神经网络修正动态GPS卡尔曼滤波算法研究

GPS导航定位系统噪声具有非先验性,而卡尔曼滤波进行最优估计需建立准确的系统模型和观测模型,这导致标准卡尔曼滤波的精度不高。为提高滤波精度,提出了神经网络修正动态GPS卡尔曼滤波算法,采用两个BP神经网络分别在时间更新预测部分及测量更新部分对标准卡尔曼滤波器进行修正,这样既考虑了现实环境的动态变化对系统模型造成的随机干扰影响,又融合了神经网络的自学习性和自适应性,使其对动态环境的扰动具有了自适应能力。仿真研究表明：该算法优于标准卡尔曼滤波器。     

基于迭代容积卡尔曼滤波的神经网络训练算法

针对现有应用非线性滤波算法对神经网络进行训练时存在精度不足的问题,提出了一种基于迭代容积卡尔曼滤波的神经网络训练算法。首先,将前馈神经网络各个节点的连接权值和偏置作为状态向量,建立前馈神经网络的状态空间模型。其次,利用Spherical-Radial准则生成容积点,并依据Gauss-Newton迭代策略来优化量测更新过程中获取的状态估计值和状态估计误差协方差,通过容积卡尔曼滤波估计精度的改善,提升神经网络节点的连接权值和偏置的训练效果。理论分析和仿真实验结果验证了所提算法的可行性和有效性。     

基于容积卡尔曼滤波的神经网络训练算法

针对现有的利用非线性滤波算法对神经网络进行训练中存在滤波精度受限和效率不高的缺陷, 提出一种基于容积卡尔曼滤波(CKF) 的神经网络训练算法. 在算法实现过程中, 首先构建神经网络的状态空间模型; 然后将网络连接权值作为系统的状态参量, 并采用三阶Spherical-Radial 准则生成的容积点实现神经网络中节点连接权值的训练. 理论分析和仿真结果验证了所提出算法的可行性和有效性.

     

基于U－D分解推广卡尔曼滤波的神经网络学习算法

本文针对前馈神经网络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处法，与ＰＢ和ＥＫＦ学习算法相比，新算法不仅大大加快了学习收敛速度、数据稳定性好，而且需较少的学习次数和隐节点数即可达到更好的学习效果，对初始权值，初始方差阵等参数的选取不敏感，便于工程应用。     

基于修剪技术分级学习的动态模糊神经网络算法研究*

在D-FNN中采用了修剪技术,可以检测到不活跃的模糊规则并加以剔除,从而获得更为紧凑的结构。在D-FNN中,前提参数是在学习过程中自适应地进行调整。由于分级学习策略的应用,大大提高了学习的有效性,加之参数调整只限于线性参数,没有迭代学习,因而学习速度很快,这使得本算法应用于实时学习和控制成为可能。最后针对实际案例进行了仿真分析,验证了该算法的有效性和高效性。     

基于卡尔曼滤波的RBF神经网络和PD复合控制研究

针对工业机器人控制系统在实际工作中不可避免地要受到随机噪声的影响,提出了基于卡尔曼滤波的RBF神经网络与PD复合控制器设计,该控制器由PD反馈、RBF神经网络前馈控制器和卡尔曼滤波器三部分构成;基于卡尔曼滤波的PD和RBF神经网络复合控制具有优良的控制性能和动态品质,能快速跟踪设定的参考信号,而且无大的超调和振荡出现,只需较少的控制能量,明显抑制白噪声的污染,提高系统自适应性和鲁棒性;仿真结果表明了其有效性。     

基于反向传播神经网络改进的增益修改卡尔曼滤波算法

增益修改的卡尔曼滤波(MGEKF)算法在实际应用时,一般使用带有误差的测量值代替真实值进行增益修正计算,导致修正结果也被误差污染。针对这一问题,提出一种基于反向传播神经网络(BPNN)改进的MGEKF算法,该算法使用训练后的神经网络代替MGEKF的增益修正函数。该算法在网络训练阶段,以实际测量值作为神经网络的输入,真实值修正后的结果作为训练目标;在实际应用中,使用网络的输出修正卡尔曼增益。针对移动单站只测向目标定位问题进行了实验,实验结果表明:该算法与扩展卡尔曼滤波(EKF)、MGEKF、平滑增益修改的卡尔曼滤波(sMGEKF)算法相比:定位精度至少提升10%,并且有更强的稳定性。     

