群目标跟踪自适应IMM算法

为提高对机动群目标在高量测误差下的跟踪性能,提出了一种自适应IMM群目标跟踪算法.首先,在群质心状态估计中,引入带有多重次优渐消因子的强跟踪滤波算法,提高机动阶段时对群质心状态估计的精度.其次,在扩展状态估计中,考虑量测精度对于扩展状态的影响,将量测误差和扩展状态同时纳入到量测似然函数的构建中,应用新息计算和渐消记忆迭代过程自适应更新量测误差协方差矩阵.最后,通过quasi-Bayesian方法自适应更新模型转换概率,利用量测数据修正模型转换概率,抑制非匹配模型作用,放大匹配模型作用,实时匹配跟踪模型与目标运动状态.仿真实验结果表明,该方法有效提高了对群质心状态和扩展状态的估计精度.     

广义合作目标跟踪的误差空间估计方法

提出了广义合作目标的概念及误差空间估计方法,提高了光电跟踪系统的跟踪精度与平稳性。该方法采用引导数据与引导误差描述目标的运动,通过将目标的机动分散到引导数据和引导误差,在目标状态空间中根据目标的运动模型进行滤波,在误差空间中根据引导误差模型进行滤波与预测,再进行合成得到目标位置预测数据。实验结果表明在相同的机动水平下,该方法的跟踪性能优于Kalman滤波与强跟踪滤波。     

利用预测滤波法估计小卫星姿态角速度

预测滤波法具有可直接处理线性或非线性模型、实时预测模型误差的优点。结合小卫星姿态运动学方程和预测滤波法,建立了简单的线性估计模型,实时估计姿态角速度,并保证了估计的最优性。仿真结果表明,对姿态角速度的估计精度较高,鲁棒性好。     

基于灰度共生的多线索目标联合优化跟踪

为了提高跟踪算法对多种目标表观变化场景的自适应能力与跟踪精度,提出一种基于灰度共生的多线索目标联合优化跟踪算法。该算法首先提取目标灰度信息,通过灰度共生的高区分度特征对目标进行二元超分描述,结合三阶张量理论融合目标区域的多视图信息,建立起目标的三维在线表观模型,然后利用线性空间理论对表观模型进行双线性展开,通过双线性空间的增量学习更新,降低模型更新时的运算量。通过二级联合跟踪机制对跟踪估计进行动态调整,以避免误差累积出现跟踪漂移。与典型算法进行多场景试验对比,表明该算法能有效地应对多种复杂场景下的运动目标跟踪。     

载人月面着陆器动力下降段自适应姿态控制

载人月面着陆器动力下降过程中质心偏移及其引起的姿态扰动问题比较突出,对此本文提出了采用反作用控制系统(RCS)和推力矢量控制(TVC)的联合自适应姿态控制方法．基于月面着陆器姿态运动学和动力学模型,设计了自适应姿态控制器及质心偏移自适应估计器,利用Lyapunov方法证明闭环姿态控制系统稳定,引入RCS和TVC的误差特性以检验控制器的鲁棒性．数值仿真结果表明该自适应姿态控制方法可行,所设计姿态控制器保证姿态控制系统稳定且具有鲁棒性．     

基于CMAC的光电探测系统姿态稳定控制技术研究

将小脑模型关节控制器(CMAC)神经网络应用于动载体光电稳定跟踪控制系统设计,分别构建CMAC学习算法网络和CMAC控制网络,泛化参数取4,采用δ学习算法调整网络权值,为评估所构建的CMAC网络对目标系统的逼近能力,选定一个非线性系统作为对象,以连续方波为输入信号进行仿真。仿真数据显示,输入信号发生跳变经0.15s后输出信号的稳态误差为0。选用直流力矩电机和分辨率为767×10-6 rad的光电编码器构建动载体三轴姿态稳定控制实验装置。结果表明,构建的以CMAC神经网络为核心的控制器在此实验装置上实现的姿态稳定误差为870×10-6 rad。     

一种改进的群目标自适应跟踪算法

为提高对群目标在机动情况下的跟踪性能,提出一种改进的群目标自适应跟踪算法．在群质心状态估计中,在修正“当前”统计模型的基础上,利用群质心的速度预测和速度估计的偏差进行过程噪声方差自适应调整,并引入强跟踪滤波中的渐消因子,实时调节群质心的状态预测协方差．在扩展状态估计中,将其对应的椭圆面积预测值和估计值的偏差以及偏差变化率作为模糊输入量,采用模糊推理法自适应输出扩展状态的预测参数．此外,提供了群目标分裂机动的判决方法．仿真结果表明,与现有方法相比,本文算法增强了对群目标在突发机动时的自适应跟踪能力,并能有效检测出群的分裂机动．     

