基于Transformer模型的四旋翼无人机时空协同航迹预测方法设计

无人机在执行任务时面临的飞行环境复杂多变,为了减少事故的风险,并在飞行时对异常情况进行预测和响应,研究一种基于Transformer模型的四旋翼无人机时空协同航迹预测方法。采集四旋翼无人机原始航迹,实施异常点剔除和缺失点插值处理,以优化和清理原始航迹数据,便于后续的航迹预测。结合深度学习和表示学习方法完成数据降维,基于Transformer模型实现无人机时空协同航迹的精准预测。实验测试结果表明,设计方法的预测结果虽然相对于真实的坐标点稍有偏差,然而整体结果在可接受范围内,验证集所有数据的均方误差在数据条数为300时仅为0.32m,R方测试结果最接近1,具有良好的航迹预测能力。     

抗野值的航迹数据Kalman滤波

由于受到干扰或自身稳定性等因素的影响,在试飞中雷达或光电经纬仪会出现连片野值,影响测试数据的准确性。为此,采用基于Bayes定理的抗野值Kalman滤波算法,根据测量误差建立了受污分布模型,得到后验概率,据此确定预报方差的权值,以降低连片野值的影响。经仿真试验和飞行试验验证,该方法稳定有效,实时性强。已经应用在试飞测试工作中。     

基于扩展Kalman滤波的小型飞行器航迹仿真分析

本文针对飞行器在飞行时的扰动或飞行角度变化过程中信号采集可能存在的偏差问题,采用卡尔曼滤波算法和扩展的卡尔曼滤波算法对信号进行滤波处理.仿真结果表明,卡尔曼滤波算法和扩展的卡尔曼滤波算法对航迹均有滤波效果,但是扩展的卡尔曼滤波算法对航迹滤波效果更好.     

基于LSTM和Kalman滤波的公交车到站时间预测

智能交通系统的建设已成为城市交通发展面临的主要问题,其中公交车到站时间预测是智能交通系统的重要组成部分。公交车到站时间数据是具有长期和短期特性的时间序列数据,而且公交车易受到外来因素的影响,因此公交车到站时间也是动态变化的。基于上述问题,提出基于LSTM和Kalman滤波的公交车到站时间预测模型,其中LSTM模型用来预测公交车到站的基础时间序列,Kalman滤波模型用于对基础时间数据序列进行动态调整,最终将调整后的预测值的正确率、均方差、平均绝对偏差分别与LSTM、SVM、SVM+Kalman模型预测结果进行对比,证明LSTM+Kalman模型预测值的正确率,均方差和平均绝对偏差均优于对比模型。     

基于数据增强的自监督飞行航迹预测

准确的飞行航迹预测可以帮助空中交通管理系统对潜在的危险提出预警,并有效地为安全出行提供指导。飞机飞行所处的大气情况复杂多变,飞行航迹受大气扰动、空中云层等外部因素的影响很大,使得飞行航迹预测问题十分复杂和困难。另外,由于某些飞行区域所在的地面环境恶劣,无法部署足够的信号基站,而某些飞行区域的飞行信号由多个信号基站采集组合而成,造成最终得到的飞行航迹数据存在稀疏和含噪等问题,进一步增加了飞行航迹预测的难度。文中提出了一种基于数据增强的自监督飞行航迹学习方法。此方法采用基于正则化的数据增强方式,扩充了稀疏的航迹数据集并处理了数据中包含的异常值,利用最大化互信息的方式进行自监督预训练,以挖掘飞行航迹中蕴含的运动模式和航行意图,采用一种带有蒸馏机制的多头自注意力模型作为基础模型,解除了循环神经网络长期依赖和无法并行计算的限制,并利用注意力蒸馏机制和生成式解码方式降低了模型的复杂度,加快了其训练和预测的速度。在飞行航迹数据集上的评测结果显示,此方法较目前预测表现最优秀的方法在纬度、经度和高度上的预测结果的均方根误差各减少了20.8%,26.4%和25.6%,极大地提高了预测准确性。     

动态矩阵控制中基于Kalman滤波的开环预测方法

用稳态Kalman滤波器来解释双层结构模型预测控制中的开环预测模块,得到的结果与非基于Kalman滤波导出的开环预测对应和等价.将该结果与文献中已有的Kalman滤波解释进行了详细对比,阐述了其中的不同点.针对双层结构预测控制的整体策略进行仿真,并针对积分输出的Kalman滤波进行仿真,验证了所得结论的有效性.     

