神经网络自适应噪声对消器仿真

介绍一种新颖的非线性自适应滤波器——自适应神经网络滤波器。由于神经网络具有学习非线性函数到任意的精度以及自适应能力，这种滤波器优于线性滤波器，能适应各种噪声环境。在自适应ＬＭＳ算法基础上，提出了在线ＢＰ训练算法、收敛速度快。最后以自适应噪声对消系统为例，进行了计算机仿真，结果显示了这种滤波器的良好性能     

一种MEMS水听器信号去噪的组合算法研究

针对MEMS水听器采集的数据"淹没"在强噪声场中的问题,提出采用LMS自适应噪声对消与Fourier变换滤波相结合的组合算法实现MEMS水听器的信噪分离。在信号频率已知的情况下,设计了一种自适应噪声对消和Fourier变换滤波组合算法的滤波器,对提取后的信号与理想信号做性能对比。仿真实验表明:该组合算法在-15 dB的强噪声场中仍有较高的分辨精度和提取效果,对搜寻类似于"黑匣子"等情况比较适宜,并将设计的滤波器用于中北汾机测试实验的信噪分离中,结果验证了该算法具有良好的高效性和实用性。     

一种改进的神经网络增量学习算法

基于扩展KALMAN滤波器（Extended Kalman Filter）的神经网络是一类应用广泛的神经网络算法,但该算法在大数据量、抵抗噪声等方面还有相当的缺陷。本文从增量学习的角度出发,对扩展KALMAN滤波器算法进行了改进,同时借鉴周期算法的长处,引入部分增量训练机制（Partial incremental Training）和适当的隐层节点删减机制,使该算法在抵抗噪声等方面有了显著的提高。理论分析表明,该算法可以有效降低噪声数据的影响,提高神经网络算法的鲁棒性。     

基于RBF神经网络的组合导航融合算法

提出一种基于径向基函数（RBF）神经网络的组合导航容错算法。该算法将局部滤波器状态估计分组引入作为融合中心的RBF神经网络，通过RBF神经网络的局部特性，实现全局估计的自适应性和容错性。该算法等价于对局部估计的模糊推理。仿真结果表明，该融合算法有较高的估计精度，能够及时检测出传感器故障并在融合网络中予以隔离，不致影响全局估计。     

机器学习算法在ALOS影像分类中的应用研究

首先介绍了CART、C5.0和概率神经网络三种机器学习算法的原理,然后以覆盖湖北省公安县的ALOS影像为数据源,从整体精度、对训练样本大小和噪声的敏感性三个方面对它们进行了比较分析。结果显示C5.0算法分类的整体精度最高,达到83.59%。概率神经网络受训练样本大小和噪声的影响最低:在训练样本大小降为原样本数据量的40%时,其精度为78.52%;噪声占训练样本量的10%时,精度只下降了4.3%。通过分析可以看出,在训练样本量充足时,C5.0算法的分类精度最好,而在样本不足或者包含噪声的情况下,使用概率神经网络算法能比其他两种算法取得更好的分类效果。     

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。     

新的鲁棒滤波算法及在微机电系统–惯性导航系统/全球定位系统中应用

为了提高系统对不确定干扰的鲁棒性并保持较高的精度, 提出一种新的鲁棒滤波算法. 当系统满足可检测和可镇定的条件时, 通过引入适当的滤波增益矩阵, 得到指数稳定的滤波器, 从而将不确定干扰对估计误差的影响限制在给定的范围内, 实现鲁棒性和精度的要求. 用微机电系统–惯性导航系统/全球定位系统组合导航系统中得到的试验数据对该算法进行离线验证, 试验结果表明, 新算法的计算量较小, 并且在有不确定噪声干扰的情况下能使系统保持较高的精度.     