基于二阶非线性滤波的星上陀螺在轨标定

为提高三轴稳定卫星姿态确定精度,针对典型的陀螺/星敏感器联合定姿方案,结合二阶非线性滤波估计,推导了一种利用星敏感器对陀螺进行实时在轨标定的算法.充分考虑卫星姿态测量过程中可能出现的各种误差源,建立陀螺安装误差、标定因子误差以及漂移模型,并对陀螺测量过程中可能出现的各种误差进行在轨补偿,为卫星姿态确定和校正提供丰富的姿态测量信息,以确保姿态测量器件长期在轨工作精度.采用该算法对哈尔滨工业大学"试验卫星一号"遥测数据进行复算和校核,结果与实际飞行数据吻合,验证了该在轨标定算法的有效性和可靠性.     

视觉和IMU融合的移动机器人运动解耦估计

针对视觉里程计(VO)因累积误差导致运动姿态估计存在的偏差,提出实时扩展卡尔曼滤波器姿态估计模型,利用惯性测量单元(IMU)结合重力加速度方向作为垂直方向参考,对视觉里程计航向、俯仰和侧倾3个方向姿态估计进行解耦,修正姿态估计的累积误差;根据运动状态采用模糊逻辑调整滤波器参数,实现自适应的滤波估计,降低加速度噪声的影响.实验采用高精度的全站仪作为真值,并结合多种地形环境,实验结果表明：50 m内跟踪的累积误差低于0.3 m,有效地提高了视觉里程计的定位精度和鲁棒性.     

基于卫星姿态敏感器和星载天线信息的联合姿态确定方法

为提高姿态估计的速度和精度,提出一种利用星载天线信息进行姿态确定的新方法。研究分析了天线接收信号中可以用于卫星姿态确定的信息,推导并建立了由误差四元数表示的天线测量残差线性模型。基于卫星姿态敏感器的测量残差模型和天线测量残差模型,组建了陀螺/红外地平仪/太阳敏感器/天线新型联合姿态确定系统,最后利用集中式测量融合滤波对卫星姿态进行估计。仿真结果表明,天线信息的引入可以显著提高姿态确定的精度,并使整个系统的收敛速度有明显提高。     

一种改进的多普勒中心频率估计方法

在合成孔径雷达成像及其应用中,需要对多普勒中心频率进行估计。在分析目标回波多普勒历程的时频模型基础上,提出了一种时频滤波的方法,该方法通过滤除部分强散射点的时频分布来消除功率谱的扭曲,进而提高多普勒中心频率估计的精度。实验证明了该方法的有效性。     

基于网格搜索和支持向量机的灰熔点预测

为了预测混煤的灰熔点,采用支持向量机建立煤灰软化温度模型,模型将煤的灰成分作为输入量,煤的软化温度作为输出量,利用网格搜索寻优方法对支持向量机(SVM)模型的参数进行了优化,在设定的不同精度下分别获得模型的最优参数,利用优化后的模型对单煤和混煤的灰熔点进行了预测,并将不同精度下的预测结果与实验结果进行对比.煤灰软化温度模型设定精度为0.01时,单煤样本预测相对误差最小,其最大相对误差和平均相对误差分别为3.00%和0.48%;运用此模型对混煤预测的最大相对误差和平均相对误差分别为1.74%和0.62%.预测结果表明,经网格搜索优化后的支持向量机模型对煤灰熔点预测较精确.     

一种改进的B样条CMAC网络概念映射方法

针对CMAC网络在输入维数高、量化间距小、样本数量多的情况下导致虚拟存储空间过大的问题,提出一种改进的基于多维存储结构的B样条CMAC网络概念映射方法,无需增加虚拟空间到物理空间的hash映射,避免了地址碰撞问题,与其他映射方法相比,由于该方法只映射量化空间中少量的有规律的地址单元,使得该映射方法实际所需虚拟地址空间远小于其他方法,从而在存储空间受限情况下,可以显著提高网络的学习精度和泛化能力.仿真试验结果表明,在新的映射方法下,B样条CMAC比常规CMAC学习精度高,学习速度快,泛化能力强,对相同结构的B样条CMAC网络,新的映射方法在存储空间大小、学习能力和泛化能力等方面明显优于现有的其他方法.     

