基于递推最小二乘和改进支持度的WSN数据融合算法

无线传感器网络(WSN)在空间和时间上均存在数据冗余问题。为了在保证精度的前提下减少冗余量,提出了基于递推最小二乘和改进支持度的WSN数据融合方法。针对单个传感器节点,采用递推最小二乘法进行数据融合。针对节点之间的冗余问题,应用分批融合思想对系统降维,将灰色接近度理论与自支持度结合改进支持度函数,对各子系统分别采用基于改进支持度函数的加权算法进行融合。采用一个包含7个传感器节点的无线传感器网络对该算法进行了检验。结果表明,该融合算法能够显著减少数据计算量与传输量。融合后的数据均方误差为0.1597,能够满足实际应用对精度的要求。     

最优加权与递推最小二乘法相结合的多传感器信息融合

为改善多个同类传感器检测目标参数的性能,提出了根据各传感器量测数据品质对量测数据加权处理,并将加权后的数据作为递推最小二乘法的实时量测值的最优加权与递推最小二乘法相结合的多传感器信息融合方法.仿真结果表明,该方法在数据处理的精确性和稳健性方面都优于普通的处理方法.     

基于最小二乘法的冗余信息数据融合算法实现

为了有效融合多传感器冗余系统量测信息,使状态的估计值更接近于状态的真实值,实现高精度和高可靠性的状态估计,采取了基于最优加权的最小二乘算法、有限窗加权的最小二乘算法和自学习加权最小二乘算法,分别对多传感器实测数据进行融合处理,融合后数据的方差大幅度降低,估计精度显著提高。并与传统的最小二乘算法进行了仿真对比,结果表明,这3种方法较最小二乘算法融合精度更高,其中,自学习加权的最小二乘融合算法既考虑了历史数据的作用,又考虑了环境噪声和新的采样值的影响,增强了对噪声检测的敏感性,估计效果较好。     

满秩分解最小二乘法船舶航向模型辨识

为了解决标准遗忘因子最小二乘法在线辨识船舶航向模型参数漂移和发散问题,考虑到船舶在实际航行中存在海洋环境扰动和数据欠激励的情况,提出并验证了一种基于满秩分解的递推最小二乘法.用实船数据进行船舶航向模型参数辨识,将辨识结果与标准遗忘因子最小二乘算法、多新息最小二乘法、最小二乘支持向量机的辨识结果进行对比,验证了满秩分解有...     

基于QR-ROLS算法的小波神经网络应用研究

针对小波神经网络的结构设计和权值选取,提出一种基于QR分解的递推正交最小二乘算法以节省计算资源和计算时间,仿真结果表明基于QR-ROLS(QR Decomposition-Recursive Orthogonal Least Squares)算法的小波神经网络比依据时频特性设计的小波神经网络结构更优,运行效率更高.     

基于最小二乘原理多传感器加权数据融合

针对目前多传感器数据融合过程中传感器对某一状态量测量时精度较低的问题,提出了基于最小二乘原理的多传感器加权数据融合算法.该方法利用最小二乘原理和方差的遗忘信息,通过均方误差比较,计算出各个传感器的权重之后进行加权融合.该算法既考虑了历时信息的作用,又考虑了环境噪声和新采样值的影响,增强了对环境监测的敏感性.相比同类融合方法,该方法具有较高的精度,最后仿真结果也直观地说明了该方法的有效性.     

一种用于多目标数据有效性判决的融合算法

数据的有效性判决是判断多个传感器的数据是否代表同一个目标,这是进行信息融合的前提和关键.通过研究最小二乘算法、卡尔曼滤波和PDA算法在融合基理上的一致性,利用相同的思路,本文给出一种改进的计算方法.通过仿真和实际应用,改进算法比最小二乘算法、卡尔曼滤波效果好;与PDA算法有近似的计算结果,但是计算时间比PDA算法大大缩短.     

基于径向基函数神经网络的机器人系统辨识

介绍了一种三层径向基函数神经网络,其学习算法采用正交最小二乘算法.首先根据正交最小二乘算法得到径向基函数神经网络的结构;然后对该网络的权值进行训练使它逼近给定的函数.为了验证径向基函数神经网络所具有的对任意非线性映射的任意逼近能力和自学习、自适应能力,以两关节机械手为辨识对象来进行实验研究.实验结果表明,该径向基函数神经网络具有良好的模型学习和逼近能力,并且学习速度快、收敛性好、鲁棒性强,尤其适合于具有连续线性与非线性对象的复杂系统的控制实时性要求.     

损失数据线性参数系统的递推最小二乘辨识方法

针对损失数据线性参数系统的参数辨识问题, 借助辅助模型辨识思想推导出其变递推间隔辅助模型递 推最小二乘算法.为了提高该算法的计算效率, 利用分解技术得到变递推间隔分解递推最小二乘算法 估计系统参数.此外, 在变递推间隔分解递推最小二乘算法中引入遗忘因子, 从而提高参数估计精度和收敛速度.仿真结果表明, 所提出的算法能有效估计系统参数.     

基于观测融合Kalman滤波算法的PID控制器

为了提高控制精度,可采用多个传感器时被控对象进行检测.本文基于Kalman滤波算法,应用加权最小二乘(WLS)观测融合方法,提出了对多个传感器所检测的数据进行最优加权,进而将融合后的数据经滤波后反馈到输入端,提高PID控制精度,一个三传感器信息融合PID控制器的仿真例子说明了该方法的有效性.     

