改进的卡尔曼滤波算法系统参数辨识仿真研究

研究系统参数辨识精度提高问题。辨识是从实验数据中提取有关系统信息的过程,由于存在噪声影响辨识精度,针对传统的卡尔曼滤波算法不能很好地提高跟踪精度且算法复杂的缺陷,为了解决实际系统辨识中参数噪声方差和观测噪声方差未知的等相关问题,提出了一种改进的无味卡尔曼滤波算法系统参数辨识方法,仿真结果表明,算法具有更好的泛化能力,在复杂的系统负载等情况下,也可以对系统的参数精确有效的进行辨识,验证了该算法是一种有效适用的系统参数辨识方法。     

一种改进的卡尔曼滤波压缩感知信道估计算法*

精确、高速的信道估计是通信系统处理信号的基础。针对卡尔曼滤波压缩感知在信道估计时伪测量过程计算效率较低的问题,提出了一种高性能的卡尔曼滤波压缩感知信道估计算法。对伪测量过程的近似 范数约束框架进行了进一步优化,引入高斯核函数对雅克比赋权矩阵的列向量进行优化,使算法对稀疏信号支撑集的重构速度较大程度提升。同时,引入微分熵确立了收敛指标,降低了算法的运行时间。仿真表明,在同等条件下,本文算法相对于原有算法,估计精度和收敛速度均有较大程度提高,在低信噪比和不同稀疏度下都具有较好的鲁棒性和实用性。     

新型偏好敏感决策树算法*

针对现有决策树模型在分类过程中没有考虑决策者对结果的偏好行为,因而不能很好的预测具有明显偏好倾向问题的不足,提出了一种偏好敏感决策树(Preference Sensitive Decision Tree, PSDT)分类算法。该算法引入了偏好度和偏好代价的概念,并通过综合考虑属性信息和有效偏好,构建新型属性选择因子和基于有效偏好的结点类标号分配准则。通过自适应调整偏好度,可生成最佳偏好敏感决策树。实验结果证明该算法既能实现对偏好类的高精度预测,同时能够保证决策树拥有良好的整体精度,且具有较高的有效性和实用性,能够很好的解决偏好敏感环境下的决策问题。     

一种新型非线性收敛因子的灰狼优化算法*

针对标准灰狼优化算法在求解复杂工程优化问题时存在求解精度不高和易陷入局部最优的缺点,提出一种新型灰狼优化算法用于求解无约束连续函数优化问题。该算法首先利用反向学习策略产生初始种群个体,为算法全局搜索奠定基础;受粒子群优化算法的启发,提出一种非线性递减收敛因子更新公式,其动态调整以平衡算法的全局搜索能力和局部搜索能力;为避免算法陷入局部最优,对当前最优灰狼个体进行变异操作。对10个测试函数进行仿真实验,结果表明,与标准灰狼优化算法相比,改进灰狼优化算法具有更好的求解精度和更快的收敛速度。     

k-匿名改进模型下的LCSS-TA轨迹匿名算法*

传统的欧几里德距离度量函数计算轨迹相似性时,要求轨迹的每个位置点都要有对应点。由于噪声点的存在,导致轨迹距离出现较大偏差,降低轨迹相似性,增加轨迹的信息损失。针对这一问题,本文结合LCSS（最长公共子序列）距离函数和（k, δ）—匿名模型设计了LCSS-TA（最长公共子序列轨迹匿名）算法。该算法通过将轨迹位置点之间的距离映射成0或1来减小噪声点可能导致的较大距离。在合成数据集和含噪声的数据集下的实验结果表明,本文提出的算法在满足轨迹k-匿名隐私保护的基础上,可以有效降低噪声干扰,减少轨迹的信息损失。     

基于指数加权卡尔曼滤波的组合定姿算法

星敏感器/陀螺组合定姿系统利用扩展卡尔曼滤波进行数据融合,但在轨运行时星敏感器的量测噪声模型不断变化,由于扩展卡尔曼滤波不能自适应调整,导致滤波器无法正常工作;基于模糊逻辑提出了一种指数加权卡尔曼滤波算法,实时监测系统滤波残差,利用模糊逻辑计算指数因子,自适应更新滤波器的量测噪声模型,从而有效地抑制了滤波器发散,提高了滤波精度;通过以TMS320C6713为处理器的DSP系统进行的半物理仿真实验,验证了指数加权卡尔曼滤波算法的有效性。     

