具有间歇性观测的无线传感器网络分布式容错目标跟踪

针对具有随机间歇性观测的无线传感器网络, 基于多模型估计方法和一致性信息滤波器, 提出一种对观测节点故障容错的自适应分布式目标跟踪方法. 将传感器节点随机间歇性观测丢失和到达过程建模为马尔科夫切换系统, 在容积信息滤波器框架下, 估计传感器节点的观测丢失和到达的后验概率. 通过观测状态概率组合计算每个局部传感器节点的信息贡献, 基于自适应多模型估计方法, 实现对间歇性观测的容错性. 仿真结果表明了所提出算法的有效性和对间歇性观测的自适应容错性.

     

分布式电网CPS 系统数据攻击下的状态估计

电力物理网络通过构建信息网络进行优化调控并构成信息物理融合系统, 实现大规模分布式系统的优化控制, 随之而来的问题是病毒、黑客入侵、拒绝服务等来自信息网络的威胁, 导致物理系统恶意破坏. 鉴于此, 以攻击可检测为前提, 建立攻击信号下的电力系统分布式动态模型, 设计动态状态估计器检测受攻击的信号, 并估计其原始信号. 最后通过3 机9 节点分布式电网系统仿真实验验证了所设计的状态估计器对于数据攻击检测的有效性.

     

基于容积粒子滤波的时延差定位估计算法

在基于粒子滤波的时延差定位估计方法中, 重要密度函数的选取将直接影响估计的性能, 为此, 提出了基 于容积粒子滤波的时延差估计(BCPF-TDE) 算法. 该算法利用最新的数据检测信息, 通过容积卡尔曼滤波(CKF) 获 取粒子滤波的重要性密度函数. 仿真实验表明, 在粒子数目相同的情况下, 基于容积粒子滤波的时延差估计(BCPF- TDE) 方法与基于扩展粒子滤波的时延差估计(BEPF-TDE) 方法相比, 定位估计误差只有后者的50% 左右, 而运行时 间相当.

     

未知噪声统计下多模型概率假设密度粒子滤波算法

针对传统多目标概率假设密度滤波(PHD) 器在噪声先验统计未知或不准确时滤波精度下降甚至丢失目标的问题, 设计一种自适应多模型粒子PHD(MMPHD) 滤波算法. 该算法利用多模型近似思想, 推导出一种多模型概率假设密度估计器, 不仅能估计多目标状态, 而且能实时估计未知且时变的噪声参数, 并采用蒙特卡罗方法给出了MMPHD闭集解. 仿真实例表明, 所提出的算法具有应对噪声变化的自适应能力, 可有效提高目标跟踪精度.

     

分布式车间调度优化算法研究综述

在分布式制造环境下, 分布式车间调度着重研究工件在工厂间的合理分配以及各工厂内的合理加工顺序, 以实现调度指标的最优化. 分布式车间调度的研究具有重要的学术意义和应用价值, 已成为生产调度领域的热点. 对 此, 围绕分布式并行机调度、分布式流水线调度、分布式作业车间调度、分布式装配调度和分布式柔性车间调度等问题, 重点综述分布式调度优化算法方面的代表性成果, 介绍分布式调度的若干应用, 最后指出有待于进一步研究的若干方向和内容.

     

基于组合导航系统的非线性高斯滤波算法

由于组合导航系统具有强非线性和模型不确定性的特点, 工程中扩展卡尔曼滤波无法满足组合导航系统实际应用的要求. 为此, 针对贝叶斯框架下高斯类非线性滤波算法的估计性能给出具体分析. 首先, 在估计点处对非线性函数进行泰勒展开获得泰勒近似, 通过一阶矩和二阶矩分析滤波算法的近似精度; 然后, 通过数值稳定性对非线性滤波算法进行分析; 最后, 分别采用低维和高维模型对各滤波算法进行对比分析, 为组合导航系统的实践提供借鉴.

     

基于差别信息树的rough set 属性约简算法

差别矩阵为粗糙集属性约简提供了很好的思路, 但差别矩阵中存在冗余的重复和父集元素. 为了消除这些冗余元素, 提出一棵有序树: 差别信息树, 该树能消除差别矩阵中的重复元素, 同时在大多数情况下也能完全消除父集元素, 实现对差别矩阵中非空元素的压缩存储. 为了验证差别信息树的有效性, 提出一种属性约简完备算法, 并使该算法的时间复杂度降为??(∣??∣∣??∣²).

     

信息观下基于不一致邻域矩阵的属性约简

信息观下研究邻域决策系统的属性约简是一种新颖的思路. 通过分析论域下某样本邻域中其他样本与该样本决策属性值的异同, 定义不一致邻域矩阵. 在计算属性重要度时, 利用不一致邻域减少在原条件属性基础上增加一个属性后条件熵的计算时间. 分析得到邻域系统下条件熵与正域的关系, 提出一种信息观下基于不一致邻域矩阵的属性约简算法, 并分析该算法与其他算法的内在联系. 实验结果验证了所提出算法的有效性.

