基于AIMM SRCKF的机动目标跟踪算法

为了解决交互式多模型(interacting multiple model, IMM)算法在目标机动时模型切换速度迟缓的问题,给出了一种Markov概率转移矩阵在线修正的自适应IMM(adaptive IMM, AIMM)算法,利用IMM子模型中连续两个时刻之间的概率差来调整Markov概率转移矩阵,以提高子模型的切换速度和分配的合理性,同时提高了IMM算法的跟踪精度。其次,将平方根容积卡尔曼滤波(square root cubature Kalman filter, SRCKF)引入到 AIMM 算法中,以解决在迭代滤波过程中协方差矩阵出现的非正定的问题,改善了数值稳定性,提出一种适用于机动目标跟踪的AIMM SRCKF算法,仿真实验结果表明,该算法能提高匹配模型概率,缩短模型切换时间。     

多传感器交互式多模型系统中数据融合的一种算法

交互式多模型Kalman滤波器是一种基于“软切换”的机动目标跟踪方法，该方法在多目标跟踪系统中取得了良好的效果。本文提出了一种基于方差范数最小意义下的多传感器交互式多模型信息融合方法，并通过仿真验证了该方法的有效性。     

交互式多模型七阶容积卡尔曼滤波算法

为提高非线性机动目标的跟踪精度,提出交互式多模型七阶容积卡尔曼滤波(IMM-7th CKF)算法。采用对非线性系统滤波效果更好的七阶容积卡尔曼滤波(7th CKF)作为交互式多模型(IMM)算法的子滤波器,对各模型状态进行估计,将IMM算法和7th CKF结合起来,提高对非线性机动目标的跟踪效果,最后采用典型机动目标跟踪问题验证IMM-7th CKF的跟踪性能。仿真结果表明,IMM-7th CKF相比交互式多模型容积卡尔曼滤波(IMM-CKF)和交互式多模型五阶容积卡尔曼滤波(IMM-5th CKF)具有更高的滤波精度。     

基于模糊交互多模型的机动目标被动跟踪算法

针对双观测平台纯方位测量的机动目标,提出了自适应归一化的模糊交互多模型算法。算法利用目标的方位信息,通过模糊推理机制自动调整过程噪声水平。提出了限定记忆归一化方法来自适应归一化模糊系统的输入变量,使得输入变量值始终保持在一个合理的范围内。仿真结果表明,与基于增长记忆归一化方法和经验法的模糊交互多模型算法相比,基于限定记忆归一化的模糊交互多模型算法的跟踪误差分别降低了9.56%和9.29%,能更好地跟踪机动目标的位置、速度和加速度。     

一种基于IMMPDA-UKF的机动目标跟踪算法

为了实现对在航捷点附近做机动运动目标的精确跟踪,提出采用不敏卡尔曼滤波（UKF）作为底层的滤波算法,解算出方位和俯仰的角度变化率,通过角度变化率解算出目标的切向速度,在过航捷时建立新的跟踪模型,将切向速度扩充到观测方程中,并结合交互多模型概率数据关联算法（IMMPDA）实现对过航捷机动目标的跟踪。仿真结果表明,该算法跟踪精度高,在航捷点附近无论是转弯机动还是加速运动,都可以保持对目标的持续跟踪,稳定性较高,可以直接应用于工程实践。     

交互式多模型算法在电力系统暂态稳定预测中的应用

针对电力系统生发大扰动后发电机功角轨线变化与距离故障点远近有关的特点,将交互式多模型(IMM)自适应跟踪算法成功地用于预测电力系统暂态稳定性.该自适应IMM算法采用机动目标"当前"统计模型、常加速度模型和常速度模型交互作用构成.文中详细描述了IMM算法的实现步骤,并应用于发电机功角跟踪预测过程中,通过仿真结果验证了所提算法的实用性.     

目标跟踪在坦克防撞中的研究与应用

考虑到毫米波雷达在噪声源较多的战场上存在较大的测量误差,为了提高毫米波雷达在坦克防撞系统中采集数据的可靠性,提出了用交互式多模型卡尔曼滤波算法对坦克前方机动车辆进行准确的目标跟踪。该算法运用不同机动模型的卡尔曼滤波器进行并行处理,以模型匹配似然函数为基础更新模型概率,并组合所有滤波器的修正后的状态估计值以得到状态估计。仿真结果表明,该算法能够有效的跟踪坦克前方行驶的车辆,获悉其距离、速度等信息,具有跟踪精度高的特点,降低了虚警率。     

交互式多模型算法在电力系统暂态稳定预测中的应用

针对电力系统发生大扰动后发电机功角轨线变化与距离故障点远近有关的特点,将交互式多模型(IMM)自适应跟踪算法成功地用于预测电力系统暂态稳定性。该自适应IMM算法采用机动目标"当前"统计模型、常加速度模型和常速度模型交互作用构成。文中详细描述了自适应IMM算法的实现步骤,并应用于发电机功角跟踪预测过程中,通过仿真结果验证了所提算法的实用性。     

在线生成策略表与实时预测切机

按照策略表切机是电力系统中提高暂态稳定的有效方法之一。利用能量裕度灵敏度法在中央处理单元在线修改策略表、在故障监测单元实施实时匹配和就地预测发电机暂态稳定以决定是否切机。在厂站采用“当前”统计模型、常加速模型及常速模型构成的交互式多模型(IMM)自适应滤波算法。跟踪预测发电机转子角度。当预测到机组失稳时，按照策略表及实时匹配情况，方始发出切机命令。这种紧急切机控制的并行双重算法能有效地防止误切机组。通过经典模型下新英格兰10机39节点系统的应用说明算法的有效性。     

