基于高阶神经网络扩展卡尔曼滤波器逆算法的非线性挠性结构的姿态控制

本文针对非线性挠性结构的姿态控制,提出了一种基于高阶神经网络及径向基函数网络（ＲＢＦＮ）相结合的网络模型,用于非线性挠性结构的动态系统辨识,以及基于卡尔曼滤波器（ＥＫＦ）逆算法的控制策略。针对神经网络辨识时的模型误差,提出了一种简单有效的补偿方法,给出了建模误差补偿与补偿时仿真结果。仿真得出,该方法具有收敛快,算法简单,并能有效消除建模误差等优点。     

基于RBF神经网络辅助的自适应UKF算法

卡尔曼滤波能在测量噪声干扰下对系统状态进行无偏估计.但无论是扩展卡尔曼滤波(EKF)算法,还是无轨迹卡尔曼滤波(UKF)算法,都无法避免滤波发散现象.给出利用径向基函数(RBF)神经网络的自适应调整能力来对卡尔曼滤波输出进行校正,从而避免输出发散的算法.计算机模拟和实际应用表明,基于RBFNN的卡尔曼滤波算法可以有效防止输出发散.     

基于扩展卡尔曼滤波器的锂电池SOC估算仿真研究

为弥补动力电池组中安时积分法、开路电压法估算锂电池荷电状态(SOC,StateOfCharge)的缺点,在Matlab环境下介绍了一种使用扩展的卡尔曼滤波器估算SOC的仿真方法,并对整个过程的模型建立、电路搭建、参数辨识以及软件使用进行了详细的阐述。通过仿真实验表明其估算误差不超过3%,验证了方法的准确性以及对初值的不敏感性,是一种稳定的、可靠性高的SOC估算方法。     

基于RBF神经网络辅助的自适应UKF算法研究

卡尔曼滤波能在测量噪声干扰下对系统状态进行无偏估计。但无论是扩展卡尔曼滤波（EKF）算法,还是无轨迹卡尔曼滤波（UKF）算法,都无法避免滤波发散现象。给出利用径向基函数(RBF)神经网络的自适应调整能力来对卡尔曼滤波输出进行校正,从而避免输出发散的算法。计算机模拟和实际应用表明,基于RBFNN的卡尔曼滤波算法可以有效防止输出发散。     

基于扩展卡尔曼粒子滤波算法的神经网络训练

神经网络的训练是一种非线性系统的辨识问题,基本粒子滤波算法已被成功用于训练神经网络,但基本粒子滤波算法在建议分布的选择上并没有考虑当前时刻观测值的影响,本文针对该问题提出使用扩展卡尔曼滤波器来生成建议分布。由于扩展卡尔曼滤波器在传递近似建议分布的均值和协方差的过程中充分利用了观测值信息,从而可以更好地描述神经网络权值的后验概率分布。实验结果证明,使用扩展卡尔曼滤波器作为建议分布的粒子滤波算法性能明显优于基本粒子滤波算法。     

一种基于高斯核的RBF神经网络学习算法

RBF神经网络中心等参数确定得是否合理将直接影响到RBF神经网络的学习性能。通过有监督学习的方法来确定RBF神经网络的中心等参数是最一般化的方法。在这种方法中,参数的初始化问题是关键问题。文章在分析RBF神经网络映射性能的基础上,提出了中心等参数初始化的一种方法,并借助于梯度下降法给出了RBF神经网络的学习算法。多种实例表明,所给出的学习算法是有效的。该研究为RBF神经网络的广泛应用提供了一定的技术保障。     

基于扩展卡尔曼神经网络算法估计电池SOC

针对汽车锂电池的荷电状态(SOC)的问题,基于Thevenin电路为等效电路并且应用扩展卡尔曼算法(EKF)结合神经网络算法进行估计。在进行卡尔曼滤波算法估算过程中,需要用到实时的估算模型参数值(最新值),即在不同的SOC下模型的参数不同。传统做法是把SOC与各个参数的关系进行普通的拟合,这种方法在拟合过程中存在较大误差。为了解决这个问题,利用神经网络拟合各个电路模型参数与SOC关系曲线。试验结果表明,与单纯的扩展卡尔曼算法相比,该方法能够准确估计电池剩余电量,误差小于3%。     

自适应扩展卡尔曼滤波器在移动机器人定位中的应用

针对移动机器人定位过程中存在的误差积累问题,提出了采用自适应扩展卡尔曼滤波算法(AEKF).分析了扩展卡尔曼滤波(EKF)和AEKF两种算法, AEKF取采样时刻的各项泰勒级数,并利用Sage-Husa时变噪声估计器实时估计观测噪声,克服了线性化误差,增强了环境适应性;同时,对AEKF的收敛性及运算复杂度进行分析,并结合算法实验表明AEKF具有良好的速度精度综合性价比;最后对比分析两种算法实现机器人定位的效果并实验完成误差对比.结果表明AEKF具有更优的定位性能.     

基于熵聚类的RBF神经网络学习算法

RBF神经网络中心向量的确定是整个网络学习的关键,最常用确定中心向量的方法是K均值聚类算法,对聚类中心的初值选择非常敏感,选择的不好,容易减低网络的训练性能.为克服以上问题,提出了一种熵聚类的方法来自动确定RBF神经网络隐结点的中心个数及其初始值,实现K均值聚类算法的初始化,再用改进的K均值聚类算法调整RBF神经网络的中心和训练宽度.并将上述算法用于函数逼近问题.实验结果表明:改进的算法与常规的K均值聚类算法相比,提高了训练速度和逼近精度.     