四元数约束的容积卡尔曼滤波及其应用

针对一些非线性系统状态变量中存在四元数约束的情况,提出了一种四元数约束下的容积卡尔曼滤波(quaternion constrained cubature kalman filter,QCCKF)算法．基于最小约束代价函数,采用三阶球面-相径容积规则近似计算系统状态的后验均值和协方差,给出了QCCKF滤波递推公式．设计的QCCKF算法可以有效地对状态进行估计,扩展了CKF的应用范围．最后对飞行器姿态估计系统进行仿真,仿真结果表明,该算法估计精度优于常规CKF和无迹四元数估计法(unscented quaternion estimator, USQUE),并满足四元数约束条件,较好地解决了非线性系统存在四元数约束的问题,验证了算法的有效性．     

基于微分视场的图像目标捕获算法

在数字图像处理领域,形心跟踪的目标捕获有着广泛的应用,尤其在对于天空等相对简单均匀的背景。形心跟踪算法通过目标与背景在灰度上的差别确定是否是目标,其具有较高的跟踪准确性和稳定性,容易实现目标自动捕获,但当图像背景不均匀而且目标与背景灰度相近时,会严重影响对目标的捕获,而不均匀背景在日常是不可避免的。本文分析了有关形心跟踪算法的特点和不均匀背景图像的特点,提出了基于微分视场的不均匀背景图像目标捕获算法,并应用在实际的工程应用系统中,该算法把整个视场图像分为多个更小的图像块分别进行处理,然后对处理结果进行综合分析,获得真正的目标;通过实验和在工程中应用证明,该算法能较好地克服不均匀背景对弱小目标的捕获跟踪影响,改善弱小目标的捕获效果。     

基于MME准则估计卫星姿态的非线性滤波算法

结合矢量观测的特点，基于最小模型误差准则给出了一种确定卫星姿态的实时估计算法，称为预测滤波算法。该算法利用矢量观测信息，对动力学方程中的力矩模型误差进行预测，并利用预测值修正动力学模型，从而准确地估计卫星的三轴运动姿态，同时能获得角速度估计值。通过误差观测矢量的建立，进一步提出了能够简化准则函数的修正预测滤波算法。仿真结果证明，预测滤波算法及其修正算法克服了扩展卡尔曼滤波器的不足，能够有效地解决存在显著模型误差情况下的非线性估计问题。     

基于新型CMAC神经网络的复杂系统控制

首先基于离散泰勒级数设计了一种可实现对任意阶多维函数无差逼近的新型CMAC神经网络,给出了其插值算法及训练算法。该系统相对于传统的CMAC神经网络具有学习精度高、收敛速度快、所需内存单元少等优点。并基于新型CMAC神经网络设计了一种复杂系统的高性能实时控制策略。该方案不依赖于系统的数学模型,具有较强的鲁棒性和通用性,仿真结果表明了该方案的可行性与有效性。     

Adaptive Track Predicting Control for Target Tracking Control Systems

The target trackingsystemis widely usedin mil-itary andindustry,such as radar track and uncertainrobot manipulators.It’s difficult to realize high pre-cision real-ti me trackingto a maneuveringtarget.Formaneuvering target,its motion direction,velocityand acceleration are uncertain,it requires that theservo system must have fast response.For commonoutput feedback control system,the hysteresis alwaysexists between the input and output because anyphysical actuator needs a period of response ti m…     

基于集成深度学习的时间序列预测模型

基于高斯过程的条件受限玻尔兹曼机(GCRBM)时序模型可以很好的预测单一种类时序数据,但是该模型难以预测多类别的真实高维数据。针对这个问题,提出基于集成深度学习的时间序列预测模型,对多类时序对应训练多个深可信网络(deep belief networks, DBN)模型来学习低维特征,利用低维特征对应训练多个GCRBM时序模型。预测时序时先通过训练出的一组DBN模型对目标数据进行降维并通过重建误差识别类别,然后通过识别到的类别所对应的GCRBM模型预测目标数据的后期时序。在CASIA-A步态数据集上的试验结果表明:本方法能够准确识别出步态序列,而且预测结果能够模拟出真实的步态序列,证实了本模型的有效性。