一种过程噪声自适应调节的卡尔曼滤波算法

鉴于过程噪声在卡尔曼滤波器中的重要作用,本文给出一种自适应调整过程噪声方差的新方法.此方法不需要目标机动的先验知识,而是考虑"新息"平方和的数学期望值,构造一个可自适应调整的缩放因子.在目标未发生机动时因子值较小,当目标发生机动时因子值迅速增大,从而增大系统的过程噪声方差.结合协方差匹配自适应滤波算法的思想,本文提出一种新的机动目标跟踪算法.通过蒙特卡洛仿真,同IMM算法进行比较,结果表明,新算法在目标发生机动时具有更好的性能.     

基于AIMM-SRCKF的机动目标跟踪算法

为了解决交互式多模型(interacting multiple model,IMM)算法在目标机动时模型切换速度迟缓的问题,给出了一种Markov概率转移矩阵在线修正的自适应IMM(adaptive IMM,AIMM)算法,利用IMM子模型中连续两个时刻之间的概率差来调整Markov概率转移矩阵,以提高子模型的切换速度...     

基于FPGA的可变带宽基带信号回放系统设计

针对不同带宽基带信号回放到目标中频的需求，设计了一种可变带宽基带信号回放系统。该系统以FPGA为核心数据处理单元，通过配置高速数模转换芯片AD9122和时钟芯片AD9516完成基带信号的回放功能。为解决不同带宽基带信号采样率与DAC发射速率不匹配的问题，设计了一种多速率处理算法，采用多级HB滤波器、CIC滤波器和Farrow滤波器级联的结构实现了任意倍的采样率转换功能。算法仿真和实际测试结果表明该系统能够以较少的资源消耗将1 kHz~20 MHz的可变带宽基带信号回放到目标中频上，回放信号无杂散动态范围不低于60 dBc,满足实际通信系统需求。     

一种优化的图像配准算法

为了降低传统尺度不变特征变换(SIFT)算法的特征点检测与匹配的时间复杂度,提出一种优化的图像配准算法,即采用Trajkovic算法检测特征点,并采用SIFT算法的分配描述符方法分配特征点描述符参数,再用稀疏降维原理对特征点描述符参数进行降维处理,最后,采用基于双向匹配的相似性度量算法进行特征点匹配。模拟实验选择检测图像的特征点数、匹配对数、正确匹配对数、匹配正确率、配准时间与配准时间下降率6个指标作为评估标准,结果表明,优化算法在特征点配准正确率方面与传统SIFT算法相当,但在特征点配准速度方面有明显提升。     

电力变压器关键尺寸视觉检测方法及其缩比模型验证

电力变压器的关键尺寸测量是其装配制造、运输安装过程中重要一环,现有测量方法操作繁琐且效率较低。为此,本文提出了一种适用于110 kV油浸式电力变压器关键尺寸视觉检测方法,该方法利用YOLO目标检测算法、Grabcut图像分割算法实现关键组部件的智能检测与分割,然后基于双目立体视觉原理实现套管相间距离及变压器最大截面外形尺寸等关键尺寸的测量。本文搭建了110 kV油浸式电力变压器外观缩比模型,试验分析了拍摄距离和角度等因素对电力变压器关键尺寸视觉检测的影响。结果表明,本文基于缩比模型试验实现了在不同拍摄距离与角度下变压器关键尺寸的视觉检测,验证了该方法的有效性。本文方法可以为110 kV油浸式电力变压器现场尺寸测量提供参考。     

电力系统地区电网模型拼接中的灵敏度潮流调整

在地区电网模型拼接过程中,由于边界联络线处的电量和内网并不匹配,各分块模型不能直接拼接。针对该问题,采用基于节点间电气距离的灵敏度校正方法进行边界潮流调整。该方法以有功潮流方程中有功功率相对电压相角变化率的倒数来度量节点间的电气距离,选取与边界节点电气距离较小的节点作为可调节节点,利用灵敏度校正方法交替进行迭代,可使偏差逐渐减小到要求的精度内。该方法仅选取部分对边界节点影响较大的节点作为可调节节点,并不会增加迭代计算的次数,还能够减小工作量。应用IEEE39节点系统验证了该算法的有效性。     

基于KPCA-K-means-GRU的短期风电功率预测研究

风能间歇性和波动性的特点给电网的平稳运行造成了很大的挑战,导致电网企业限制风电并网,造成弃风行为。因此,实时有效地预测风力发电情况对风电开发和电网的平稳运行至关重要。在分析当前多种预测方法后,提出了基于核主成分分析K均值聚类-门控循环单元(KPCA-K-means-GRU)的短期风电功率预测模型。多维数据能够较好地还原实际物理状态,但过高维度的数据会带来维数灾难。因此,利用非线性的KPCA在保留高维数据信息的同时降低数据维度。随后借鉴负荷预测相似日思路,将降维后的数据通过K-means进行无监督聚类以建立不同的预测模型来提高预测精度。最后分别训练不同类别数据的GRU神经网络参数,进行分类预测以获得更合适的网络模型。