基于MDL的RBF神经网络结构和参数的学习

本文提出了一种优化径向基函数神经网络（ＲＢＦＮＮ）结构的参数的方法,该方法包括两个过程：训练和进化．训练用梯度下降法学习ＲＢＦＮＮ的中心,宽度和输出权值;进化采用二进制编码的遗传算法（ＧＡ）学习ＲＢＦＮＮ的结构,适应度函数是基于信息论中最小描述长度（ＭＤＬ）原理的目标函数．函数逼近仿真实验证明了该方法比其他方法鲁棒性强,所得到的网络结构简单．     

基于U－D分解推广卡尔曼滤波的神经网络学习算法

本文针对前馈神经网络ＢＰ算法所存在的收敛速度慢区常遇局部极小值等缺陷，提出一种基于Ｕ－Ｄ分解的渐消记忆推广卡尔曼滤波学习新算法．与ＢＰ和ＥＫＦ学习算法相比，新算法不仅大大加快了学习收敛速度、数值稳定性好，而且需较少的学习次数和隐节点数即可达到更好的学习效果，对初始权值，初始方差阵等参数的选取不敏感，便于工程应用．非线性系统建模与辨识的仿真计算表明，该算法是提高网络学习速度、改善学习效果的一种非常有效的方法．     

基于RBF神经网络的电机故障诊断的研究

在对国内外感应电动机故障诊断技术发展与研究的基础上,提出了从定子电流人手,利用径向基（RBF）神经网络算法来监测感应电动机工作状态,从而实现对电动机较为常见的电气故障和机械故障的综合检测。Matlab仿真结果表明RBF算法有效地实现了对电机故障诊断的研究。     

基于自适应扩展卡尔曼滤波与神经网络的HPA预失真算法

针对强记忆功放的非线性问题,提出一种基于自适应扩展卡尔曼滤波与神经网络的高功放(High power amplifier, HPA)预失真算法.采用实数固定延时神经网络(Real-valued focused time-delay neural network, RVFTDNN)对间接学习结构预失真系统中的预失真器和逆估计器进行建模,扩展卡尔曼滤波(Extended Kalman filter, EKF)算法训练神经网络,从理论上指出Levenberg-Marquardt(LM)算法是EKF算法的特殊情况,并用李亚普诺夫稳定性理论分析EKF算法的稳定收敛条件,推导出测量误差矩阵的自适应迭代公式.结果表明:自适应EKF算法的训练误差和泛化误差均比LM算法更低,预失真后的邻道功率比(Adjacent channel power ratio, ACPR)比LM算法改善了2dB.     

基于RBF网络的动力系统Lyapunov指数的计算方法

提出一种基于径向基函数(RBF)神经网络的动力系统Lyapunov指数计算方法，设计了一个RBF网络结构，推导了基于RBF网络的Lyapunov指数计算公式．仿真实验表明，与其它现有方法相比，此方法计算精度较高，收敛速度较快，而且只需要较少的样本数据量．本方法能更准确、更快速地计算动力系统的Lyapunov指数．     

基于最优信标组的扩展卡尔曼定位算法

节点定位是无线传感网的关键技术之一.针对传统的基于RSSI的定位算法精度低的问题,提出一种基于最优信标组的扩展卡尔曼定位算法(BBG-EKF).该算法分析影响定位精度的两个因素:未知节点与信标节点的距离和信标节点间的共线性,提出一种最优信标组选择机制,进一步通过扩展卡尔曼滤波实现精确定位.新算法复杂度低,定位过程中节点...     

A novel strong tracking finite-difference extended Kalman filter for nonlinear eye tracking

Non-intrusive methods for eye tracking are important for many applications of vision-based human computer interaction. However, due to the high nonlinearity of eye motion, how to ensure the robustness of external interference and accuracy of eye tracking poses the primary obstacle to the integration of eye movements into todays’s interfaces. In this paper, we present a strong tracking finite-difference extended Kalman filter algorithm, aiming to overcome the difficulty in modeling nonlinear eye tracking. In filtering calculation, strong tracking factor is introduced to modify a priori covariance matrix and improve the accuracy of the filter. The filter uses finite-difference method to calculate partial derivatives of nonlinear functions for eye tracking. The latest experimental results show the validity of our method for eye tracking under realistic conditions. Supported by the National Natural Science Foundation of China (Grant No. 60572027), the Outstanding Young Researchers Foundation of Sichuan Province (Grant No. 03ZQ026-033), the Program for New Century Excellent Talents in University of China (Grant No. NCET-05-0794), and the Young Teacher Foundation of Mechanical School (Grant No. MYF0806)     

一种改进的粒子群优化RBF网络学习算法

提出了一种新的用粒子群优化RBF网络学习的算法,即分组训练合成优化。该算法利用粒子之间的合作与竞争以实现对多维复杂空间的高维搜索能力,找出神经网络权值的最优解,以达到优化神经网络学习的目的。通过与用最小二乘法优化的神经网络进行了比较,结果表明算法所优化的神经网络收敛效果明显、收敛速度快。