基于M-估计的UKF算法及其在运动估计中的应用

针对运动模型的非线性和运动估计的鲁棒性问题,提出一种结合M-估计等价加权原理的鲁棒无迹卡尔曼滤波(UKF)算法(M-UKF).该算法首先利用UKF算法获得初步的运动参数的估计,然后利用M-UKF算法得到较为准确的估计值.将M-估计与UKF方法相结合,既解决了针对运动模型非线性的估计问题,又能较好地克服离群数据的干扰,大大提高估计的鲁棒性.通过模拟数据的仿真和实际图像序列的测试说明该方法的有效性.     

高精度RBP－模糊推理复合学习系统

该文提出了高精度ＲＢＰ－模糊推理复合学习系统．系统主要由基于鲁棒估计的鲁棒ＢＰ学习环节和基于混合合成推理的模糊推理环节构成．该学习系统的主要特点是可由鲁棒ＢＰ算法和ｍｉｎ－ｍａｘ，ｍａｘ－ｍｉｎ模糊推理算法简单地实现．最后通过在目标跟踪问题中应用结果，表示了该算法的高精度和鲁棒性．     

基于自适应表面模型的概率视频跟踪算法

提出一种鲁棒自适应表面模型，该模型中每个像素值的变化过程由一混合高斯分布描述．为了适应目标表面的变化，这些高斯参数在跟踪期间通过在线的EM算法自适应更新；在估计目标状态时。采用了粒子滤波算法。设计了基于自适应表面模型的观测模型；在处理遮挡时，采用了一种鲁棒估计技术．多组试验结果表明，该算法对光照变化、姿态变化、部分或完全遮挡下的跟踪具有较强的鲁棒性．     

计算机视觉中强鲁棒性的遗传一致性估计

用于估计计算机视觉模型的传统鲁棒算法均存在估计精度和稳定性不高等问题。为此,结合遗传算法的全局最优性及几何模型估计的特殊性,提出一种强鲁棒性的遗传一致性估计算法,以估计各种误差和错误概率下的计算机视觉几何模型。仿真实验结果表明,相比于RANSAC、MAPSAC、MLESAC等鲁棒算法,该算法在估计精度和鲁棒性方面性能更优。     

高精度RBP-模糊推理复合学习系统

该文提出了高精度RBP-模糊推理复合学习系统.系统主要由基于鲁棒估计的鲁棒BP 学习环节和基于混合合成推理的模糊推理环节构成.该学习系统的主要特点是可由鲁棒BP 算法和min-max,max-min模糊推理算法简单地实现.最后通过在目标跟踪问题中应用结 果,表示了该算法的高精度和鲁棒性.     

鲁棒核主元分析的数据重构

针对野值点噪声对样本均值和协方差估计带来的不利影响,在线性鲁棒M 位置估计方法的基础上,结 合了核原理来估计协方差,提出了一种新型的鲁棒KPCA 算法．将所提出的算法应用于数据重构仿真实验,仿真测 试结果表明当样本数据中存在野值点噪声时, 由所提出的鲁棒KPCA 算法实现样本数据重构时,要比KPCA 具有更 高的重构精度, 抗野值点噪声性能更强．     

基于鲁棒M-估计器的全局运动估计方法

提出一种改进的基于鲁棒M-估计器的全局运动估计方法,在图像像素残差上采用在统计上鲁棒的M-估计目标函数,引入简化的像素残差权值函数作为二值函数,改进了全局运动估计中去除噪声点的方法。实验结果表明,改进算法的运动精度高,对大多数的图像序列都有较好鲁棒性且计算量小。     

高炉铁水质量鲁棒正则化随机权神经网络建模

高炉炼铁过程运行优化与控制依赖于可靠、稳定的难测铁水质量(Molten iron quality, MIQ)指标模型.针对现有MIQ建模方法的不足, 本文提出一种新型的数据驱动鲁棒正则化随机权神经网络(Random vector functional-link networks, RVFLNs)算法, 用于实现MIQ指标在线估计的鲁棒建模.首先, 为了提高建模效率和降低计算复杂度, 采用数据驱动典型相关性分析方法从众多变量中提取与MIQ相关性最强的变量作为建模输入变量; 其次, 由于传统RVFLNs网络的输出权值由最小二乘估计获得, 易受离群数据影响而鲁棒性差, 引入基于Gaussian分布加权的M估计技术, 提出新型鲁棒RVFLNs算法建立多元MIQ指标的鲁棒模型; 同时, 在鲁棒加权后的最小二乘损失函数基础上, 进一步引入${L_1}$和${L_2}$两个正则化项以构成优化目标函数的Elastic net, 用于稀疏化RVFLNs网络的输出权值矩阵, 解决RVFLNs网络多重共线性和过拟合的问题.最后, 基于某大型高炉工业数据, 进行充分数据实验, 结果表明所提方法具有更高的建模与估计精度以及较强的鲁棒性能.     