基于自适应扩展卡尔曼滤波与神经网络的HPA预失真算法

针对强记忆功放的非线性问题,提出一种基于自适应扩展卡尔曼滤波与神经网络的高功放(High power amplifier, HPA)预失真算法.采用实数固定延时神经网络(Real-valued focused time-delay neural network, RVFTDNN)对间接学习结构预失真系统中的预失真器和逆估计器进行建模,扩展卡尔曼滤波(Extended Kalman filter, EKF)算法训练神经网络,从理论上指出Levenberg-Marquardt(LM)算法是EKF算法的特殊情况,并用李亚普诺夫稳定性理论分析EKF算法的稳定收敛条件,推导出测量误差矩阵的自适应迭代公式.结果表明:自适应EKF算法的训练误差和泛化误差均比LM算法更低,预失真后的邻道功率比(Adjacent channel power ratio, ACPR)比LM算法改善了2dB.     

基于卡尔曼滤波算法和双径向转移函数的RBF型神经网络

RBF径向基函数神经网络具有训练简洁、学习效率快、不易陷入局部极小等优点,广泛应用于信号处理与模式识别.虽然常用的RBF网络比较容易构建,但因其结构通常固定或者复杂度较高,从而导致学习时间过长或网络资源的浪费.针对上述原因,提出利用扩展卡尔曼滤波器作为RBF的学习算法,并在隐层中使用双径向函数.通过对逼近基准的结果分析,清楚地表明该算法比其他分类网络模型具有更强的泛化性.     

基于神经网络集成的数据分析

神经网络集成通过训练多个神经网络并将其结论进行适当的合成,可以显著地提高学习系统的泛化能力.然而,设计一个好的神经网络集成必须在个体准确性与彼此差异性之间取得一个平衡.本文提出了一种改进的神经网络集成构造方法--基于噪声传播的神经网络集成算法(NSENN).     

基于扩展卡尔曼滤波器的RBF神经网络学习算法

径向基函数（RBF）神经网络可广泛应用于解决信号处理与模式识别问题,目前存在一些学习算法用来确定RBF中心节点和训练网络,对于确定RBF中心节点向量值和网络权重值可以看作同一系统问题,因此该文提出把扩展卡尔曼滤波器（EKF）用于多输入多输出的径向基函数（RBF）神经网络作为其学习算法,当确定神经网络中网络节点的个数后,EKF可以同时确定中心节点向量值和网络权重矩阵,为提高收敛速度提出带有次优渐消因子的扩展卡尔曼滤波器（SFEKF）用于RBF神经网络学习算法,仿真结果说明了在学习过程中应用EKF比常规RBF神经网络有更好的效果,学习速度比梯度下降法明显加快,减少了计算负担。     

基于权值拟熵的神经网络剪枝算法研究

“剪枝算法”是一种通过简化神经网络结构来避免网络过拟合的有效方法之一。将权值拟熵作为惩罚项加入目标函数中,使多层前向神经网络在学习过程中自动约束权值分布,并以权值敏感度作为简化标准,避免了单纯依赖权值大小剪枝的随机性。由于在剪枝过程中只剪去数值小并且敏感度低的连接权,所以网络简化后不需要重新训练,算法效率明显提高。仿真结果证明上述方法算法简单易行,并且对前向神经网络的泛化能力有较好的改善作用。     

传感器网络中基于卡尔曼滤波的能量高效Top—k查询处理技术

无线传感器网络能量受限,如何实现top-k查询处理的能量高效从而延长网络的生命周期是该领域研究的一个重要课题。论文利用传感器节点读数的时空相关性,提出运用卡尔曼滤波根据已知节点读数对未知节点读数估计的时空建模方法,进而提出基于预测机制的区域采样方法（RegionSampling,RS）。实验表明,论文提出的查询方法不但可以满足用户的查询精度要求,而且大大减少了传感器网络的通信次数节省了能量,从而延长了网络的生命周期。     

基于卡尔曼滤波的运动人体跟踪算法研究

提出一种基于卡尔曼滤波的运动目标快速跟踪算法。利用卡尔曼滤波器的预测功能,预测运动人体目标在下一帧中的位置,在Matlab仿真环境下实现该跟踪算法,实验结果表明：该算法对人体目标的运动趋势能够做出正确的预测估计,跟踪效果和性能较为稳定和可靠。此外,该算法将图像全局搜索问题转换为局部搜索,使运算量减少,满足实时性跟踪要求,实现了对运动目标的快速跟踪。     

