基于遗传算法的模糊卡尔曼滤波

针对常规联合卡尔曼滤波存在的缺陷,提出基于遗传优化的模糊卡尔曼滤波方法,并运用于全球定位系统(GPS)/轨迹推算系统(DR)汽车组合导航的数据融合中.采用模糊逻辑自适应控制器对联合卡尔曼滤波器的噪声方差和信息分配系数进行在线自适应调整,避免了子滤波器的发散,保持了全局估计的高精度.同时,利用改进的遗传算法来优化模糊控制器的隶属函数,避免了以往完全凭经验获取隶属函数参数的缺陷.通过对GPS/DR组合导航系统的仿真和实验,验证了上述算法的可用性和有效性.     

基于遗传算法的模糊控制器设计与仿真

模糊控制中隶属度函数的正确选择是模糊控制器设计的关键，它决定了模糊控制系统的动态、静态性能和控制效果。针对传统的获取隶属度函数方法的不足，提出了在一个待优化模糊控制器的基础上，采用改进的遗传算法优化其隶属度函数，从而使经过优化所获得的枣属度函数更加合理。最后对优化后的模糊控制器进行仿真比较研究，结果表明隶属度函数经过优化后的模糊控制器的控制品质有较大的改善和提高。     

基于改进卡尔曼滤波在车辆组合导航中的研究

针对车辆在长时间行驶的状态中,组合导航经常会出现滤波精度不高的问题,提出一种采用遗传算法对卡尔曼滤波器进行在线调节的自适应数据融合方法,根据位置误差系数和卡尔曼滤波器的新息统计信息,实时调整参数值,将卡尔曼滤波器调整到运行过程中的最优状态。通过MATLAB软件对该方法进行仿真试验,模拟INS/GPS组合导航系统运行情况,表明这种方法和传统卡尔曼滤波算法相比较导航精度明显提高。     

基于遗传算法的车辆模糊换挡控制实验研究

针对车辆自动变速系统的非线性,应用模糊逻辑控制理论,设计了能反映驾驶员意图的车辆换挡模糊控制器,并利用遗传算法对模糊控制器的参数进行了优化,最后设计并制作了实验平台,模拟车辆的换挡过程.实验证明,优化后的模糊换挡控制器能有效的改善换挡品质,并验证了整个设计策略的可行性和有效性.     

基于卡尔曼滤波的车辆组合导航仿真研究

针对传统车载导航系统在复杂道路环境下定位精度偏低等问题,提出了应用全球定位系统与航位推算相结合的组合导航算法,使用卡尔曼滤波进行数据处理,实时调整参数值,将卡尔曼滤波器调整到运行过程中的最佳状态,从而提升导航系统的准确度。实验结果表明,所提方法可以提升车载导航系统的准确性和连续性,保证车辆定位曲线和车辆实际行驶路线基本吻合,但是定位误差会随着信号中断时间的延长而增大。     

基于模糊卡尔曼滤波算法的速度估算方法

以在某水下平台导轨上运行的水下小车为研究对象,针对在非理想情况下由于车轮打滑所引起的速度测量误差,提出了一种基于车身加速度和车轮速度信息的小车速度估算方法。以卡尔曼滤波为基本算法,提出了基于模糊控制思想的参数调节方法,根据测量值和估算值之间的差值,在线调节观测噪声的方差值,以改变卡尔曼滤波器的参数。经Matlab仿真表明,模糊卡尔曼滤波算法融合了速度和加速度的测量值,具有较好的抗冲击能力和跟踪能力,测量精度较高。     

基于遗传算法的双模糊控制器设计及应用

对非线性、时变性的不确定系统,模糊控制是一种较有效的方法.但模糊控制器隶属度函数及模糊推理规则的合适选取比较困难.将遗传算法引入到双模糊控制器的设计中,对倒立摆系统的控制仿真结果表明,该方法是有效的.     

基于遗传算法的双模糊控制器设计及应用

对非线性、时变性的不确定系统,模糊控制是一种较有效的方法.但模糊控制器隶属度函数及模糊推理规则的合适选取比较困难.将遗传算法引入到双模糊控制器的设计中,对倒立摆系统的控制仿真结果表明,该方法是有效的.     

神经网络辅助卡尔曼滤波在组合导航中的应用

为使基于微机电系统的捷联惯性导航/全球定位(MEMS-SINS/GPS)组合导航系统在GPS接收机无法正常工作时,仍能提供满足精度要求的导航信息,提出了径向基函数神经网络(RBFNN)辅助自适应卡尔曼滤波(AKF)的信息融合方法。首先,基于该方法设计了由神经网络训练与预测两种模式构成的组合导航系统。在GPS可用时,对RBFNN进行在线训练;在GPS失锁时,由RBFNN预测AKF更新过程的量测输入。然后,建立了RBFNN与AKF的数学模型,并设计了RBFNN的训练策略与AKF的自适应算法。最后,通过跑车实验验证了该信息融合方法的有效性。实验结果表明,在GPS断开时间为40s和100s时,系统的位置精度分别优于15m和90m。该信息融合方法能在GPS失锁时对导航误差发散进行有效阻尼,是适用于小型无人机、制导炸弹与车辆的一种低成本、高鲁棒性、中等精度的导航方案。     

