基于权值平滑的改良FastSLAM算法

针对FastSLAM算法中频繁重采样会导致粒子快速坍塌,从而破化路标估计的多样性并最终影响估计结果的问题,提出一种基于权值平滑的改良算法.该方法采用平滑方式计算粒子权值,不仅考虑机器人当前的运动和观测结果,并且综合一定长度滑动窗口内的历史权值信息,可抑制由噪声和归一化等因素引起的权值过度波动,以及由此引发的频繁重采样和估计性能降低.蒙特卡罗仿真结果表明,选取合适的滑动窗口大小,改良算法能有效减少重采样次数,保持粒子多样性,显著提高估计精度.     

一种求解任意线性代数方程组的迭代算法

本文给出一种求解任意线性方程组Ax=b(A∈K~(mxm);b±k~m)的迭代算法,证明了算法的收敛性,指出收敛极限是方程组的最小二乘解,特别当方程组有解时,收敛极限为方程组的一个解。最后组出一个算例,验证了本文算法的有效性。     

一种新的矩阵平方根的迭代算法

针对求解二次矩阵方程X 2-A=0的约束解问题,提出一种新的迭代算法,并给出该算法在求解二次矩阵方程对称解时的收敛性定理。数值实验证明了算法的有效性。     

求解线性互补问题的一种迭代算法

将线性互补问题转化为一非光滑问题,给出了一种简单工算法,并证明了该算法的收敛性。     

一种最速下降的贪婪迭代算法

压缩传感应用于图像压缩重构的算法通常有凸优化算法和贪婪迭代算法两大类.一般而言,凸优化算法重构概率高、速度较慢,贪婪迭代算法具有较快的重构速度,但损失了重构质量.结合凸优化算法中的最速下降法及贪婪迭代算法中的正交匹配算法(OMP),提出了一种新的算法,并应用于一维信号和二维图像信号的压缩重构实验,且深入对比分析了不同降采样矩阵对新算法的影响.结果发现,对同一降采样矩阵,即使图像的纹理不同,新算法在重构质量及重构时间上都优于原始的OMP算法.     

一种组合证券投资风险最小化的迭代算法

提出了一种组合证券风险最小化的迭化算法，证明了其收敛性，该算法操作简便，避免了最优投资比例计算中的矩阵求逆问题，并且在不允许卖空情况下，不会增加计算的复杂性，文中同时还给出了不允许卖空情况下组合证券风险最小化的线性规划模型。     

基于Rao-Blackwellized粒子滤波器的FastSLAM算法研究与应用

通过对传统的基于扩展卡尔满滤波器（EKF）的SLAM算法的介绍,总结出传统方法的缺陷,即算法复杂,用时长,无法实现在线计算．为解决传统SLAM算法的缺陷,介绍了一种基于Rao—Blackwellized粒子滤波器的FastSLAM方法．该方法将SLAM问题分解为对机器人姿态和路标在地图中的位置的递归算法,其时间消耗与路标的数量成对数关系,计算量小,用时短．经过以Hebut—II机器人为平台的实验,结果表明,FastSLAM算法是可行的．     

求解线性方程组的一种迭代解法

对任意线性方程组ＡＸ＝Ｂ（Ａ∈Ｒ＾ｎ＾×＾ｍ，Ｂ∈Ｒ＾ｎ），在文（１）基础上给出了一种迭代算法。其收敛速度比文（１）方法快，并证明了该算法的收敛性。最后通过几个算例说明了本文算法的有效性。     

一种基于GPS载波单差相位的鲁棒快速迭代定姿算法

针对基于GPS载波单差相位的迭代定姿算法对初值敏感的事实,研究了一种对初值鲁棒的快速迭代定姿算法.基于载波单差相位观测的姿态确定可以归结为一个带约束的参数优化问题.通过拉格朗日乘子法求解该优化问题将参数优化问题转化为一个微分方程的数值积分问题.采用特征向量迭代算法确定迭代初始点,再由4阶龙格库塔算法迭代求解该微分方程得到了快速收敛的迭代定姿算法.在不同天线布局、初值条件下对该算法进行了仿真,仿真结果表明天线布局和初值对算法的收敛精度影响不大.同其它迭代算法进行了对比,结果表明在相同条件下本算法可更快收敛.     

偏相关系数的一种迭代算法

给出并证明了偏相关系数的一种迭代算法，并举出实例说明偏相关系数的迭代算法及其应用价值。     

迭代中心差分粒子滤波的SLAM算法

为了提高SLAM算法中的位姿估计精度,通过在广泛使用的RBPF粒子滤波器中,利用迭代中心差分卡尔曼滤波器(ICDKF)来代替其中的扩展卡尔曼滤波器(EKF),并融合新的观测数据使提议分布更加接近后验概率分布,并且能够精确估计智能车辆的位姿,进而采用ICDKF算法更新特征地图的位置.该算法在保证定位精度的同时减少了计算的复杂度,提高系统的估计性能,增加了迭代算法的稳定性.仿真实验结果验证了迭代中心差分粒子滤波SLAM算法的有效性.     