基于多通道Transformer的交通量预测方法

目前,我国高速公路拥堵程度居高不下,而交通流预测作为实现智能交通系统的重要一环,若能对其实现高精度的预测,那么将能够高效地管理交通,从而缓解拥堵。针对该问题,提出了一种考虑时空关联的多通道交通流预测方法（MCST-Transformer）。首先,将Transformer结构用于不同数据的内在规律提取,然后引入空间关联模块对不同数据间的关联特征进行挖掘,最后,借助通道注意力整合优化全局信息。采用广东省高速公路数据,实现了两小时内92个收费站的高精度流量预测。结果表明：MCST-Transformer优于传统机器学习方法以及部分基于注意力机制的时间序列模型,在120 min预测跨度下,相比贝叶斯回归,MAPE降低了5.1%;对比Seq2Seq-Att以及Seq2Seq这些深度学习算法,所提方法的总体MAPE也能降低0.5%,说明通过多通道的方式能够区分不同数据的特性,进而更好地预测。     

基于Transformer的单通道语音增强模型综述

深度学习可以有效地解决带噪语音信号与干净语音信号之间复杂的映射问题,改善单通道语音增强的质量,但是增强语音的质量依然不理想。Transformer在语音信号处理领域中已得到了广泛应用,由于集成了多头注意力机制,可以更好地关注语音的长时相关性,该模型可以进一步改善语音增强效果。基于此,回顾了基于深度学习的语音增强模型,归纳了Transformer模型及其内部结构,从不同实现结构出发对基于Transformer的语音增强模型分类,详细分析了几种实例模型。并在常用数据集上对比了Transformer单通道语音增强的性能,分析了它们的优缺点。对相关研究工作的不足进行了总结,并对未来发展进行展望。     

融合CNN和Transformer的图像去噪网络

目前基于深度学习的图像去噪算法无法综合考虑局部和全局的特征信息, 进而影响细节处的图像去噪效果, 针对该问题, 提出了融合CNN和Transformer的图像去噪网络(hybrid CNN and Transformer image denoising network, HCT-Net). 首先, 提出CNN和Transformer耦合模块(CNN and Transformer coupling block, CTB), 构造融合卷积和通道自注意力的双分支结构, 缓解单纯依赖Transformer造成的高额计算开销, 同时动态分配注意力权重使网络关注重要图像特征. 其次, 设计自注意力增强卷积模块(self-attention enhanced convolution module, SAConv), 采用递进式组合模块和非线性变换, 减弱噪声信号干扰, 提升在复杂噪声水平下识别局部特征的能力. 在6个基准数据集上的实验结果表明, HCT-Net相比当前一些先进的去噪方法具有更好的特征感知能力, 能够抑制高频的噪声信号从而恢复图像的边缘和细节信息.     

基于时空解耦Transformer的视频字幕去除算法

视频字幕在传递信息的同时,固化在视频中的字幕也阻碍了视频的重复利用。提出一种基于时空解耦Transformer的视频字幕去除算法,能够从带有字幕文本的视频序列中去除字幕文本,并重建出被字幕区域遮挡的背景图像。整体框架分为两个部分,字幕掩膜提取模块和字幕去除模块,前者快速精准地获得输入视频序列的二值字幕掩膜,将得到的二值字幕掩膜作为辅助信息,输入到基于时空解耦Transformer的字幕去除模块,进行字幕文本的去除和背景纹理的恢复,实现对整体视频字幕的去除。与现有的经典视频字幕去除方法相比,在峰值信噪比和结构相异性等图像质量指标以及视觉效果上,该方法均取得了更好的性能,实验结果验证了该方法在视频字幕去除领域的有效性。     

基于循环神经网络和卡尔曼滤波器的多变量混沌时间序列预测

混沌时间序列的鞍点远多于极值点,且容易出现多重共线性问题.对此,提出基于循环深度神经网络和卡尔曼滤波器的时间序列预测算法.利用循环深度神经网络预测高维时间序列,使用实时递归学习算法搜索最小化预测误差的最优网络参数,采用Levenberg-Marquardt算法对神经网络进行迭代训练.在线更新循环神经网络的过程中,利用卡...     

