基于正交基神经网络算法的多传感器数据融合方法

为了改善多个同类传感器检测目标参数的性能,提出了一种基于递推最小二乘法的多传感器数据融合的正交基神经网络算法,用基于递推最小二乘法的神经网络算法对各传感器的量测数据进行处理,并用神经网络输出结果的平均值来实现多传感器的数据融合.为了验证算法的有效性,给出了多传感器数据融合的仿真实例.研究结果表明,基于递推最小二乘法的多传感器数据融合的正交基神经网络算法是有效的.     

差分模型参数递推估计的Householder变换法

本文提出了利用Householder变换进行差分模型参数递推估计的新方法.并由该方法导 出了新的递推最小二乘法、递推增广矩阵法、递推广义最小二乘法、递推极大似然法. 文中分单变量、多变量两种情况重点讨论了新递推最小二乘法及其与传统递推最小二乘 法的比较,并给出了计算实例.     

一种基于BP神经网络的多传感器系统信号降噪算法

传感器在对目标检测时,输出信号不可避免地含有白噪声.利用BP神经网络的非线性映射能力,提出一种基于BP网络的多传感器系统信号降噪压缩方法.多传感器含噪声的输出信号序列和目标真值作为样本,用于网络训练,用检验样本对训练后的网络进行检验,并与最优加权以及最优加权与递推最小二乘法相结合的滤波方法比较.MATLAB下的仿真结果表明:BP网络用于多传感器系统滤波有明显效果.     

基于IGG抗差最小二乘法的三相配电网谐波状态估计

针对传统最小二乘法在谐波状态估计量测数据中混有粗差时的处理能力不足,提出了一种基于IGG法的抗差最小二乘法。抗差估计是统计学里面常用的一种针对数据中含有粗差的处理方法,而抗差最小二乘法就是将抗差估计和最小二乘法相结合的一种新的估计方法。该方法对量测数据进行降权、保权和淘汰,改善量测数据的权重,从而抵御了粗差对估计结果带来的恶劣影响。同时,目前大多数的配电网谐波状态估计模型采用简化的单相模型,并未考虑配电网三相不平衡的特点,本文建立了配电网的三相数学模型,并采用IEEE33节点系统进行仿真分析,在量测数据中混有粗差时分别运用抗差最小二乘法和传统最小二乘法求解并对估计结果进行误差对比,算例结果表明了抗差最小二乘法具有较强的抗差能力且估计精度优于传统最小二乘法。     

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。     

加权最小二乘联合遗传算法的无源定位

针对复杂环境下运动通信辐射源的无源定位,闭式解方法对于时频差模型中的测量噪声敏感且存在定位均方根误差较大问题.为了改善大观测误差下的定位性能,本文提出一种加权最小二乘联合遗传算法的递推式混合TDOA/FDOA定位方法.该方法首先利用已知站点观测大量时频差数据并建立误差模型,基于模型对定位过程中的多组时频差序列进行数据处理;其次通过加权最小二乘求解目标位置的初始值;然后采用改进的遗传算法在初始值的基础上通过多组时频差序列不断迭代、递推求解,修正位置坐标;最后利用位置估计和频差模型完成对目标速度估计.仿真结果表明,本文定位算法相比于经典两步加权最小二乘法具有更低的均方根误差,在大观测误差下能保持较高精度.同时相比于其他混合定位算法收敛速度快,可以有效减少计算量.     

时变迭合AR模型的参数估计*

首次提出了时变迭合ＡＲ模型,该模型在实际应用中具有广泛的应用价值．应用两步最小二乘法和限定记忆递推最小二乘法,给出了模型中时变参数的递推估计算法,该算法仅依靠量测数据即能自适应进行．仿真计算及应用结果表明：算法能够自适应地跟踪量测数据模型参数的变化,效果是令人满意的．     

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。     

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.     

基于改进支持向量机的快速稳健代理模型研究

最小二乘支持向量机代理模型具有较好的泛化能力和强大的非线性处理能力,但其对实际工程中不可避免的异常样本十分敏感,而传统的加权最小二乘支持向量机易产生过度拟合并且未考虑到回归误差分布特性,针对这一问题提出正态分布概率密度函数加权方法,并且采用回归误差的中值作为计算权值的衡量标准,增强了加权算法的稳健性;提出了迭代加权最小二乘支持向量机快速递推算法,利用矩阵关系进行迭代递推计算,减少了计算量,节约了建模时间。通过数值实例验证了该方法的可行性、有效性。     

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。     

花萼状涡流阵列传感器裂纹在线定量识别算法

针对传统涡流检测逆向算法难以满足结构健康监测技术对实时性、在线以及算法复杂性低的要求,介绍了一种花萼状涡流阵列传感器,分析了传感器感应线圈输出信号在裂纹扩展过程中的变化特点和规律,提出了基于裂纹特征在线提取的裂纹在线定量识别算法,并通过304不锈钢和TC-4钛合金的疲劳裂纹在线监测试验对算法的有效性进行了验证。研究表明：采用滑动窗口分析方式,对窗口内数据流进行最小二乘回归和递推最小二乘回归,依据回归参数和阈值可以对裂纹特征进行有效识别,进而实现裂纹的在线定量监测。     