基于强跟踪滤波的传感器故障诊断的改进方法

针对基于强跟踪卡尔曼滤波的传感器故障诊断方法中存在的滤波稳定性差、估计精度低的缺点,提出了双滤波器的方法。一个滤波器的量测噪声方差和系统噪声方差均大于实际值,它对故障的估计精度较低,但跟踪速度较快;另一个滤波器的算法中的量测噪声方差大于实际值,它对故障的估计精度较高,但跟踪速度较慢,正好与前者形成互补,然后用第一个滤波器实现故障的及时检测,用第二个滤波器实现对故障幅值的精确估计。仿真实验表明,该方法较好地兼顾了滤波稳定性、估计精度及速度。     

基于ADALINE神经网络的自适应滤波方法

自适应滤波器能够适应系统和环境的动态变化,具有较高的滤波精度。介绍了一种利用ADALINE神经网络进行自适应滤波的方法,根据自适应噪声抵消原理建立了ADALINE自适应神经滤波器模型,并使用该模型将发动机高压油管振动信号中的机体振动噪声滤除,提高了信噪比,为利用高压油管振动信号进行喷油器故障的精确诊断奠定了基础。     

深度卷积神经网络应用于人脸特征点检测研究

为解决在复杂环境下，如姿势不同、光照条件以及遮挡等因素导致传统人脸特征点检测算法的精度大幅度下降的问题，在特征点检测理论知识以及研究现状的基础上，针对传统卷积神经网络模型在处理人脸特征点检测问题时的不足之处，提出基于小滤波器的深卷积神经网络。算法引入小滤波器思想和以拓展“网络深度”优先的深层卷积神经网络模型，针对人脸特征点检测重新设计训练，提高了算法的有效性与适用性。通过将算法应用于ALFW和AFW人脸数据集上预测5点人脸特征点问题，并与其他多个经典算法进行对比分析，结果表明：基于小滤波器的深卷积神经网络在预测人脸5点特征点问题上有更好的准确性和鲁棒性。     

基于卡尔曼滤波的陀螺仪降噪处理

针对MEMS陀螺仪输出信号随机漂移误差造成测量精度低的问题,提出了一种基于BP神经网络的卡尔曼滤波降噪模型.基于BP神经网络的基本原理,首先利用BP神经网络对系统进行学习,获得系统状态方程,然后建立了基于BP神经网络的滤波模型,最后应用于卡尔曼滤波对MEMS陀螺仪信号进行降噪.半实物模拟仿真实验表明:基于BP神经网络的卡尔曼滤波后的数据的速率随机游走等系数比原始数据下降6.89倍,验证了本方法的降噪性能优于基本卡尔曼模型,在MEMS陀螺仪的数据处理方面具有一定的应用价值.     

基于EM-EKF算法的RBF-AR模型参数估计

为了利用EKF（extended Kalman filter）算法对RBF-AR（radial basis function network-based autoregressive）模型进行参数估计,重构了RBF-AR模型的网络结构,将其变换成一种新型的广义径向基函数（radial basis function,RBF）神经网络.与典型三层RBF网络结构相比,该广义RBF网络增加了线性输出加权层.为了克服基于EKF神经网络学习算法由于噪声统计特性未知导致滤波发散或者滤波精度不高的问题,利用EM（expectation maximization）算法对RBF-AR模型噪声协方差矩阵进行估计.同时,通过EKF滤波实时估计RBF-AR模型参数（系统状态）,EKF平滑过程得到了更加准确的期望估计.仿真结果显示,该方法用在此变形的RBF-AR模型结构中是有效的,特别在信噪比低的情况下,估计效果比SNPOM（structured nonlinear parameter optimization method）方法好,而且还能估计出噪声方差.F检验显示了两方法估计得到的标准偏差有显著性差异.     

