基于改进粒子滤波算法的人眼跟踪方法

针对粒子滤波计算量大、粒子匮乏等问题,提出了2种策略来改进粒子滤波算法,一方面基于Galerkin投影法产生良好的粒子滤波参考分布函数;另一方面将BP神经网络引入粒子滤波,提出了一种提高粒子多样性的重采样策略。在此基础上,将改进的粒子滤波算法应用于人眼跟踪问题,运用颜色和纹理复合的观测模型,实现了人眼的准确跟踪。实验结果表明,改进算法有效提高了粒子滤波的估计精度和运算速度,避免了粒子退化和样本匮乏现象。     

基于混合粒子滤波的电力设备载流故障预测

为有效预防设备载流故障,提高设备稳定运行能力和延长使用寿命,提出基于混合粒子滤波的滚动式电力设备载流故障趋势预测方法.首先,借助传热学理论,分析电力设备触点在载流故障状态下的温度变化,建立触点温升模型;然后,利用降维思想,根据温升模型给定参数估计方程,初始化温升模型参数.最后,基于在线更新的温度,利用粒子滤波修正模型参数,滚动式优化温度预测曲线,实现载流故障发展趋势的精确预测.基于某电站实际温度数据的验证表明,所提方法能够快速精准地预测载流故障的发展趋势,有效保护电力系统安全运行.     

基于改进麻雀搜索算法的粒子滤波研究北大核心CSCD

针对标准粒子滤波存在的粒子贫化现象提出了一种基于改进麻雀搜索算法的粒子滤波算法(SSA-PF)。该算法将粒子状态值看作麻雀个体位置,使粒子滤波的状态估计转变成麻雀种群的觅食寻优。首先,使用Logistic-tent map初始化分布;其次,加入比例系数解决当最大迭代次数较小时发现者收敛速度过快的问题,同时受高斯变异与自适应权重的启发提出一种新的发现者更新策略;然后,改进追随者更新公式,使种群分布更契合粒子滤波的求解思想;最后,引入随机游走策略有效帮助算法跳出局部最优。仿真结果证明:SSA-PF的均方根误差更小,粒子的分布更合理,并且减少了状态估计所需样本数量。     

基于MCMC方法的正则粒子滤波算法及其应用

粒子退化现象是一般粒子滤波无法避免的问题.通过分析该现象产生的原因.提出了将MCMC(马尔可夫链蒙特卡罗)方法应用于正则粒子滤波算法(RPF),与采样重要重采样(SIR)粒子滤波算法比较.此算法不仅克服了粒子退化现象,而且解决了重采样带来的采样枯竭的影响.仿真和实验结果表明:该算法在滤波精度和自适应调整粒子个数方面比SIR粒子滤波有很大的提高.     

粒子滤波算法的综述

首先介绍粒子滤波的特征及算法分类,然后对其关键技术进行了归纳分析,并给出了粒子滤波的一些典型应用成果,最后指出了粒子滤波技术亟待解决的一些热点和难点问题。     

基于粒子滤波的无人机电视导引系统目标跟踪算法研究

为了实现直接攻击无人机的自动导引,设计了一种适用于小型攻击无人机的可见光电视导引系统,介绍了系统硬件构成。针对图像跟踪中的非线性滤波问题,采用了粒子滤波算法。在分析了粒子滤波算法中的退化现象后,设计了一种新的重采样算法。算法中样本的权值将直接决定这个样本是否应该被保留或者放弃,和这个样本以后的使用次数,权值大小的区分采用基于统计学分析的起始值。在粒子滤波的框架下,具体提出了一种基于粒子滤波的相关跟踪算法。算法仿真表明新的粒子滤波算法跟踪精度比以前的算法有较大提高。     

基于粒子群优化改进灰色模型的数控机床故障预测

在传统灰色预测模型的基础上,将背景值优化和新陈代谢模型相结合,构造出改进灰色模型GM(1,1,P),并将其应用于数控机床的故障预测.本模型在预测过程中综合考虑背景值与初始条件对预测精度的影响,采用新陈代谢过程来进行原始数据信息的更新,并采用粒子群优化算法进行每次新陈代谢的背景值优化.通过对某型数控车床主轴故障的实验仿真证明,这一改进灰色模型应用于数控机床故障预测是完全可行和有效的.     

粒子滤波在轴承故障振动信号降噪中的应用

针对轴承故障信号的降噪处理,研究了粒子滤波方法和它在信号降噪中的应用.首先建立轴承故障振动信号的数学模型,将其作为粒子滤波的状态方程;然后提取背景噪声,将其和状态信号一起作为观测信号,得到观测方程,据此对原始真实信号进行估计,得到降噪后的信号,并通过仿真分析可知降噪前后的信噪比有明显的提高;最后将粒子滤波降噪思想用于所...     