人工蜂群算法研究综述*

人工蜂群算法自提出以来,受到很多学者的关注,并涌现出大量的研究文献。本文介绍了2013年以来国内外蜂群算法的研究成果,包括加快收敛、提高开采能力、提高算法性能方面的改进;针对约束优化、平行化运行、多目标寻优等多方面的研究;以及人工蜂群算法在神经网络、无线传感网、决策调度、图像信号处理等多个领域的研究现状,并指出人工蜂群算法有待进一步解决的问题及未来的研究方向。     

多传感器集中式增量卡尔曼滤波融合算法

在单个传感器的状态估计系统中,标准的增量卡尔曼滤波方法可以有效消除量测系统误差。对于多传感器情况,标准算法失效。针对该问题,提出了多传感器集中式增量卡尔曼滤波融合算法,即:增量卡尔曼滤波的扩维融合算法和增量卡尔曼滤波的序贯融合算法。在标准增量卡尔曼滤波算法的基础上,结合扩维融合和序贯融合的思想来实现多传感器数据的融合。实验结果表明,当存在量测系统误差时,提出的集中式融合算法与传统的集中式融合算法相比,提高了滤波精度,并且能够成功地消除量测系统误差。     

基于核的关系抽取研究综述*

关系抽取被广泛应用在问答系统、社会网络分析、本体构建等领域。核对识别实体间关系有很大优势及潜力,近年来广受关注。本文将特征空间归纳为浅层分析和深层分析,进一步划分后者为句法结构和依存结构,总结了对每类特征空间的应用及扩展。分析了典型的计算相似度的核函数,归纳了对典型核函数的扩展方式。对已有相关研究的结果进行评价,分析了典型核的优缺点。最后基于上述优缺点分析,总结了现有研究的不足,指出了基于核的关系抽取的下一步研究方向。     

基于卡尔曼滤波预测的无偏量测转换方法

针对在目标跟踪系统中通常使用量测转换方法将球面坐标系下的量测量转换到笛卡尔坐标系下,传统量测转换方法在互距离测量误差增大时跟踪性能有所下降的问题,提出一种基于卡尔曼滤波预测的无偏量测转换方法。采用无偏量测转换方法变换量测量,基于卡尔曼滤波预测值,结合无迹变换算法估计转换量测方差。仿真结果表明,所提出的转换量测卡尔曼滤波算法较现有方法具有更高的跟踪精度和可信度。     

Kalman滤波理论的推广

本文利用Hilbert空间几何理论将Kalman滤波理论进行了推广,在线性最小方差准则下,解决了状态噪声一步相关及状态噪声和测量噪声在同时刻和过去相邻时刻都相关情况的滤波,并给出了递推滤波公式。     

分簇传感网络系统两级鲁棒观测融合Kalman滤波器

研究了分簇传感网络分布式融合Kalman滤波器.根据最邻近原则将传感网络分成簇,每簇由传感节点和簇首组成.应用极大极小鲁棒估计原理,基于带噪声方差最大保守上界的最坏保守系统,对带不确定性噪声方差的分簇传感网络系统提出了两级鲁棒观测融合Kalman滤波器.当传感器数量非常多的时候它可以明显减小通信负担.在鲁棒性分析中利用Lyapunov方程方法证明了局部和融合Kalman滤波器的鲁棒性.提出了鲁棒精度的概念,并证明了局部和融合鲁棒Kalman滤波器之间的鲁棒精度关系.证明了两级加权观测融合器的鲁棒精度等价于相应的全局集中式鲁棒融合器的鲁棒精度,并且高于每个局部观测融合器的鲁棒精度.一个仿真例子说明上述结果的准确性.     

不确定噪声方差定常系统保性能鲁棒Kalman滤波器

对带不确定噪声方差线性定常系统鲁棒Kalman滤波,提出一般的统一的保性能鲁棒性概念.用Lyapunov方程方法,提出两类保性能极大极小鲁棒稳态Kalman滤波器.一类是寻求不确定噪声方差最大扰动域(鲁棒域),使得对于扰动域内的所有扰动,确保系统滤波精度偏差的最大下界是零,最小上界是所预置的精度偏差指标;另一类是在预置噪声方差有界扰动域内,寻求滤波精度偏差的最大下界和最小上界.通过引入不确定噪声方差扰动的参数化表示,问题转化为相应的非线性与线性最优化问题,可分别用Lagrange乘数法和线性规划(LP)方法求解.应用于跟踪系统的仿真例子验证了所提结果的正确性和有效性.     