基于改进遗传算法的模糊张力控制

针对张力系统实时性的特点,提出了基于改进遗传算法的模糊控制器。该文对遗传优化的模糊控制器进行了改进：1）采用多调整因子的模糊控制器;2）引入超代遗传（HGGA）方法;3）对染色体个体编索引号,尽量避免其近亲繁殖。最后在张力平台上验证了上述算法,结果表明,上述控制方法有效地实现了张力的实时控制。     

S-修正的自适应卡尔曼滤波与模糊卡尔曼滤波相结合的汽车状态估计算法

精确的汽车状态信息的获取是汽车动态控制系统正常工作的前提。建立了二自由度汽车动力学模型,提出了将S-修正的自适应卡尔曼滤波与模糊卡尔曼滤波相结合进行汽车关键状态估计的方法。模糊卡尔曼滤波利用所设计的模糊控制器通过实时监测信息实际方差与理论方差的比值,实现对时变量测噪声的协方差矩阵的实时在线估计,提高了算法在时变量测噪声情况下的鲁棒性;S-修正的自适应卡尔曼滤波算法基于滤波不发散理论推导得出实时修正因子S,进而对估计误差协方差矩阵直接加权。两种方法的结合在总体上提高了在汽车动力学系统过程噪声与量测噪声协方差矩阵不准确情况下算法的鲁棒性与估计精度,最后通过基于ADAMS的虚拟试验验证了该方法的有效性。     

基于UKF算法的汽车状态估计

准确实时获取行驶过程中的状态信息是汽车动态控制系统研究的关键问题。将unscented卡尔曼滤波(UKF)算法应用到汽车的状态估计之中,建立了包含时不变统计特性噪声和非线性轮胎的汽车动力学模型,采用具有对称采样策略和比例修正的UKF算法对汽车估计了多个关键状态量。将UKF估计器与常见的EKF估计器进行了比较分析,基于ADAMS/Car的虚拟试验和实车试验验证了UKF在汽车状态估计中的可行性。     

基于卡尔曼滤波器的智能车过弯时间优化控制算法

对最小过弯时间算法的研究是赛车单圈行驶时间优化的关键问题之一。在最优控制理论的框架下,设计了一种基于Kalman滤波器的过弯时间优化控制算法。运用Kalman滤波算法估计了车辆行驶状态,通过控制算法调节轮胎转角实现了过弯轨迹的优化。最后,根据相似理论Buckingham Pi定理,运用飞思卡尔智能模型车进行试验。结果表明,所设计的优化控制算法可有效缩短车辆过弯时间,验证了优化算法的有效性。     

基于遗传算法的平面欠驱动机器人模糊控制

以平面欠驱动机器人为研究对象,对其运动控制问题进行了研究,提出了一种基于遗传算法的模糊控制新方法.控制目标为实现欠驱动机器人的任意位置控制.控制器直接以关节角度误差变量作为模糊控制器的输入,引入遗传算法对模糊控制规则和隶属度函数同时进行优化,进而得到最优模糊控制系统,最后进行数值仿真,仿真结果表明所设计的控制器能快速精确的实现2自由度及3自由度欠驱动机器人的任意位置控制,且具有很好的稳定性.     

基于Camshift和Kalman滤波结合的改进多目标跟踪算法

Camshift算法具有很好的实时性,但是存在遇到大面积与目标颜色相近的背景干扰、目标被严重遮挡时跟踪失效,只能对单目标进行跟踪等问题。针对这些问题,提出了Camshift结合Kalman滤波的改进算法,采用改进算法的跟踪器对每个检测出来的目标进行分别跟踪,从而实现多目标跟踪。实验表明本文提出的改进算法能有效地克服以上问题,并且能达到实时性要求。     

基于BP神经网络的Kalman滤波算法的改进

针对传统的Kalman滤波算法在机动较强的目标跟踪中误差变大甚至发散的缺点,考虑到BP神经网络具有较强的非线性逼近能力,提出了用BP神经网络辅助Kalman滤波的新算法,仿真表明该算法优于传统的Kalman滤波算法.     

基于遗传算法的铣削加工参数模糊优化系统研究

优化铣削参数对于降低铣削加工成本、提高生产率有重要的作用。传统的铣削参数优化模型中,铣削参数和条件约束的匹配取值往往是通过实际加工的经验获得,这种结果具有不确定性和模糊性。文章分析了模糊参数优化的数学模型,根据模糊集合原理将模糊模型转化为一个传统的单目标模糊优化问题,借用IDEF1x方法建立了铣削参数模糊数据库模型,并运用遗传算法（GA）为优化引擎开发实现了模糊优化系统。给出的运行实例表明该优化系统对铣削参数优化具有更好的效果,同时,系统为CAPP优选铣削参数提供了支持平台。     

基于改进遗传算法的模糊RBF神经网络控制在液压伺服系统中的应用研究

针对电液伺服系统普遍存在非线性、时变性和不确定性的情况,提出一种基于改进遗传算法的模糊RBF神经网络控制方法。该方法采用模糊RBF神经网络控制实现对液压伺服系统的自适应模糊控制,并将GA的全局寻优及BP局部寻优相结合,克服了单独应用GA算法或BP算法调节模糊RBF神经网络控制器参数存在的缺陷。仿真结果表明,该方法具有很强的自适应性和鲁棒性。