支持向量回归粒子滤波器的故障预测方法

为了对系统进行故障预测,针对粒子滤波在故障预测中出现的样本贫化与退化问题,提出了一种支持向量回归粒子滤波器。采用支持向量回归方法建立粒子状态与其权值的非线性函数来估计粒子的连续后验概率密度模型。基于该模型进行重采样获得新的粒子集并更新各粒子的权重,增加样本的多样性与有效性,提高对故障的监控与预测能力。仿真结果表明,该方法是可行的,能够准确预报系统故障。     

基于粒子滤波与负向选择算法的GIS设备故障检测

为了及早发现故障合理安排设备检修计划,提出一种基于粒子滤波与负向选择算法的GIS故障检测方法。首先,选取GIS设备金属外壳振动信号分形维数作为特征变量,有效削弱了设备负载变化对外壳振动的影响。同时,基于粒子滤波及支持向量回归算法处理设备正常状态下的振动信号分形维数特征样本,建立GIS设备振动特征估计器。将实时测量的振动特征输入特征估计器,计算估计器输入值与输出值之间的残差并作为检测指标。最后,利用负向选择算法处理正常状态下检测指标数据,间接获取GIS故障状态下检测指标区间,进而实现设备故障的检测。通过对现场实际测量数据的仿真分析,验证了所提方法的可行性。     

一种改进的粒子滤波跟踪算法的应用研究

粒子滤波跟踪算法计算量大且存在严重的粒子退化现象,因此提出了将均值漂移算法嵌入到粒子滤波的跟踪框架中的算法,该算法可以改善粒子滤波的退化现象,大大减少了算法的运行时间,同时克服了均值漂移算法容易陷入局部最大且无法恢复的缺点。监控系统应用的仿真实验结果表明,该方法具有较强的实时性和鲁棒性。     

F级重型燃气轮机轮盘拉削刀具设计与性能分析

在重型燃机转子轮盘研制中,拉刀主要依赖进口。尤其是大规格高可靠性拉刀设计与制备缺乏核心技术。高可靠性拉刀研制涉及拉刀材料、拉刀几何结构设计和刃口形状设计、拉刀刃口强化和精化制备、拉削工艺参数优化等。本文针对F级重型燃气轮机第三级透平轮盘的拉刀进行设计与性能分析研究。通过对试块拉削检测表明,该刀具基本满足目前国内最大型线轮槽拉削制备要求,可以为重型燃机转子轮盘拉刀的研制提供技术借鉴。     

代价参考粒子滤波在故障诊断中的应用

针对故障诊断中经常遇到非高斯、非线性的噪声,利用代价参考粒子滤波进行噪声处理,并将该方法中固定的遗忘因子改为自动调整的遗忘因子,同时对该方法中的概率质量函数用代价函数表示改为用风险函数来表示,提高了处理突变事件的能力。仿真结果表明,该方法比传统的粒子滤波方法具有更好的滤波效果。     

燃气轮机气路与传感器耦合故障诊断模型研究

燃气轮机传感器如在运行期间发生故障,产生的测量偏差会严重影响气路诊断结果的准确性。针对以上问题,提出一种燃气轮机气路与传感器耦合故障诊断模型,该模型采用工况变化引起的测量变化量替代常规的测量量,以减少传感器偏置故障的干扰。在此基础上,应用无迹卡尔曼滤波器跟踪测量变化量与不同工况引起的非线性模型预测变化量之间的残差估计气路健康参数,并以此更新传感器诊断系统中各个滤波器,根据滤波器的残差序列加权平方和进行传感器故障隔离。最后,对某典型三轴式燃气轮机进行仿真实例研究,结果表明该模型可减少气路故障与传感器故障的耦合效应,实现气路与传感器故障的准确诊断。     

基于改进QPSO-SVR的航空发动机排气温度预测

为了减少航空发动机排气温度的随机性对飞机安全飞行的影响,提出了改进量子粒子群优化支持向量回归机(improved quantum behaved particle swarm optimization support vector regression,简称IQPSO-SVR)的航空发动机排气温度预测模型,以A319飞机的V2500发动机为例,选取状态监控所监测的性能参数数据作为训练样本和测试样本,其中航空发动机的高压转子转速、低压转子转速、燃油流量、高压压气机出口温度以及时间t作为模型的输入,以航空发动机排气温度作为模型的输出,在不同组训练样本的条件下,对改进量子粒子群优化过的支持向量回归基模型进行测试,并与量子粒子群优化支持向量回归机(quantum behaved particle swarm optimization support vector regression,简称QPSO-SVR)、支持回归机(support vector regression,简称SVR)进行对比。研究结果表明,改进量子粒子群优化支持向量回归机在航空发动机排气温度预测中相较其他两方法准确性更高,同时,在添加噪声的情况下,IQPSO-SVR也具有较好的预测能力。     

粒子滤波在轴承故障振动信号降噪中的应用

针对滚动轴承振动信号容易受到较为复杂的随机噪声的污染,提出了基于Rao-blackwellised粒子滤波的振动信号降噪方法。建立了不含噪的振动信号的时变自回归模型,进而转化成对应的状态空间模型,把降噪问题转化成在状态空间模型下的滤波问题,并用仿真信号进行了试验研究,结果表明,该方法具有较好的降噪效果。     

粒子滤波在含噪齿轮箱故障盲源分离中的应用

在机械故障诊断中,传感器所获得的信号不可避免地受到各种未知噪声的干扰,针对这种复杂噪声环境下的机械信号盲源分离不能得到较好分离效果的问题,提出了一种将粒子滤波用于含噪信号盲分离的方法,首先利用Rao-blackwellised粒子滤波对观测信号进行降噪处理,然后再进行独立分量分析。仿真和实验结果表明该方法是有效的。