粗糙集约简的WNN隐层节点优化方法

在确保网络性能的前提下,如何确定最佳隐层节点,获得最简网络结构是小波神经网络(WNN)应用推广的关键.对此,引入粗糙集理论,提出了基于信息熵的卡方离散化算法和启发式的属性约简递归算法,利用粗糙集约简过程对WNN隐层节点进行精简,并将其应用于飞行器气动力建模.仿真结果表明,采用改进的粗糙集方法设计WNN,不仅能够简化网络结构,而且与未经结构优化的WNN相比,其模型精度和训练速度都得到了实质性改善.     

基于WT-UKF 的PDR/GPS 组合定位算法

针对行人航迹推算(PDR) 与全球定位系统(GPS) 组合定位问题, 提出一种基于小波变换(WT) 的无迹卡尔曼滤波(UKF) 改进算法, 对PDR 和GPS 定位结果进行数据融合. 建立PDR/GPS 组合定位系统数学模型, 采用小波变换对运动加速度信号噪声特性进行在线估计, 以更新UKF 的协方差矩阵. 所提出的WT-UKF 滤波算法弥补了传统UKF 算法因人为假定信号噪声为高斯白噪声而影响滤波效果和精度的缺陷. 实验结果表明, 使用WT-UKF 滤波算法对PDR/GPS 进行数据融合时稳定性更强, 精度更高.     

改进的UKF在惯导平台误差模型辨识中的应用

为减小建模误差,建立了基于直接法进行惯导平台误差模型辨识的非线性模型.Unscented Kalman滤波(UKF)是一种新的非线性滤波算法,为此将其引入惯导平台的误差模型辨识中.针对系统模型的特点,对标准UKF算法进行了简化改进.改进的UKF算法计算量小、结构简单,滤波精度与标准UKF一致.同时应用扩展Kalman滤波(EKF)算法和改进的UKF算法进行了惯导平台误差模型辨识仿真研究.仿真结果表明,与EKF算法相比,改进的UKF算法的滤波精度显著提高.     

基于UKF的递归神经网络训练算法研究

本文提出用无先导卡尔曼滤波(UKF)法以取代一阶梯度法和二阶梯度法,用于训练通用学习网络(ULN),提高学习精度和收敛性.通用学习网络为多分支递归网络,结构复杂,其特点是多分支,互联及时间延迟.相比其他方法,UKF具有计算精度高,计算简便等优点.本文将UKF用于网络训练,进行CSTR过程建模和时间序列预测.结果表明UKF用于训练递归神经网络获得很好的效果.验证了所提出方法的可行性和有效性.     

循环流化床锅炉燃烧过程建模研究

针对具有多维非线性和纯滞后特性的循环流化床锅炉燃烧过程,采用基于PLS学习算法和OLS学习算法的径向基函数(RBF)神经网络进行建模研究。首先通过循环流化床锅炉仿真平台产生用于建模实验的网络训练数据和泛化数据,然后分别采用OLS算法和PLS算法进行网络训练和泛化研究,最后讨论了影响建模结果的算法参数及其选取方法,重点讨论了PLS算法的4个网络参数的影响和选取。与基于小波网络的建模实验比较,对具有复杂特性的循环流化床锅炉燃烧过程,采用RBF网络建模在保证建模精度的同时,算法参数的选取也较为方便易行。     

改进的UKF在惯导平台误差模型辨识中的应用

为减小建模误差,建立了基于直接法进行惯导平台误差模型辨识的非线性模型.Unscented Kalman滤波(UKF)是一种新的非线性滤波算法,为此将其引入惯导平台的误差模型辨识中.针对系统模型的特点,对标准UKF算法进行了简化改进.改进的UKF算法计算量小,结构简单,滤波精度与标准UKF一致.同时应用扩展Kalman滤波(EKF)算法和改进的UKF算法进行了惯导平台误差模型辨识仿真研究.仿真结果表明,与EKF算法相比,改进的UKF算法的滤波精度显著提高.