一种应对非平稳频率失调的窄带主动噪声控制系统

在窄带主动噪声控制(Active noise control, ANC)系统中, 参考信号频率失调(Frequency mismatch, FM)和噪声信号非平稳将会使系统性能下降, 甚至失效. 本文提出一种基于动量最小均方的改进FM补偿算法, 通过在代价函数中引入加权累加的平方误差, 提升系统的追踪和收敛能力. 并分别与基于滤波-X 最小均方(Filtered -X least mean square, FXLMS)、滤波-X 递归最小二乘(Filtered -X recursive least square, FXRLS)和变步长滤波-X最小均方(Variable step-size filtered -X least mean square, VSS-FXLMS)算法的主控制系统结合, 共同完成系统综合性能的提高. 大量仿真分析表明, 新的FM补偿算法在非平稳的FM和离散傅里叶系数翻转的条件下仍能保持较高的追踪能力和合理的残余误差.     

基于一种新模糊模型的非线性系统模糊辨识

提出一种基于新的模糊模型和加权递推最小二乘算法 (WRLSA)的非线性系统模糊辨识方法.新型的具有插值能力的模糊系统可以通过学习从输入输出采样数据中提取MISO系统模糊规则,它继承了Sugeno模型及其变化形式的许多优点.采用相应的模糊隶属函数,使得被辨识的模型可用若干局部线性模型来表示,然后利用WRLSA拟合这些线性模型.给出了详细的模糊辨识算法,为了验证该辨识方法的有效性,还给出了对熟知的Box-Jenkins数据的辨识结果.     

一种二元探测传感器网络目标跟踪算法

针对二元探测传感器网络目标定位与跟踪问题,提出一种递推的质心定位方法,推导出了质心定位算法的递推公式。采用序贯最小二乘估计方法,提出了基于递推计算的质心定位结果进行目标跟踪的算法。算法以简单的观测噪声模型体现系统的测量和计算误差,利用序贯最小二乘算法的可变增益,提高了跟踪精度;算法不需要先验统计信息以及序贯式的处理方式等因素,降低了算法的计算复杂度。仿真结果验证了递推公式的正确性和跟踪算法的有效性。     

Recursive exponentially weighted PLS and its applications to adaptive control and prediction

A new and fast recursive, exponentially weighted PLS algorithm which provides greatly improved parameter estimates in most process situations is presented. The potential of this algorithm is illustrated with two process examples: (i) adaptive control of a two by two simulated multivariable continuous stirred tank reactor; and (ii) updating of a prediction model for an industrial flotation circuit. The performance of the recursive PLS algorithm is shown to be much better than that of the recursive least squares algorithm. The main advantage of the recursive PLS algorithm is that it does not suffer from the problems associated with correlated variables and short data windows. During adaptive control, it provided satisfactory control when the recursive least squares algorithm experienced difficulties (i.e., ‘blew’ up) due to the ill-conditioned covariance matrix, (X^TX)_t. For the industrial soft sensor application, the new algorithm provided much improved estimates of all ten response variables.     

基于递推最小二乘支持向量回归估计的建模与预报

提出一种新的递推最小二乘支持向量回归估计算法（RLS-SVR），该算法具有实时性高、更新速度快的特点．充分应用RLS-SVR在线学习和训练的实时性，避免辨识模型的维数过高而降低估计精度，本文进一步提出了基于RLS-SVR的混合训练—估计辨识结构．TE过程的组分软测量建模和预报验证了该方法的有效性和优越性．     

一种湿度传感器温度补偿的非线性校正方法

针对湿度传感器易受温度影响的问题,提出了基于Laguerre多项式的湿度非线性校正和温度补偿的复合校正模型,采用递推最小二乘法对标定湿度进行拟合以确定复合补偿模型的参数.该方法根据湿度传感器的测量值和环境温度即可高精度计算出实际湿度.仿真结果表明,补偿后的最大相对误差不超过4.5576e-4％,具有良好的非线性校正和温度补偿效果,在湿度检测领域具有重要的理论和应用价值.     

基于目标函数的递推子空间辨识算法

针对实际工程中要求对系统参数进行在线估计的问题, 提出一种递推子空间辨识的新方法. 通过引入辅助变量关系将递推子空间辨识问题转化为目标函数的迭代最小化问题. 采用递推最小二乘算法在线估计参数并由传播方法得到更新的广义能观性矩阵, 进而求得子空间辨识模型系统参数. 该算法简单有效且对初值具有鲁棒性. 最后, 通过仿真实例验证算法的有效性.