A sequential learning algorithm based on adaptive particle filtering for RBF networks

To address the problem of low filtering accuracy and divergence caused by unknown process noise statistics and local linearization in neural network state-space model, this paper proposes an adaptive process noise covariance particle filter algorithm for the radial basis function (RBF) networks. Using the algorithm, the evolution of the weights and centers of RBF networks is achieved sequentially in time by use of the extended Kalman particle filter algorithm, and the process noise covariance matrices are also obtained simultaneously by maximizing the evidence density function with respect to the process noise covariance matrices. Performance of the presented approach is evaluated by two function approximation problems. Experimental results show that the proposed approach obtains better prediction accuracy than other well-known training algorithms.     

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。     

野值存在下的BP网络自适应卡尔曼滤波

野值的存在会严重影响滤波器的稳定性和滤波精度,甚至会引起滤波器发散。定量分析了野值对卡尔曼滤波器的影响,提出了一种抗野值的BP网络自适应卡尔曼滤波算法。通过BP网络对新息序列估计方差的变化率进行实时监测和计算,输出一组加权系数对模型中系统噪声和量测噪声作＂在线＂修正,从而有效地抑制了连续野值对滤波器的影响。经仿真证明算法提高了滤波器的精度和稳定性,同时对单个离散野值也有较好的滤波效果。     

角闪烁噪声测量条件下的剩余飞行时间估计

针对雷达导引头角闪烁噪声测量条件下的机动目标,研究剩余飞行时间计算方法;建立了闪烁噪声计算模型;在粒子滤波算法和扩展卡尔曼滤波算法的基础上,推导了扩展卡尔曼粒子滤波算法的实现过程;根据估计结果建立了剩余飞行时间计算模型,在剩余飞行时间表达式中考虑了目标机动加速度的影响;仿真结果表明,基于机动目标当前统计模型的扩展卡尔曼粒子滤波算法对闪烁噪声测量条件下的机动目标具有良好的跟踪性能,对剩余飞行时间具有较高的估计精度。     

自适应卡尔曼滤波在组合导航中的应用研究

对惯性导航系统（INS）与全球导航系统（GPS）分别进行了具体探讨,对比了两者的优缺点,针对INS／GPS组合导航系统中由于模型不准或因量测噪声的复杂多变造成的发散问题,引入了一种基于输出相关法的自适应卡尔曼滤波技术。通过在自适应滤波算法中推算最优稳态增益来调整量测噪声,抑制滤波器的发散,为GPS／INS组合导航系统实现高精度导航提供了有效的途径。仿真结果表明该算法能很好地对系统状态进行最优估计并适应系统噪声的变化,具有比常规卡尔曼滤波更高的导航精度。     

一种高精度APNCKF算法在谐波检测中的应用

为了进一步提高含噪环境下谐波检测的精确度,提高卡尔曼滤波器的稳定性,对系统噪声协方差进行了分析,通过不断的在线辨识出过程噪声协方差,提出了一种自适应过程噪声协方差卡尔曼滤波算法。该算法利用序贯最大化可信度更新先验信息来辨识过程噪声,然后通过卡尔曼滤波器进行迭代运算,估计出相应的幅值和相位。该算法最大的特点就是辨识出的过程噪声Q的骤然增大匹配的即是谐波幅值暂降的出现。通过在MATLAB环境下进行谐波仿真验证,结果表明该算法在准稳态条件下较好地跟踪电力系统谐波状态,且与常规卡尔曼、基于最大似然准则的卡尔曼、小波/小波包变换相比,该自适应算法的收敛速度较快、滤波精度高、实时性以及稳定性较好,具有重要的工程实际意义。     

卡尔曼滤波在应变式力传感器中的应用

由于应变式力传感器系统中存在较大的随机噪声,降低了系统的标定精度和测量准确性,而卡尔曼滤波适合实时滤除干扰信号。在建立传感器测试模型基础上,通过推导卡尔曼滤波算法,确定了滤波初值和滤波参数。在传感器—A/D转换器—DSP硬件平台上,进行了滤波算法验证。实验表明：卡尔曼滤波有效地滤除了随机干扰信号,适用于静动态测量过程,提高了系统标定精度。