     

基于改进小波神经网络的网络流量预测研究

采用小波神经网络对网络流量数据的时间序列进行建模与预测。针对传统小波神经网络训练算法的不足,提出了自适应量子粒子优化算法——AQPSO,用于训练小波神经网络,优化网络参数,建立基于AQPSO算法优化的小波网络预测模型。实验结果表明,该模型对网络流量的短期预测是有效可行的,并具有良好的收敛性和稳定性。     

基于改进的粒子群优化的小波神经网络模型的传感器动态建模

提出一种基于改进的粒子群优化算法进化小波神经网络用于传感器动态建模的新方法。介绍了小波神经网络和粒子群寻优算法的原理,并且对粒子群优化算法做了改进。利用传感器动态标定的实验数据,来训练优化小波神经网络的网络结构和模型参数,从而建立了传感器的动态模型。通过Matlab软件仿真实验表明,利用改进的粒子群优化的小波神经网络对传感器进行动态建模,能克服传统BP神经网络模型误差反向传播算法易陷入局部最小,后期训练网络精度不高的缺点,并且相比遗传算法具有较小的复杂度。     

基于UKF滤波的WSN节点定位研究

无迹卡尔曼滤波(UKF)模拟系统的后验概率密度函数,避免了扩展卡尔曼滤波(EKF)中引入的较大线性化误差的缺陷.本文提出了一种基于加权最小二乘法(WLSE)和UKF的无线传感器网络(WSN)节点定位算法.算法采用TOF测距技术测量未知节点到信标节点的距离,利用加权最小二乘法估算未知节点的初始位置,并采用UKF滤波对节点进行精确定位,同时与EKF滤波结果进行比较.相关分析结果表明,算法在TOF测距基础上,将加权最小二乘法和UKF滤波结合,可以较大提高节点的定位精度.     

基于Levenberg-Marquardt算法和最小二乘方法的小波网络混合学习算法

本文针对小波网络现有学习算法的不足,把Levenberg-Marquardt算法(简称LM算法)和最小二乘算法有机地结合在一起,提出了一种新的小波网络混合学习算法.在该混合算法中LM算法用来训练小波网络的非线性参数,而最小二乘算法用来训练线性参数.最后以辩识一个混沌系统为例进行了数值仿真,并与改进的BP算法和单纯LM算法进行了比较,结果说明了所提算法具有很好的收敛性能和收敛速度.     

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.

     

基于SVD 的改进抗差UKF 算法及在组合导航中的应用

针对GPS/INS组合导航中因观测异常导致系统状态先验信息矩阵失去对称正定性,及传统等价权函数抗差算法易遇到病态矩阵,引起滤波性能下降的问题,提出一种基于奇异值分解的改进抗差UKF算法。该算法克服了先验协方差矩阵负定性变化,通过判断矩阵病态性实现智能选取抗差策略。最后利用车载实测数据进行验证,所得结果表明, SVD-UKF导航解精度稍优于EKF算法,改进的抗差策略能够极大减弱单独、连续以及混合的观测异常对导航解的影响,提高了导航解精度和可靠性。     

基于无迹卡尔曼滤波传感器信息融合的车辆导航算法

针对复杂道路条件下车辆的导航问题,将全球定位系统(GPS)与车载终端传感器系统相结合,提出了基于多传感器系统的车辆精确定位模型,并针对扩展类卡尔曼滤波易产生突发性误差而导致的安全问题,采用基于Sigma点的无迹卡尔曼滤波器(UKF)传感器信息融合算法。根据实时的道路状况和车辆自身的运动状态给出符合要求的状态估值,实验与基于多项式扩展卡尔曼滤波车辆传感器信息融合算法在精度和效率方面进行了比较,结果表明,基于UKF传感器信息融合的算法在复杂路况下的估计精度和运行效率都有显著提高,能够根据当前的路线情况和车载传感器的反馈信息快速地估计出车辆的运动状态,实时计算出动态的车辆控制输入。     