基于单目视觉的自车运动参数鲁棒估计

提出一种适用于结构化道路的自车运动参数鲁棒计算方法．该方法通过建立双线性增量自运动模型,选择车道线和道路导向箭头上的角点作为路面特征点,利用连续两幅图像的多对匹配的特征点对模型进行求解,从而估计出自车运动参数．实验结果表明该方法不容易受光照和背景的影响,在结构化道路上能够准确地估计自车运动参数．同时该方法计算量小,能够满足实时性要求．     

基于信息势能的鲁棒估计器及其在同时定位与地图构建问题中的应用

提出了一种基于信息势能鲁棒估计器来解决机器人室内的同时定位与地图构建（SLAM）问题．结构化的室内环境可以用线段近似表示．然而动态环境中,测距传感器测得的数据通常湮没在大量的噪声信号中．本文采用“分割与合并”（split—and．merge）方法进行线段的分类,根据信息势能的性能指标衡量每个采样数据对该线段的信息贡献量．按照信息优化理论设计估计器,选择信息量贡献大的样本点作为信息内点提取线段参数,构建局部地图．采用粒子滤波器进行地图及机器人路径的更新．采用递推的方法估计信息势能,降低了对样本点的信息量贡献做估计时的复杂度．仿真和实验结果证明,本文所提出的方法具有较强的鲁棒性,提高了SLAM策略的准确性和实时性．     

基于准最小二乘法的光伏阵列模型鲁棒参数估计方法

光伏阵列的模型参数估计在光伏发电系统的仿真、输出功率预测、最大功率点跟踪等方面有重要意义。当测量数据中只含随机误差时,以加权最小二乘（WLS）为优化函数的参数估计方法有较好的辩识效果。但是当测量数据中含有显著误差时,WLS参数辩识的效果较差。为解决此问题,本文提出了一种以准加权最小二乘法（QWLS）为优化函数的参数估计方法来减小显著误差的影响,采用了赤池信息量准则(AIC)设计QWLS最优参数,将该方法应用于光伏阵列中构造模型鲁棒参数估计问题。最后将WLS和QWLS分别结合序列二次规划（SQP）算法,进行光伏阵列模型的参数估计仿真与实验测试。测试结果显示QWLS参数估计结果更准确,验证了准最小二乘法的鲁棒性与有效性。     

A novel robust data reconciliation method for industrial processes

Data reconciliation has played a significant role in rectifying process data which can meet the conservation laws in industrial processes. Generally, the actual measurements are often easily contaminated by different gross errors. Thus, it is essential to build robust data reconciliation methods to alleviate the impact of gross errors and provide accurate data. In this paper, a novel robust estimator is proposed to improve the robustness of data reconciliation method, which is based on a new robust estimation function. First, the main robust properties are analyzed with its objective and influence functions for the proposed robust estimator. Then, the effectiveness of the new robust data reconciliation method is demonstrated on a linear numerical case and a nonlinear example. Moreover, it is further used to a practical industrial evaporation production process, which also demonstrates that the process data can be better reconciled with the proposed robust estimator.     

A robust design criterion for interpretable fuzzy models with uncertain data

We believe that nonlinear fuzzy filtering techniques may be turned out to give better robustness performance than the existing linear methods of estimation (H/sup 2/ and H/sup /spl infin// filtering techniques), because of the fact that not only linear parameters (consequents), but also the nonlinear parameters (membership functions) attempt to identify the uncertain behavior of the unknown system. However, the fuzzy identification methods must be robust to data uncertainties and modeling errors to ensure that the fuzzy approximation of unknown system's behavior is optimal in some sense. This study presents a deterministic approach to the robust design of fuzzy models in the presence of unknown but finite uncertainties in the identification data. We consider online identification of an interpretable fuzzy model, based on the robust solution of a regularized least-squares fuzzy parameters estimation problem. The aim is to resolve the difficulties associated with the robust fuzzy identification method due to lack of a priori knowledge about upper bounds on the data uncertainties. The study derives an optimal level of regularization that should be provided to ensure the robustness of fuzzy identification strategy by achieving an upper bound on the value of energy gain from data uncertainties and modeling errors to the estimation errors. A time-domain feedback analysis of the proposed identification approach is carried out with emphasis on stability, robustness, and steady-state issues. The simulation studies are provided to show the superiority of the proposed fuzzy estimation over the classical estimation methods.     

