成为国防安全的一类新型威胁.此类目标具有非惯性的航迹形式、并可进行复杂的策略性机动,给其航迹估计带来了新的挑战.为应对目标的机动特性,提升航迹估计性能,将循环神经网络与扩展卡尔曼滤波深度嵌合,提出了基于可学习扩展卡尔曼滤波的航迹估计方法.首先,通过分析目标机动特性,建立了参数化的目标机动模型.然后,考虑目标复杂机动特性对航迹估计造成的影响,将循环神经网络与扩展卡尔曼滤波深度嵌合,提出了可学习扩展卡尔曼滤波方法.通过使用已有航迹数据进行训练,所嵌入的两个循环神经网络,可发现目标机动的隐含规律,并对目标复杂机动所引起参数与模型不确定性的进行在线识别与动态补偿.最后,以某临近空间高超声速目标的航迹估计为例,选取典型机动场景,对所提出方法与EKF、AEKF等传统方法进行了对比分析. 分析结果表明,所提出的可学习扩展卡尔曼滤波方法可有效应对目标复杂的机动,具有比EKF、AEKF方法更高的估计精度和更优的估计动态性能.     

基于模糊神经网络的大跨悬索桥安全评估研究

将模糊理论与神经网络技术结合起来,建立用于大跨度悬索桥安全性评估的模糊神经网络.确定大跨度悬索桥的7种评估指标,并通过样本学习对网络进行训练,使网络获取桥梁专家的经验知识和直觉思维.将训练好的网络用于宜昌长江大桥的安全性评估,并与《公路桥涵养护规范》的评估结果相比较.结果表明:采用模糊神经网络对大跨度悬索桥进行评估是一种客观、可行的评估方法.     

基于改进APIT的移动机器人动态定位

针对室内无线传感器网络通信传输不稳定和定位精度较差的情况,提出了一种移动机器人自主动态定位系统,通过实时选择邻近信标节点,确定节点坐标构成的边界,绘制局部网格空间,实现机器人动态定位.利用接收信号强度指标实现测距,然后采用基于测距的改进近似三角形内点测试（APIT）算法完成定位,再使用卡尔曼算法修正定位误差.该方法适用于室内网络传输不稳定的实际情况,采用卡尔曼滤波器获得最优数据.实验结果表明,该移动机器人自主动态定位方法比基于网格的极大似然方法具有更好的精度和适应性.     

采用AKF神经网络的直扩系统抗干扰技术

为了消除扩频系统中的窄带干扰信号,提出了一种新的基于自适应卡尔曼滤波(AKF)学习算法的递归神经网络预测器(RNNP),其中自适应卡尔曼滤波被用于反馈修改递归神经网络的权值系数,从而准确地估计干扰信号,具有收敛速度快、预测精度高和数值鲁棒性较好的优点.仿真实验表明:基于AKF学习算法的RNNP相对于自适应线性最小均方差(LMS)干扰预测器、自适应近似条件均值(ACM)干扰预测器和基于实时递推学习(RTRL)算法的RNNP,在预测误差的均方误差、收敛速度、干噪比改善量和信噪比损失量方面上有不同程度改进.     

速度梯度模型的高速公路交通流状态估计方法

为改进高速公路交通流状态估计方法,采用速度梯度模型作为交通流的系统状态方程构建交通流状态估计模型.通过对速度梯度模型参数的敏感性分析,发现模型估计误差对自由流速度和阻塞传播速度两参数较为敏感,需在线估计.然后分别给出了速度梯度模型与扩展卡尔曼滤波以及无迹卡尔曼滤波相结合的高速公路交通流状态估计方法,并应用实测数据对两类交通流状态估计方法的性能进行了评估.结果发现:两类交通状态估计的精度均可达85%左右,无迹卡尔曼滤波算法精度略好于扩展卡尔曼滤波,但计算时耗大.基于速度梯度模型的交通流状态估计方法能有效估计和跟踪交通流状态的变化,且相较于同类方法,所需标定的模型参数更少.     