改进递归最小二乘RBF神经网络溶解氧预测

为提高溶解氧预测的准确性,将基于改进型递归最小二乘算法优化的径向基函数（ RBF）神经网络方法应用于溶解氧预测。利用K均值聚类算法进行隐层单元中心选择;利用改进型递归最小二乘算法优化RBF神经网络隐含层到输出层的权值。仿真结果表明：该方法对溶解氧的预测具有较好的非线性拟合能力,预测精度优于RBF神经网络和递归最小二乘算法优化的RBF神经网络。     

噪声方差未知情况下多传感器航迹融合

在多传感器信息融合中,已有的航迹融合算法都是在噪声方差已知情况下基于最优的卡尔曼滤波算法的,而实际应用中噪声方差往往是未知的.针对上述问题,基于扩展记忆因子递推最小平方(EFRLS)估计的滤波方程,研究了噪声方差未知情况下集中式、分布式、混合式多传感器航迹融合方法.并对三种航迹融合算法的跟踪性能和卡尔曼滤波融合算法的性能进行了仿真比较.由于多级式多传感器的航迹融合方法可由本文的方法直接推广,所以只需研究两级的情况就可.     

多传感器噪声方差未知情况下的异步航迹融合

针对分布式多传感器数据融合系统,提出了一种多传感器异步航迹融合算法。现有的多传感器信息融合算法大都基于Kalman滤波器,要求噪声方差已知,并且假定各传感器同步采样,不考虑通信延迟。本文在分布式处理的模式下,基于各传感器在扩展记忆因子递推最小平方(EFRLS)估计形成本地航迹的基础上,提出了一种融合误差均方差矩阵的迹最小意义下的异步目标航迹融合算法。仿真实验结果表明,这种融合算法是有效的,算法接近集中式融合算法的精度。     

在线KPLS建模方法及在磨机负荷参数集成建模中的应用

针对过程非线性、基于历史数据构建的离线模型泛化性差以及基于滑动窗口 和每样本递推更新的在线建模方法难以均衡建模精度和建模速度等问题, 提出了一种在线 核偏最小二乘(On-line kernel partial least squares, OLKPLS)建模方法. 该方法依据新样本与建模样本间的近似线性依靠(Approximate linear dependence, ALD)值和代表工业过程特性漂移幅度的 阈值, 选择有价值样本更新KPLS模型, 并采用合成数据和Benchmark平台数据对该方法进 行了仿真验证. 针对基于离线历史数据建立的融合多传感器信息的磨机负荷参数集成模型难以适应磨 矿过程时变特性的问题, 提出了基于OLKPLS和在线自适应加权融合算法的在线集成建模方 法, 并通过实验球磨机的实际运行数据仿真验证了方法的有效性.     

神经网络信息融合技术在故障诊断中的应用

提出了一种某机舵面系统故障诊断的方法,针对多传感器融合的特点,将相关传感器的输出数据融合,应用神经网络的非线性拟合能力扩展相关信息,信息融合诊断策略根据这些信息确定出故障,同时对故障信号进行恢复和诊断.建立了某机舵面系统故障诊断的数学模型并进行了计算机仿真,仿真实验结果表明该结构形式对于舵面常见的故障均能进行识别和告警,效果令人满意.     

一种权系数两级自调整的融合定位精度提高方法

在分布式传感器网络节点定位技术中,使用数据融合方法以提高探测系统的检测与定位精度正成为研究的热点。提出了一种应用于分布式传感器网络中的数据融合定位算法,通过对各个传感器节点的定位信息的加权求和来进行数据融合,用来提高探测系统目标定位的精度。该算法采用两级自适应调整得到最优加权因子,首先利用线性最小均方差（LMSE）算法得到权系数的初始值,然后利用训练节点和递归最小二乘（RLS）算法自适应地调整达到最优。对静态和运动目标的定位数据融合算法进行了仿真,仿真结果表明：相比单节点定位,提出的融合算法的定位精度有约1—2个数量级的提高。     

基于Bagging算法和遗传神经网络的交通事件检测

提出一种集成遗传神经网络的交通事件检测方法,以上下游的流量和占有率作为特征,RBF神经网络作为分类器进行交通事件的自动分类与检测。在RBF神经网络的训练过程中,采用遗传算法GA（Genetic Algorithm）对RBF神经网络的隐层中心值和宽度进行优化,用递推最小二乘法训练隐层和输出层之间的权值。为了提高神经网络的分类能力,采用Bagging算法,进行网络集成。通过Matlab仿真实验,证明该方法相对于传统的事件检测算法能更准确、快速地实现分类。     

两级传感器信息融合的移动机器人避障研究

针对移动机器人的避障问题,以AS-R移动机器人为研究平台,提出了一种将神经网络和模糊神经网络相结合的两级融合方法。采用BP神经网络对多超声波传感器信息进行融合,以减少传感器信息的不确定,提高对障碍物识别的准确率;采用模糊神经网络实现移动机器人的避障决策控制,使之更适合系统的避障要求。该方法使移动机器人在避障中具有较好的灵活性和鲁棒性。机器人避障实验验证了所提方法的有效性。     

基于多传感器融合的机器人障碍物检测和识别

该文研究了在移动机器人中基于神经网络的多种传感器信息融合技术。通过由CCD摄像机获得的彩色图像与超声波传感器组获得的距离作为辅助视觉系统实现整个视觉系统功能。移动机器人的障碍物检测和识别的可靠性与精度比在任何单一传感器所获得的信息都有很大的提高。