Integrated direct/indirect adaptive robust motion trajectory tracking control of pneumatic cylinders

This paper studies the precision motion trajectory tracking control of a pneumatic cylinder driven by a proportional-directional control valve. An integrated direct/indirect adaptive robust controller is proposed. The controller employs a physical model based indirect-type parameter estimation to obtain reliable estimates of unknown model parameters, and utilises a robust control method with dynamic compensation type fast adaptation to attenuate the effects of parameter estimation errors, unmodelled dynamics and disturbances. Due to the use of projection mapping, the robust control law and the parameter adaption algorithm can be designed separately. Since the system model uncertainties are unmatched, the recursive backstepping technology is adopted to design the robust control law. Extensive comparative experimental results are presented to illustrate the effectiveness of the proposed controller and its performance robustness to parameter variations and sudden disturbances.     

Optic flow field segmentation and motion estimation using a robustgenetic partitioning algorithm

Optic flow motion analysis represents an important family of visual information processing techniques in computer vision. Segmenting an optic flow field into coherent motion groups and estimating each underlying motion is a very challenging task when the optic flow field is projected from a scene of several independently moving objects. The problem is further complicated if the optic flow data are noisy and partially incorrect. In this paper, the authors present a novel framework for determining such optic flow fields by combining the conventional robust estimation with a modified genetic algorithm. The baseline model used in the development is a linear optic flow motion algorithm due to its computational simplicity. The statistical properties of the generalized linear regression (GLR) model are thoroughly explored and the sensitivity of the motion estimates toward data noise is quantitatively established. Conventional robust estimators are then incorporated into the linear regression model to suppress a small percentage of gross data errors or outliers. However, segmenting an optic flow field consisting of a large portion of incorrect data or multiple motion groups requires a very high robustness that is unattainable by the conventional robust estimators. To solve this problem, the authors propose a genetic partitioning algorithm that elegantly combines the robust estimation with the genetic algorithm by a bridging genetic operator called self-adaptation     

动态过程辨识的一种BP鲁棒算法

针对ＢＰ算法在进行系统辨识时存在着速度慢、非平滑内插、受噪声影响很大、逼近精度不高，特别是对强干扰不具有鲁棒性等问题，提出一种ＢＰ网络的鲁棒算法，该算法直接利用样本点对样本点的分布特征进行估计，并采用带有损失因子的与误差分布有关的二次型能量函数，并用于动态系统辨识。仿真结果表明了算法不仅对白噪声具有鲁棒性，而且对强干扰也具有鲁棒性。     

基于属性相关性的无线传感网络缺失值估计方法

针对无线传感器网络(WSN)中感知数据易缺失问题,提出了一种基于感知数据属性相关性的缺失值估计方法。该方法采用多元线性回归模型,对属性相关的感知数据的缺失值进行估计;同时,为提高算法估计的鲁棒性,提出了基于感知数据属性的数据交织传送策略。仿真结果表明,所提出的估计方法能有效估计无线传感器网络中的缺失值,相比基于时空相关性的线性插值模型(LM)算法和传统的最近邻插值(NNI)算法具有更高的精度和稳定性。     

基于集员估计的室内移动机器人多传感器融合定位

本文针对室内移动机器人的长距离实时鲁棒定位问题进行了研究,考虑到单一定位手段存在的不足,以二维扫描激光和里程计作为主要的定位设备,采用多传感器数据融合技术实现了移动机器人的精确定位.论文首先通过引入基于点-直线特征匹配的改进迭代最近邻(iterative closest point,ICP)扫描匹配方法对激光采集的环境点云信息进行迭代匹配以得到相对位姿变换估计,并推导了其估计不确定性的保守包络矩阵形式,然后通过建立定位过程和观测模型,引入扩展非线性集员滤波器作为多传感器融合方法,利用扫描匹配结果校正由里程计滑移带来的定位误差,并获取定位自身的不确定性边界估计.实验结果表明了本文所提出的室内定位方法的精度、实时性和鲁棒性.     

一种基于罚函数的数据协调模型

如果工业测量数据中存在显著误差,则传统的数据协调模型会将显著误差分散到各个测量值中去.针对于传统数据协调模型的缺陷,本文通过添加一个基于测量值比例关系上下限的约束条件,并利用罚函数的概念将物料平衡的约束条件以软约束的形式表示,建立一种新的数据协调模型.改进后的数据协调模型只会对含有显著误差的测量值给予较大的协调量,而使得显著误差对其他测量值协调结果的影响较小,具有较高的鲁棒性.基于工业实际生产模型的仿真试验证明基于该数据协调模型的协调结果,可直接利用测量残差检测法进行显著误差检测,具有较高的错误检出率,且第Ⅰ类错误率较低.