     

基于Gabor 变换的GrabCut 纹理图像分割

多数自然图像都包含纹理信息, 它相对颜色特征而言具有描述方向性与尺度差异的特性. 因此, 可以利用半交互式的GrabCut 的图像分割方式对图像前景区域与背景区域进行有效的分割, 通过建立前景和背景所对应的高斯混合模型(GMM), 结合最大流最小割的图像分割方式实现全局优化, 并利用前景和背景的KL 测度, 自适应地终止分割过程. 实验对比分析表明, 所提出的方法对于合成纹理图像与自然纹理图像具有较好的整体分割效果及较高的分割准确率.

     

一种基于GHF 的高斯粒子滤波算法

高斯粒子滤波算法重要性权值方差不会随迭代次数的增加而增加, 能够较好地解决粒子退化问题, 但其重要性密度函数没有考虑最新的量测信息, 导致有效粒子数减少, 算法滤波性能下降. 针对该问题, 提出一种基于Gaussian-Hermite 滤波(GHF) 的高斯粒子滤波算法, 采用GHF构造高斯粒子滤波的重要性密度函数, 考虑最新的量测信息, 增加有效粒子数, 提高算法的滤波精度. 仿真结果表明, 所提出算法的滤波精度明显优于高斯粒子滤波算法.

     

一种考虑先验估计误差相关性的快速DUIF 算法

针对稀疏无线传感器网络(WSN) 中加权平均一致分布式无迹信息滤波(DUIF) 算法估计次优和滤波效率较低的问题, 提出一种考虑先验估计误差相关性的快速DUIF 算法. 采用加权统计线性回归(WSLR) 方法线性化观测模型, 以节点共享信息作为平均一致性算法输入, 从而在极大后验估计中引入先验估计交互协方差信息; 设计最优通信连接边权值并自适应修正状态加权矩阵, 提高平均一致性算法收敛速率. 仿真实验结果表明, 所提出的算法能够有效应用于稀疏WSN目标跟踪.

     

基于Huber M估计的鲁棒Cubature 卡尔曼滤波算法

Cubature卡尔曼滤波器(CKF)在非高斯噪声或统计特性未知时滤波精度将会下降甚至发散,为此提出了统计回归估计的鲁棒CKF算法.推导出线性化近似回归和直接非线性回归的鲁棒CKF算法,直接非线性回归克服了观测方程线性化近似带来的不足.具有混合高斯噪声的仿真实例比较了3种Cubature卡尔曼滤波器的滤波性能,结果表明这两种鲁棒CKF滤波精度及估计一致性明显优于CKF,直接非线性回归的CKF的鲁棒性更强,滤波性能更好.     

卡尔曼一致滤波算法综述

以应用传感器网络进行分布式估计为研究背景,对卡尔曼一致滤波问题进行综述.系统地介绍了各种卡尔曼一致滤波算法,其中包括几种典型的基础算法、自适应估计算法、优化算法以及带丢包、带牵制控制等滤波算法.最后,对卡尔曼一致滤波算法的进一步研究方向进行了展望.     

混合估计多模粒子滤波的机动弱小目标检测前跟踪算法

针对低信噪比条件下的机动小目标实时检测与跟踪困难的问题, 提出一种基于混合估计多模粒子滤波的检测前跟踪改进算法. 首先根据前一时刻所采用的模型状态及其转移概率等先验信息实现当前时刻的模型采样; 然后在充分考虑当前量测下实现当前的粒子预测, 采用一种序贯重要性平滑重采样策略, 在不增加计算量的前提下, 改善了粒子多样性衰退的问题; 最后通过新的粒子集完成对模型和状态的合理估计与目标检测. 仿真结果验证了该方法的检测与跟踪性能优于传统的多模粒子滤波方法.

     

基于分布式传感器信息融合的辐射源识别

针对辐射源识别中基本概率赋值函数(BPAF)获取的难题,提出基于模糊集、灰关联分析和特征参数相似度的3种BPAF获取法,推演了获取BPAF的数学关系,建立了基于分布式传感器数种基本概率赋值获取法的信息融合辐射源识别模型,利用该模型进行了识别实验.识别过程中进行了多周期时域融合与分布式传感器窄域融合,并在不同信噪比下与模板匹配法作识别率比较.实验对比结果表明,分布式传感器信息融合识别法是有效的,辐射源平均识别率超过90%.     

基于粒子滤波的检测前跟踪改进算法

针对低信噪比环境下微弱目标的实时检测与跟踪,提出一种基于粒子滤波的检测前跟踪改进算法.该算法在粒子滤波的基础上融合不敏卡尔曼滤波(uKF1)算法,融合后的新算法在利用重要性密度函数产生粒子时充分考虑当前时刻的量测,从而引导粒子向高似然区域移动,使得粒子的分布更接近状态的后验概率分布.仿真实验表明,改进算法的检测与跟踪性能优于标准的粒子滤波算法.