基于Kalman滤波器的车道保持辅助系统研究

以非线性车辆动力学模型作为系统被控对象,利用Matlab/Simulink软件设计一种基于Kalman滤波算法的车道保持驾驶辅助系统。运用Kalman算法估计车辆行驶状态信息,并利用"预瞄—跟随"驾驶员模型—车辆模型—控制器所组成的驾驶员模型在回路仿真的方式对所设计系统进行验证。结果显示所设计的车道保持辅助系统能有效提高车辆路径跟踪能力。     

基于卡尔曼滤波的振动信号采集与处理系统设计

由于机械设备的故障会影响生产的正常运行,严重的还会造成人员的伤亡和巨大的经济损失,故对机械设备的振动信号进行采集监测,并作处理和分析。通过卡尔曼滤波和FFT运算、积分优化运算、减小噪声误差,最终将加速度信号转化为位移信号。通过设备运行时产生的振动情况实时掌握设备的运行状态,进而对设备进行故障预警,提前进行维护修理。本系统最终误差率根据不同的振动频率能够控制在合理的误差范围内,符合项目的要求。     

基于深度置信网络的卡尔曼滤波算法改进

卡尔曼滤波是一种应用广泛的基于最小方差的递推式滤波算法,根据一定滤波规则对系统的状态进行估计。采用某种统计量最优方法对噪声和系统模型统计特性的先验知识决定的滤波的性能和估计的准确性进行度量。不精确的先验知识将导致滤波性能的明显下降和发散。采用新息自适应卡尔曼滤波克服标准卡尔曼滤波需要在先验条件下进行估计的缺点,通过深度置信网络对噪声的协方差矩阵做出调整,从而提高滤波性能。     

基于神经网络的集装箱船港口作业时间预测模型

集装箱船港口作业时间是制作泊位计划的一个重要依据,而集装箱船港口作业时间获取的主要来源是预测.传统预测方法是用装卸集装箱量除以岸桥装卸效率,预测精度较低,且受多种因素的影响,具有复杂的非线性特点.而神经网络在解决复杂的非线性问题方面具有很强的建模能力,所以选取神经网络建立集装箱船港口作业时间预测模型.通过真实数据对预测...     

卡尔曼滤波结合遗传算法的矿井图像去噪算法研究

为了提高煤矿井下图像采集的质量,通过研究分析卡尔曼滤波的初状态值选取与遗传算法来优化卡尔曼滤波,提出一种新的图像去噪算法——GAK(Genetic Algorithm Kalman).分析了图像噪声的成因与四种经典滤波;研究设计了卡尔曼滤波的初状态值选取;详细阐述了GAK原理,以及GAK求解步骤;运用MATLAB对GA...     

未知状态模型下基于高阶容积卡尔曼滤波和神经网络的状态估计算法

针对非线性系统状态模型未知的情形,提出一种基于高阶容积卡尔曼滤波和神经网络的状态估计算法,解决了未知非线性系统模型的状态估计问题。在算法的实现过程中,首先利用神经网络对非线性系统建立状态空间模型,然后把神经网络的权重和系统的状态变量组合在一起作为新的状态变量,并采用高阶容积卡尔曼滤波对新的状态进行实时更新,从而达到神经网络对非线性系统模型的真实逼近以及对状态值的精确估计。最后的目标跟踪仿真表明,该算法具有更高的估计精度。     

基于Kalman滤波和Mean Shift算法的人眼实时跟踪

非接触式的人眼跟踪方法在一些基于视觉的人机交互应用中具有很重要的意义.但目前的人眼跟踪方法普遍存在着诸如对眼睛的部分遮挡、人脸尺度变化和头部的深度旋转等过于敏感的不足,这就极大地限制了其应用范围.本文提出了一种综合运用Kalman滤波和Mean Shift算法的人眼跟踪算法,实验结果验证了该算法对于上面所提到的不足情况具有较强的鲁棒性.     

基于相空间重构与卡尔曼滤波计算组合的短期汇率预测

用微熵率法求得相空间重构的最优嵌入维数及时滞,应用最优嵌入维数及时滞对一维汇率数据进行延时嵌入相空间重构.然后,应用卡尔曼滤波算法在重构后的相空间中对汇率系统进行建模与预测.实验结果与遗传(GA)神经网络预测进行了比较,实践表明,该算法在短期汇率预测中,速度及准确率上均优于GA神经网络.