改进的自适应衰减卡尔曼滤波算法

SINS/GPS组合导航系统的融合算法主要是卡尔曼滤波,卡尔曼滤波实现最优估计的前提是系统的模型和随机噪声信息必须准确已知。实际情况下,大部分系统的模型和随机噪声信息不完全可知,这可能会导致滤波器估计精度下降。针对这一问题,根据求解遗传因子的方法不同对传统的自适应衰减卡尔曼滤波进行改进,提出一种改进的自适应衰减卡尔曼滤波。改进后的算法分别适用于系统噪声统计模型不准确可知和量测噪声统计模型不准确可知两种情况,分别对应于两种滤波算法,并且二者具有统一的滤波框架。仿真结果表明,改进的自适应衰减卡尔曼滤波比卡尔曼滤波精度较高,有效解决了因为噪声模型不准确导致的精度下降问题。     

Sequential Maximum Correntropy Kalman Filtering

This paper explores a linear state estimation problem in non‐Gaussian setting and suggests a computationally simple estimator based on the maximum correntropy criterion Kalman filter (MCC‐KF). The first MCC‐KF method was developed in Joseph stabilized form. It requires two n × n and one m × m matrix inversions, where n is a dimension of unknown dynamic state to be estimated, and m is a dimension of available measurement vector. Therefore, the estimator becomes impractical when the system dimensions increase. Our previous work has suggested an improved MCC‐KF estimator (IMCC‐KF) and its factored‐from (square‐root) implementations that enhance the MCC‐KF estimation quality and numerical robustness against roundoff errors. However, the proposed IMCC‐KF and its square‐root implementations still require the m × m matrix inversion in each iteration step of the filter. For numerical stability and computational complexity reasons it is preferable to avoid the matrix inversion operation. In this paper, we suggest a new IMCC‐KF algorithm that is more accurate and computationally cheaper than the original MCC‐KF and previously suggested IMCC‐KF. Furthermore, compared with stable square‐root algorithms, the new method is also accurate, but less computationally expensive. The results of numerical experiments substantiate the mentioned properties of the new estimator on numerical examples.     

基于卡尔曼滤波改进的精子图像序列分割方法

图像分割是精子图像识别的一项关键技术,在精子运动能力分析中起着至关重要的作用。本文对采集的连续精子图像序列进行灰度化、去噪等预处理后,采用Otsu算法对首幅动物精子图像二值化,对后续图像采用Kalman Filter确定二值化阈值范围,改进Otsu算法求出每一幅图像的适当阈值并进行二值化,缩短算法时间并能保证分割精度。应用形态学消除精子尾部和部分精子之间的粘连现象,通过计算和比较目标面积、形状因子,去除小颗粒杂质以及形状及灰度和精子相似的杂质,为精子运动能力检测提供高质量的分割图像。     

用偏差分离估计的鲁棒Kalman滤波算法

本文针对带模型误差系统,利用偏差分离估计提出了一种鲁棒Kalman滤波算法,并给出了该算法的渐近稳定条件。仿真结果表明本文算法是有效的。     

基于卡尔曼滤波算法的室内无线定位系统

针对基于接收信号强度(RSS)的室内无线定位方法存在信号误差的问题,引入了一种基于模糊自适应控制的卡尔曼滤波算法.该滤波方法不仅有效地抑制了定位数据信息的误差发散,而且能充分利用线性插值法对随机误差进行补偿.实验表明它对静止和移动目标都能有效的提高定位精度,能较全面地满足复杂室内空间定位的需求.     

基于人工鱼群优化的扩展卡尔曼粒子滤波算法

针对扩展卡尔曼粒子滤波算法中由于粒子退化和贫化而导致的滤波精度降低问题,提出了一种人工鱼群优化的扩展卡尔曼粒子滤波算法.通过人工鱼群优化算法中的觅食和聚群行为,对采样过程进行优化,使得粒子不断地朝高似然域移动来寻找最优位置,从而改善样本分布,加速样本集的收敛,缓解了退化现象;然后对重采样过程进行优化,以提升样本的多样性,从而克服了粒子样本贫化问题.实验结果表明,改进后算法提高了对系统状态的预估精度,更适合在对精度要求高的系统中进行滤波计算.     

改进的扩展卡尔曼滤波算法研究

扩展卡尔曼滤波已被广泛地应用到工程实际等各领域,但是此算法因假设过程噪声固定而带来误差,精度不高。研究了一种改进的EKF算法,主要通过假设过程噪声由滤波结果和观测结果得到,再用差分进化算法对所得到的过程噪声方差进行最优化选择来提高滤波精度,通过Matlab对算法进行验证,并与EKF滤波效果、无迹卡尔曼滤波效果进行比较,结果表明,改进的扩展卡尔曼滤波算法减小了状态估计偏差,获得了比较理想的滤波效果,提高了滤波精度。