航姿参考系统中一种自适应卡尔曼滤波算法

在航姿参考系统测量载体姿态的过程中,由于观测噪声不确定,严重影响了常规卡尔曼滤波结果的精度.另外,当系统受到干扰而使观测噪声突然改变时,甚至会导致滤波发散.提出一种航姿参考系统自适应卡尔曼滤波算法,能够根据观测数据来自适应调整观测噪声,从而提高卡尔曼滤波精度,改善系统的鲁棒性.仿真表明,当观测噪声时变时,常规卡尔曼滤波结果明显发散,而新自适应卡尔曼滤波结果收敛良好,在系统计算复杂度没有明显增加的前提下,系统的稳定性得到了明显提高.     

联邦滤波器在小型飞行器距离定位融合估计中的应用

为了进一步修正小型飞行器距离定位误差，给出了一种利用联邦滤波方法进行数据融合的小型飞行器定位误差修正方法，解决了由于差分GPS长时间静默影响定位精度的问题。仿真和数据回放结果表明：采用卡尔曼滤波方法可提高定位精度，采用联邦滤波方法效果更好，使用中方法可以得到飞行器更准确的距离定位，可满足多种类型的飞行器距离定位系统的精度要求。     

基于卡尔曼滤波器的涡轴发动机气路部件性能估计

以某型涡轴发动机为研究对象,提出了基于卡尔曼滤波器的方法进行发动机气路部件性能诊断。结合发动机实际运行情况,讨论了参数的合理选择以及非线性模型线性化程度对卡尔曼滤波结果的影响,考虑到非线性模型与真实发动机之间存在的建模误差会导致卡尔曼滤波器诊断失效,本文采用加入神经网络模块来补偿建模误差的方法,使模型能够真实反映发动机工作状况。实验表明,此方法可以提高故障诊断系统的置信度。     

卡尔曼滤波在变形监测数据处理中的应用

通过对某大坝动态变形监测数据的卡尔曼滤波处理和结果分析,并考虑大坝水位和温度影响建立与水位和温度因子有关的模型,同多元线性回归分析方法和多项式拟合方法对比,表明卡尔曼滤波模型能够实时,快速地处理大量动态变形数据,并能有效地改善动态变形监测数据的精度。     

绕地轨道飞船自适应GPS／SINS组合制导系统研究

提出了绕地轨道飞船的ＧＰＳ／ＳＩＮＳ组合制导的工程应用研究，根据工程的要求，给出了自适应估计的应用方法，具有运用的方便性和可算性，而不是只给出形式解。在进行迭代仿真时，得到了满足工程需要的最优滤波曲线     

变电站场景下运动目标的检测和跟踪方法

在遮挡物较多的变电站场景下, 传统的目标跟踪算法容易出现人员跟丢、身份变换、目标被遮挡无法识别等情况, 无法做到对目标的准确实时跟踪。针对此问题, 提出了融合度量学习与卡尔曼滤波的变电站运动目标跟踪方法。首先, 采用融合多尺度特征的YOLOv3算法检测目标, 利用带权值的匈牙利算法匹配目标的历史运动轨迹; 然后, 通过卡尔曼滤波进行轨迹预测, 并应用度量学习匹配预测轨迹与历史运动轨迹, 结合目标外观特征信息, 以实现变电站内运动目标的跟踪; 最后, 以变电站场景下的人员为例进行实验, 结果表明, 人员跟踪准确率高, 且能满足变电站应用场景下的鲁棒性和实时性要求。     

一类飞行轨迹重构估值器的参数灵敏度分析

各种参数的不确定性对非线性耦合微分方程组解的影响,可用富里埃系数法进行有效的分析。本文应用这种方法探讨推广的卡尔曼滤波器一类的飞行轨迹重构估值器对其本身各设计参数不确定性的灵敏度,效果也十分突出。分析结果表明,估值器初值的不确定性对估值结果影响最大,输入测量协方差阵不确定性的影响最小,初始滤波误差协方差阵及测量协方差阵的影响居中。文中还对这些设计参数阵与向量中具体元素的不确定性影响作了进一步的探究,以供分析、设计与调试飞行轨迹重构估值器时参考。