传感器故障条件下的自适应UKF 算法

针对目标跟踪中传感器故障导致滤波发散或者滤波精度不高的问题, 提出一种自适应无迹卡尔曼滤波(UKF) 算法. 该算法在滤波过程中, 根据自适应估计原理引入自适应矩阵因子, 实时调整系统状态向量和量测新息向量的协方差, 以满足无迹卡尔曼滤波算法的最优性条件, 并采取措施对滤波发散的情况进行判断和抑制. 与传统UKF和已有自适应UKF算法相比, 该自适应UKF算法显著提高了滤波精度和数值稳定性, 且具有应对传感器故障的自适应能力. 仿真实验结果表明了所提出算法的有效性.

     

基于多渐消因子强跟踪UKF 和约束AR模型的故障估计与预测

针对非线性系统中不可观测故障参数估计和预测问题, 提出一种基于多重渐消因子强跟踪无迹卡尔曼滤波(MSTUKF) 的状态和参数联合估计法, 通过引入多重渐消因子增强了对变化函数未知的故障参数的跟踪能力. 对于得到的故障参数估计值, 利用递推最小二乘法更新约束AR预测模型, 从而实现故障参数的在线估计与预测. 仿真结果表明, MSTUKF方法在故障参数估计精度上优于UKF 和单渐消因子强跟踪UKF, 约束AR模型的预测精度高于无约束条件下的预测精度.

     

A comparison of simultaneous state and parameter estimation schemes for a continuous fermentor reactor

This article proposes a maximum likelihood algorithm for simultaneous estimation of state and parameter values in nonlinear stochastic state-space models. The proposed algorithm uses a combination of expectation maximization, nonlinear filtering and smoothing algorithms. The algorithm is tested with three popular techniques for filtering namely particle filter (PF), unscented Kalman filter (UKF) and extended Kalman filter (EKF). It is shown that the proposed algorithm when used in conjunction with UKF is computationally more efficient and provides better estimates. An online recursive algorithm based on nonlinear filtering theory is also derived and is shown to perform equally well with UKF and ensemble Kalman filter (EnKF) algorithms. A continuous fermentation reactor is used to illustrate the efficacy of batch and online versions of the proposed algorithms.     

基于CKF 的分布式滤波算法及其在目标跟踪中的应用

针对已有基于Sigma点信息滤波的分布式滤波算法,其性能易受参数影响而导致应用范围受限的问题,以容积卡尔曼滤波(CKF)为基础,利用信息滤波和平均一致性理论提出一种分布式CKF算法。该算法在保持分布式滤波优良特性(即可扩展性和对节点故障强鲁棒性)的同时,兼具CKF的高滤波精度和强稳定性。仿真结果表明了所提出算法的有效性,与分布式Unscented卡尔曼滤波(UKF)算法相比,该算法显著提高了目标跟踪的精度和稳定性。     

基于粒子滤波的检测前跟踪改进算法

针对低信噪比环境下微弱目标的实时检测与跟踪,提出一种基于粒子滤波的检测前跟踪改进算法.该算法在粒子滤波的基础上融合不敏卡尔曼滤波(uKF1)算法,融合后的新算法在利用重要性密度函数产生粒子时充分考虑当前时刻的量测,从而引导粒子向高似然区域移动,使得粒子的分布更接近状态的后验概率分布.仿真实验表明,改进算法的检测与跟踪性能优于标准的粒子滤波算法.     

基于AIUKF的WSN节点定位算法

针对无线传感器网络节点定位精度不足的问题,在无迹卡尔曼滤波( UKF)的基础上,结合迭代约束条件和自适应因子,提出了一种自适应迭代无迹卡尔曼滤波( AIUKF)算法。根据基于测距的节点定位模型,采用RSSI进行测距,以极大似然估计法进行节点初步定位,利用AIUKF算法对节点进行精确定位,并且直接以RSSI作为系统的观测量。仿真结果表明,本文提出的基于AIUKF的定位算法相比EKF和UKF算法具有更高的定位精度。