基于粒子群优化粒子滤波和CUDA加速的故障诊断方法

在非线性系统中,粒子滤波需要大量粒子才能保证状态估计的准确度,这降低了算法的实时性,导致故障诊断的准确率和实时性不佳。针对该问题,提出基于GPU平台的粒子群优化粒子滤波(PSOPF)并行算法。通过分析PSOPF算法的并行性,设计并实现一种基于CUDA并行计算架构的PSOPF并行算法,利用大量的GPU线程对算法进行加速。为解决拒绝重采样对GPU全局内存的非合并访问带来的执行效率低问题,通过改进拒绝重采样并行算法,使线程束中的线程对同一内存区段中的粒子进行重采样,提高了其执行效率。通过对风力机组变桨距系统故障诊断验证了算法的有效性。实验结果表明,该方法可满足故障诊断准确率和实时性的要求。     

基于改进粒子滤波的视频目标跟踪算法比较分析研究

针对标准粒子滤波算法存在的缺陷,本文引入了两种改进的方法,引入最新的量测信息,改进粒子滤波的建议分布。EKPF通过引入扩展卡尔曼算法改进粒子分布,UPF引入无味变换改进粒子的分布,并对其进行了仿真对比分析。实验结果表明,UPF算法优于扩展卡尔曼粒子滤波算法与标准粒子滤波算法。     

基于证据分类的加权冲突证据组合

为了有效融合高度冲突的证据,在三角模算子和折扣因子分析的基础上,提出了一种基于证据分类的冲突证据融合规则。采用基于3角模算子定义的平均证据距离与冲突因子将证据分成可信任证据、不冲突证据和冲突证据三类,并赋予可信任证据和不冲突证据折扣因子1,极大程度上保留了证据对正确假设的支持;然后基于证据距离定义了改进的证据权重,基于加权原则对冲突证据进行合成得到修正的证据体,从而消除证据间的冲突;最后利用Dempster规则完成证据组合。算法分析表明所提方法是合理有效的。     

基于AE-IFCM的轴承故障诊断方法

针对传统模糊聚类（FCM）方法对故障进行聚类的依据是原始数据之间的相似性,在滚动轴承的故障诊断中无法提取轴承数据的深层特征,对于耦合故障、微弱故障等复杂情况下,不同故障的特征难以有效区分,导致故障诊断准确率较低的问题,提出AE-IFCM轴承故障诊断方法。利用自动编码器（AE）网络提取轴承故障的样本特征,再利用改进的FCM（IFCM）进行故障诊断,通过对AE网络提取的抽象特征聚类,不仅可最大限度地利用样本数据,也能降低模型陷入局部极小值的风险。通过在凯斯西储大学轴承故障数据集中的实验表明,AE-IFCM能提高轴承故障诊断的准确性。     

基于简化的ISPF算法与视听信息融合的目标跟踪

提出了一种适用于视听融合的简化型重要性函数粒子滤波器(ISPF),该算法充分利用视听媒体间的天然时空相关性,基于视听信息的融合实现了特定场景中对说话人的跟踪.将声源定位结果转换为一个具有特殊权重的粒子,以图像彩色信息模板匹配算法作为视觉底层跟踪,通过具有特殊权重的粒子来限制和引导视觉跟踪结果.实验结果表明,文中算法与基于单一信息的目标跟踪相比平均误差降低了约三倍,具有明显的优越性.     

基于ISPF与异类信息融合的视觉目标跟踪

以监控系统为研究背景,引入了一种基于图像多特征信息融合的ISPF跟踪算法。利用基于颜色信息的模板匹配作为底层跟踪,通过分析目标轮廓的运动信息抽取具有特殊权重的中心粒子,并利用该粒子限制和引导底层跟踪的结果。由于融合了图像的颜色信息和运动信息,从而提高了跟踪精度,仿真结果表明该方法比利用单一信息的视觉跟踪更具优越性。     

噪声相关粒子滤波算法

对标准粒子滤波在处理非线性系统状态估计中噪声独立假设的局限,该文研究分析了一种噪声相关粒子滤波算法。在常用的系统状态模型基础上,分析了噪声相关时建议分布函数的具体分布形式,并以高斯相关噪声为背景,在重要性权重条件最小方差意义下推导了最优建议分布函数的数值表达式。所设计的滤波器有效弥补了传统粒子滤波算法在噪声相关情况下的缺陷,拓展了PF算法的应用范围。仿真实验表明了该方法的有效性。     

基于特征点的运动汽车跟踪算法研究

设计了一种基于特征点的运动汽车实时跟踪算法.结合自适应卡尔曼滤波(Adaptive Kalman Filter,AKF)算法,提出了一种简单实用的特征点匹配跟踪算法,实验表明该算法既能准确的描述目标,又减少了匹配计算量,从而实现了快速准确地跟踪运动汽车的目的.     

一种基于特征融合的点特征目标跟踪算法

联合目标的颜色和纹理特征,构造了由目标的颜色和纹理特征联合表示的特征点目标表示模型,利用Mahalanobis距离构造特征点匹配函数,利用自适应kalman滤波(AKF)算法预测特征点在下一帧图像中的位置,通过特征点匹配准确定位目标,达到实时、准确跟踪的目的。实验表明,该方法对于光线变化,目标形状相似以及目标被部分遮挡时的跟踪是有效和稳健的。     

交叉口BRT实时优先通行控制方法研究

针对交叉口大运量快速公交(BRT)优先通行控制问题,基于智能控制理论提出一种交叉口BRT实时优先通行控制方法.以BRT车辆的延误时间、载客量和非BRT相位社会车辆的排队长度作为神经网络模糊控制器的输入变量,输出BRT通过交叉口的优先等级,以此得到其优先服务方案,有条件地给予BRT车辆的优先通行权.仿真结果表明,与定时控制相比,所提出的方法在交叉口非饱和交通流下,能有效减少BRT车辆通过交叉口的延误时间和停车率,且交叉口的正常交通秩序不受影响.