基于高斯粒子滤波算法的改进及应用

针对粒子滤波存在的样本贫化现象,提出了一种优化重选样本粒子的粒子滤波算法。这种方法在引入最新量测后将状态后验概率密度逼近为一个高斯分布,在粒子贫化问题逐渐凸显后,通过该分布重新采集粒子后再进行运算,有效缓解了传统方法在粒子贫化后出现的滤波精度下降的问题。仿真结果表明,新的粒子滤波算法有更高的滤波精度和运行效率。     

混合粒子群算法搜索土坡危险滑动面

基本粒子群优化算法存在着对惯性因子敏感、计算量大等缺点,通过借鉴和声搜索算法产生新解的策略和不连续飞行假定,构成了混合粒子群算法。首先,当粒子飞行超越边界时,采用和声搜索算法产生新解;此外还引入了不连续飞行假定,即在每次迭代步中,随机选择一些个体更新速度、位置向量,以利于减少计算量。随机给定10组参数,分别利用基本粒子群优化算法和混合粒子群优化算法对某复杂土坡的最危险滑动面进行了搜索。比较发现,混合粒子群算法能在较短的计算时间内得到更好的结果。     

联合方位-径向速度的粒子滤波目标运动分析

纯方位目标运动分析方法要求观测平台有效机动才能估计目标运动状态,针对这一问题,联合径向速度与方位角作为测量信息对目标进行运动分析,但基于卡尔曼滤波算法进行解算需要已知粗略的目标状态初始值,且收敛时间较长、误差较大,不利于目标实时跟踪.针对以上问题,提出了一种基于粒子滤波的方位径向速度联合目标运动分析方法,建立目标运动状态分析的粒子滤波算法模型,对目标位置和速度等运动要素进行估计.在目标初始状态未知的情况下,一定程度上缩短了收敛时间,减小了估计误差,海试数据处理结果显示:相同条件下,与原有方法相比,本文所提方法收敛时间从35.1 min缩短至30.0 min;跟踪精度从6.1%提高至3.8%,且无需已知目标状态初始值。     

采用ARUKF算法的电力系统动态状态估计

针对传统无迹卡尔曼滤波(unscented Kalman filter,UKF)算法进行电力系统状态估计时容易受到系统噪声和量测粗差影响的缺点,提出了一种新的自适应抗差无迹卡尔曼滤波(adaptive robust unscented Kalman filter,ARUKF)算法来改善估计过程中系统的稳定性。通过添加Sage-Husa噪声滤波器和抗差估计器,提高了未知噪声情况下系统的适应性及量测粗差情况下系统的滤波处理性能。实验结果表明,所提出的ARUKF方法与传统的UKF方法相比,在收敛速度基本不变的情况下,解决了滤波过程中系统噪声未知导致的估计精度下降问题,在系统存在粗差时具有更好的鲁棒性。     

基于联邦滤波的多传感器主动容错估计方法

针对冗余传感器系统的容错问题,改进一种有反馈式联邦滤波的容错估计算法。通过残差法对硬故障进行检测,并隔离故障子系统的估计值。若全部子系统出现硬故障,取上一时刻的联邦滤波的最优值,通过系统状态方程计算得到系统状态量的预测值进行容错补偿。定义可信度因子,设计可信度单调性法则检测子系统软故障,并设计校正策略。大量仿真实验表明,改进后的反馈式联邦滤波的容错估计算法,可在保证系统估计精度的前提下,提高多传感器系统的容错性与鲁棒性。     

求解自动化药房路径优化的混沌粒子群算法

基于静态存储的基本理论,本文建立了存取药品的模型和优化路径的目标函数。并采用了基本粒子群算法、混沌粒子群算法分别对该模型仿真,验证了混沌粒子群算法的优越性。     

改进粒子群算法的立体传声器阵列声成像系统阵形优化设计

提出改进的粒子群优化算法,获得波束方向图主瓣宽度和旁瓣级折中的优化立体阵形,避免基本实数粒子群算法仅采用旁瓣级或主瓣宽度一个性能指标优化而导致另一个性能指标恶化的问题,利用阵列视角限制进一步优化立体阵形并设计了声成像测量系统。改进的粒子群算法与基本粒子群算法仿真优化阵形比较表明改进粒子群算法设计的优化阵形在保持较窄的主瓣宽度的条件下具有较低的旁瓣级。阵列声成像测量系统的性能测量分析结果表明该系统的空间分辨率和旁瓣抑制能力与理论结果接近,验证了所提算法的有效性。     

窄带语音带宽扩展算法研究

为了降低谱失真,提出了一种基于隐马尔科夫模型的窄带语音带宽扩展算法。首先,算法选取与宽带谱包络互信息大的参数构成特征矢量,并利用隐马尔可夫状态和过去观察特征矢量的联合先验概率估计条件后验概率。其次,以条件后验概率为基础,算法结合贝叶斯条件参数估计法和最小均方差准则估计宽带谱包络。针对宽带激励信号估计,基于信号高频和低频的谐波相关性,提出了一种中频激励扩展算法。实验结果表明,与传统的基于隐马尔可夫模型的带宽扩展算法相比,本文算法可降低0.187 dB的平均谱失真,将谱失真大于10 dB的语音帧减少了34.3%。     

EKF与UKF的目标跟踪算法应用与对比

目标跟踪是计算机视觉领域的重要研究方向之一,在精确制导、人机交互、机器人导航等诸多领域广泛应用。在高斯噪声环境下,扩展卡尔曼滤波器(EKF)是将非线性函数展开成Taylor级数,一阶EKF算法简单,计算量小,适用于弱非线性系统;二阶EKF精度高于一阶EKF,需要计算二阶雅克比矩阵,计算量大。文章研究了EKF与UKF的目标跟踪算法应用与对比。无迹卡尔曼滤波(UKF)用一系列确定的样本来逼近状态的后验概率密度,没有忽略高阶项,适用于所有非线性系统。文章对目标跟踪模型进行了仿真,结果表明,UKF滤波精度明显高于EKF滤波,二阶EKF滤波精度较一阶EK F有所提高。     

遗传算法与自适应粒子群算法耦合的大坝安全预警评价模型

改变应用最小二乘法求解大坝统计预警模型的传统方式,利用粒子群算法随机搜索的优化能力确定统计模型的回归系数。针对粒子群算法收敛速度较慢等问题,提出一种新的自适应策略,能够依据粒子个体和种群的优化信息,调整学习因子,并将该策略与遗传算法的交叉、变异算子相结合。通过工程算例表明,该方法具备较好的搜索多样解能力,自适应地调整粒子飞行的步长,提高了粒子群算法的收敛速度;基于该方法的大坝预警评价模型与最小二乘法、基本粒子群算法相比,数据挖掘能力强,预警评价结果与大坝的实际运行状态更加吻合,有效地提高了统计模型的预测精度。