基于改进的迭代容积卡尔曼滤波姿态估计

为了充分利用新的量测信息,提高姿态估计的精度,在分析现有迭代滤波策略存在问题的基础上,采用一种新的容积点迭代策略,将其与容积卡尔曼滤波算法相结合,提出了一种改进的迭代容积卡尔曼滤波(improved iterated cubature Kalman filter, IICKF)算法．该算法采用容积数值积分理论近似非线性函数的均值与方差,利用状态扩维理论来解决量测迭代中量测噪声与状态相关的问题,同时利用一种新的容积点迭代策略,即在量测迭代过程中直接采用容积点迭代,避免每步迭代都进行均方根计算来产生容积点,克服传统迭代策略是基于高斯近似产生采样点的局限,有效地降低扩维带来的计算量．仿真结果表明：该算法的估计精度高于乘性扩展卡尔曼滤波(multiplicative extended Kalman filter, MEKF)以及迭代容积卡尔曼滤波(iterated cubature Kalman filter, ICKF)算法,该算法的提出有助于提高姿态估计的精度．     

基于遗传算法的分形艺术图案生成方法

将遗传算法与分形艺术设计相结合,提出一种基于遗传算法的分形图案生成方法.这种方法通过二叉树结构表示分形图案的迭代函数,并对树型结构表示的迭代函数进行遗传操作,产生新的后代.为更快、更好地满足用户提出的设计需求提供了有利帮助.通过实验验证其算法的可行性.     

一种前馈神经网络基于U－D分解渐消记忆滤波的学习方法

针对前馈网络ＢＰ算法所存在的收敛速度慢且常遇局部极小值等缺陷，提出一种基于Ｕ－Ｄ分解的渐消记忆推广卡尔曼滤波学习新方法，与ＥＫＦ相比，不仅大大加快了学习收敛速度、数值稳定性好，而且比ＢＰ算法需较少的学习次数和隐节点数仍可达到更好的学习效果。仿真计算表明，该方法是提高网络学习速度、改善学习效果的一种有效方法，可有效解决非线性系统建模、辨识与控制问题。     

基于位置推算算法的虚拟人感知机制的研究

近十几年来,随着对行为动画研究的开展,研究者们越来越认识到行为研究对虚拟人研究的重要性,感知机制是虚拟人行为研究的核心,迄今为止研究者们一般采用传感器方法而不是合成视觉方法建立虚拟人的感知机制,这是因为在象虚拟战场这样的多虚拟人环境中,虚拟人本身的复杂性、环境的动态性,使得虚拟人间可视信息的传递很困难,为了解决这个问题,提出了基于位置推算法的虚拟人感知机制,该项研究弥补了合成视觉方法的不足,丰富了行为动画中感知技术的研究,从而为虚拟人行为控制的研究奠定了基础。     

基于MDS-MAP和非线性滤波的WSN定位算法

为提高传感器网络节点的定位精度,对MDS-MAP结合非线性滤波方法的多种传感器网络定位算法进行研究.根据传感器节点间距离与节点定位坐标之间存在的非线性关系,在MDS-MAP定位算法的基础上,引入扩展卡尔曼滤波（EKF）求精算法和不敏卡尔曼滤波（UKF）求精算法,对MDS-MAP求得的节点坐标进行求精.对MDS-MAP定位算法、MDS-MAP和EKF相结合的定位算法（MDS-EKF）、MDS-MAP和UKF相结合的定位算法（MDS-UKF）的定位精度进行比较.实验结果表明：EKF和UKF等非线性滤波方法的应用可以提高定位精度,在相同条件下MDS-UKF定位算法的定位精度更高并且其生成的网络拓扑图最接近于实际网络拓扑图.     

基于迭代平方根CKF的SLAM算法

在大尺度环境中,平方根容积卡尔曼同步定位与地图构建算法的非线性误差严重制约了算法的定位精度,为解决这一问题,提出了一种基于迭代平方根容积卡尔曼滤波的改进算法,该算法结合迭代理论,对平方根容积卡尔曼滤波的量测更新过程进行迭代更新,充分利用最新的观测信息,降低滤波的估计误差,从而构建精确的地图并获得高精度的定位信息。仿真实验结果表明,采用本算法后, x轴和y轴方向上的位置误差均在1?5 m以内,估计结果明显优于SRCKF－SLAM、CKF－SLAM和EKF－SLAM算法;添加不同的环境噪声后进行仿真实验,该算法所取得的位置误差相比仍是最小的。利用该算法可以有效地减小非线性误差造成的影响,提高SLAM的定位精度。     

基于SIFT算法的图像匹配方法

依据Brown的理论,并基于SIFT算法提出了一种有效的图像匹配方法。首先对图像进行高斯和Wallis滤波处理,然后采用简化SIFT算法进行特征点提取,最后通过特征点双向匹配方法实现图像的精确匹配。通过对缺陷版图图像的试验验证了该方法具有匹配点数量多、准确率高、无重复点等优点。将该方法应用于优化线网的自动检测方面得到较好的效果,并为版图的优化打下了基础。     

基于HITS与MASEL算法的融合算法

HITS算法和MASEL算法分别实现针对用户的查询进行WEB结构挖掘和WEB使用挖掘，从而提供给用户查询所得信息。为了针对用户的某一查询搜索出更符合用户需求的信息，提出了一种新的挖掘算法．该算法是对HITS算法和MASEL算法的融合应用和改进，可以解决在HITS算法中所产生的主题偏移问题以及MASEL算法中不能很好的查找出中枢网页和权威网页的问题。模拟实验结果表明：针对某一查询，基于HITS和MASEL算法的融合算法具有更高的准确率，查询的结果路径更接近用户的经验兴趣路径。