基于粒子滤波的神经网络学习算法

为了克服一般神经网络学习方法易陷入局部极小值的缺陷,提出一种新的基于粒子滤波的神经网络学习算法.采用无迹卡尔曼滤波(Unscented Kalman Filter,UKF)产生粒子,以较少的粒子逼近状态的后验概率分布,搜索到经验风险函数的最小值.此方法适用于在线的、非线性的、非高斯的神经网络学习.仿真结果表明,该学习方法与同类方法相比,性能明显提高.     

一种新的粒子滤波算法

将采样重要再采样(SIR)方法与无迹卡尔曼滤波(UKF)相结合,提出一种新的粒子滤波算法.该算法具有无迹粒子滤波(UPF)粒子使用效率高和SIR粒子滤波运算速度快的优点,同时克服了UPF运算量的增长速率快于状态维数增长的缺陷.仿真结果表明,与UPF相比,本算法在几乎不影响滤波效果的前提下,大幅减少滤波所需计算量.     

RS-485智能串行通信接口的设计

文章介绍了一种采用Intel 89c51单片机进行控制，实现同步，高速的RS－485串行通信接口的方案和软件设计。     

一种新的基于粒子滤波的多模型跟踪算法

粒子滤波技术通过非参数化的蒙特卡罗模拟方法实现递推贝叶斯滤波,适用于非线性目标运动模型、非线性传感器测量模型和非高斯噪声的目标跟踪。但需已知目标和量测模型,而实际情况往往难以满足此条件。交互多模型算法(IMM)依据各模型对目标前一时刻状态估计的方差,确定各模型在当前时刻状态下存在的概率,利用各模型对目标状态估计的加权和,确定目标的状态。本文采用粒子滤波代替IMM算法中各模型的Kalman滤波,将粒子滤波与IMM的优点相结合。同时,采用UKF(UnscentedKalmanFilter)产生粒子,由于考虑了当前量测,使得粒子的分布更加接近后验概率分布,用较少的粒子就可以逼近目标的真实状态。仿真实验结果表明,本算法可用于标准IMM算法无法实现跟踪的复杂情形,而且使用的粒子数目仅是同类算法的二十分之一。     

粒子滤波高效硬件实现的预采样策略

为了提高粒子滤波硬件实现的实时性,从挖掘相邻时刻粒子滤波操作重叠性的角度,引入一种预采样和预计算权值策略,使粒子采样和权值计算单元满负荷工作,从而缩短粒子滤波所能接受的量测周期.同时利用权值阈值估计增加预采样的有效性.实验结果表明,本策略在没有对再采样作近似处理的情况下,使允许量测频率提高25%.     

DAG任务模型的粒子群优化调度算法

在并行多处理器系统中,通常用有向无环图(DAG)表示任务之间的依赖关系.为了提高该任务模型调度算法的性能,基于粒子群优化算法,提出一种新的调度算法.算法将任务高度和粒子位置作为任务优先级,使用表调度策略生成有效的调度方案,在满足任务间依赖关系的条件下,使所有任务的完成时间最小.仿真实验结果表明,与遗传算法相比,所提出的算法提高了解的质量和收敛速度,特别适合于规模较大的多处理器任务调度.     

粒子滤波硬件实现的快速残差再采样策略

粒子滤波适用于非线性模型和非高斯噪声的目标跟踪,但其大计算量,限制了实时应用。硬件实现是解决此问题的有效途径。本文针对粒子滤波的第三个步骤-再采样的硬件实现,引入动态基准位置和动态阈值设置,将“粒子-标签”残差再采样的高效定点实现方法进行扩展,使其可以直接对非归一化的权值进行再采样。免去需要进行大量除法运算的权值归一化操作,提高粒子滤波的实时性。实验结果表明其有效性。