卡尔曼粒子滤波的视频车辆跟踪算法研究

近年来,视频车辆跟踪作为城市智能交通系统（ITS）的一个关键技术受到关注。本文针对传统粒子滤波的非线性、非高斯性可能导致跟踪过程的不稳健性,提出一种基于卡尔曼粒子滤波的视频车辆跟踪算法,该算法利用基于重要区域的目标颜色直方图统计模型对视频车辆目标进行建模,并将其应用于卡尔曼滤波更新中,通过采用Mean Shift算法将卡尔曼滤波器引用到粒子滤波器当中,对车辆的运行轨迹进行校正,实现了局部线性滤波,实现了在保持跟踪系统整体上的非线性、非高斯性的同时,兼顾其局部的线性高斯特性。实验结果表明,本文所提出的方法与传统粒子滤波方法相比,能够更准确地对车辆进行跟踪,同时保证了在复杂环境下性能的稳健性。     

基于改进容积卡尔曼滤波的认知雷达跟踪算法

在认知雷达目标跟踪过程中,由于存在初始跟踪误差及系统量测方程的非线性等原因,导致卡尔曼滤波算法性能较差.为解决上述问题,将Gauss-Newton迭代方法与容积卡尔曼滤波算法相结合,建立迭代容积卡尔曼滤波算法.算法在迭代过程中利用最新的量测信息并更新迭代过程中产生的新息方差,降低了目标初始状态的估计误差,并且减小了线性化量测方程引入的传递误差.仿真结果表明,迭代容积卡尔曼滤波算法与传统的扩展卡尔曼滤波算法、无迹卡尔曼滤波算法、容积卡尔曼滤波算法相比,在认知雷达中的跟踪精度更高,稳定性更好,对初始误差的容错性更强.结果可为雷达目标跟踪优化提供科学依据.     

基于卡尔曼滤波的多目标跟踪方法

针对视频多目标跟踪中由于目标间的遮挡、交错或目标漂移而导致跟踪失败的情况,提出一种基于卡尔曼滤波以及空间颜色直方图的遮挡预测跟踪算法。利用空间颜色直方图对目标进行建模,可以对不同目标进行区分进而在目标之间出现交错或目标漂移时仍能跟踪到目标。通过卡尔曼滤波算法可以 预测 目标的状态,对预测位置之间存在交错的目标进行遮挡标记,以便在下一帧中仍然可以跟踪到被遮挡的目标。采用2D MOT 2015数据集进行实验,跟踪的平均精度达到了34.1%。实验结果表明,所提方法对多目标跟踪的效果有所提高。     

基于新型卡尔曼滤波算法的称重系统实现研究

针对信号采集中存在脉冲干扰和高斯白噪声引起的误差问题,提出了基于新型卡尔曼滤波算法的称重系统实现方案,给出了该称重系统的组成。该算法对信号进行阈值和防脉冲干扰滤波,在防脉冲干扰滤波过程中不断优化阈值滤波中的对比值,消除了干扰幅度较大的非周期脉冲信号;将信号送入下一级滤波器进行时间更新、测量更新,消除了高斯白噪声干扰。一系列试验表明,测量范围内系统灵敏度约为0.15 mV/kg;最大差值为0.1 kg,准确度达到99.7%;经过新型卡尔曼滤波后误差均处于0.4%以下,相比使用传统的卡尔曼滤波算法,系统精度提高到4.5倍。     

基于卡尔曼滤波的数据融合算法与应用研究

针对无人机飞控系统对输入的多传感器信息融合时传统卡尔曼滤波算法容易出现滤波发散,滤波精度和系统的实时性降低的问题,研究了一种改进的自适应滤波算法,可以让数据融合后的信息精度更高,实时性更强。改进的算法是在Sage-Husa滤波的基础上引入滤波收敛性判据,并提出了基于改进的Sage-Husa滤波算法的联邦卡尔曼滤波器的设计,可以抑制滤波发散,提高滤波精度和稳定性。同时引入强跟踪滤波算法的思想,调整增益矩阵,改进滤波算法,提高系统突变情况下的滤波处理能力。最后,通过对特定的自主避障系统用改进后的算法与传统卡尔曼滤波算法进行MATLAB仿真比较,仿真结果显示改进的自适应滤波算法在系统模型参数失配和实变噪声情况未知时,可以较好地保持滤波的精度和实时性。