扩散式变阶数最大相关熵准则算法

固定阶数的分布式自适应滤波算法只有在待估计向量的阶数已知且恒定的情况下才能达到相应的估计精度,在阶数未知或时变的情况下算法的收敛性能会受到影响,变阶数的分布式自适应滤波算法是解决上述问题的有效途径。但是目前大多数分布式变阶数自适应滤波算法以最小均方误差(Mean square Error,MSE)准则作为滤波器阶数的代价函数,在脉冲噪声环境下算法的收敛过程会受到较大影响。最大相关熵准则具有对脉冲噪声的强鲁棒性,且计算复杂度低。为提高分布式变阶数自适应滤波算法在脉冲噪声环境下的估计精度,利用最大相关熵准则作为滤波器阶数迭代的代价函数,并将得到的结果代入固定阶数的扩散式最大相关熵准则算法,提出了一种扩散式变阶数最大相关熵准则(Diffusion Variable Tap-length Maximum Correntropy Criterion,DVTMCC)算法。通过与邻域的节点进行通信,所提算法以扩散的方式实现了整个网络的信息融合,具有估计精度高、计算量小等优点。仿真实验对比了在脉冲噪声下DVTMCC算法和其他分布式变阶数自适应滤波算法、固定阶数的扩散式最大相关熵准则算法的收敛性能。仿真结果表明,在脉冲噪声环境下DVTMCC算法能够同时估计未知向量的阶数和权值,性能优于参与对比的算法。     

基于弧参数约束的无线传感网络定位算法

针对现有的无线传感网络非测距定位算法在提高定位精度时,存在计算量大的问题,提出了一种基于弧参数约束的自适应三边定位算法.该算法首先将与未知节点连通的信标节点所构成平面分割成若干个三角形,采用APIT算法确定未知节点所在的三角形集合,选择周长最大的三角形的顶点作为定位所用信标节点.围绕3个定位圆重叠区域,对以未知节点为圆心的假设圆的弧高和弦长进行了多次估计,估计次数则根据未知节点所在区域大小自动调整.再以每条弦的垂直平分线和未知节点所在区域的交点作为位置估计值之一,最后取全部位置估计的均值作为定位结果.仿真结果表明该算法定位精度优于质心法和Convex-PIT算法.     

一种基于共线度的无线传感器网络定位算法

为了充分考虑锚节点之间以及锚节点与未知节点之间拓扑关系对无线传感器网络定位精度的影响,我们引入了共线度的概念并将其应用到多跳网络的节点定位中,在此基础上提出了一种基于共线度的无线传感器网络定位算法(CBLA).该算法首先动态地调节未知节点能够收集到的邻居锚节点信息,再通过共线度参数挑选网络中好的锚节点组进行位置估计,最后通过加权估计机制来得到最终的节点位置估计.理论分析和仿真结果表明,在规则网络中CBLA算法定位误差较小,最优情况下能够达到6%,在非规则网络中仍可达到较好的定位精度.     

一种改进的LS-SVR定位算法

研究无线网络传感器节点定位技术问题,根据特征量重要度最小二乘支持向量回归(LS-SVR)的定位方法,为提高可靠目标跟踪效果,提出了一种改进策略.算法的主要思想是:根据已知锚节点坐标信息,通过对探测区域网格化采样,得到包含未知节点到各锚节点的距离和未知节点坐标的训练样本集,利用LS-SVR训练得到定位模型,定位时以用多个锚节点的平均每跳距离的平均向量作为模型的输入,将模型输出作为未知节点的估计坐标.仿真结果表明,算法在不需要增加节点的硬件开销的基础上提高了定位精度,是无线传感器网络中节点定位的一种实用方案.     

基于辅助模型正交匹配追踪的多输入系统迭代辨识算法

针对含有未知时滞的多输入输出误差系统的时滞与参数辨识问题,提出一种基于辅助模型的正交匹配追踪迭代算法.首先,由于各输入通道的时滞未知,通过设定输入回归长度,对系统模型进行过参数化,得到一个高维的辨识模型,且辨识模型中参数向量为稀疏向量;然后,基于辅助模型思想和正交匹配追踪算法,在每次迭代过程中,对参数向量和辅助模型的输出进行交互估计,即利用正交匹配追踪算法获得参数向量的估计,再利用参数估计值计算辅助模型的输出,并用辅助模型的输出值代替信息向量中的不可测信息项以更新参数估计;最后,根据参数向量的稀疏特征,获得系统的时滞估计.所提出算法可以利用少量的采样数据信息同时获得系统参数和时滞的估计值.仿真结果表明了所提出算法的有效性.     

基于极大似然准则和最大期望算法的自适应UKF 算法

针对噪声先验统计特性未知情况下的非线性系统状态估计问题,提出了基于极大似然准则和 最大期望算法的自适应无迹卡尔曼滤波(Unscented Kalman filter, UKF) 算法.利用极大似然准则构造含有噪声统计特性的对数似然函数,通 过最大期望算法将噪声估计问题转化为对数似然函数数学期望极大化问题,最终得到带次优递 推噪声统计估计器的自适应UKF算法.仿真分析表明,与传统UKF算法相比,提出的自适应UKF算法 有效克服了传统UKF算法在系统噪声统计特性未知情况下滤波精度下降的问题,并实现了系统噪 声统计特性的在线估计.     

基于观测器的不确定非线性系统的自适应鲁棒模糊控制

针对单输入单输出不确定非线性系统提出了一种自适应鲁棒模糊控制算法.该算法通过设计观测器来估计系统的状态向量,因此不要求假设系统的状态向量是可测的.在这个算法中,主要的假设为最优逼近参数向量与标称参数向量之差的范数和逼近误差的界限是未知的.通过只对未知界限估计的调节,该算法减轻了在线计算量并且提高了系统的鲁棒性.所设计的自适应鲁棒模糊控制算法保证了闭环系统的所有信号是一致有界的并且跟踪误差估计收敛到一个小的零邻域内.仿真例子证实了所提方法的可行性.     

一种改进的质心定位算法

在无线传感器网络中,确定传感器节点的位置至关重要.通过对传统的质心定位算法进行分析,考虑到接收信号强度直接影响到未知节点的定位精度,提出了一种基于RSSI的改进的质心定位算法.该算法将每个未知节点的通信区域划分为6个部分,通过比较RSSI,找到对未知节点更为精确的估计区域,从而对未知节点作出更为精确的位置估计.仿真结果表明,相比于原始的质心定位算法,改进后的质心定位算法大大提高了无线传感器网络节点的定位精度.     

基于自适应抗差滤波的WSNs节点跟踪算法

针对无线传感器网络定位误差大、有色噪声影响严重等问题,提出一种基于自适应抗差Kalman滤波的无线传感器网络节点跟踪算法.先采用直线拟合削弱初始点位观测值的横向误差,然后通过构造自适应因子和等价权函数来控制未知有色噪声和观测值粗差的影响,并利用观测环境构造可信度因子干预滤波计算.在低速、高速运动模型下,分别以直线运动和...     

一种基于遗传算法的无线传感器网络定位新算法

针对无线传感器网络节点自身定位问题,提出一种基于遗传算法的新定位算法.该算法假设无线传感器网络中有一定比例的位置已知的节点,通过分析未知节点及其无线射程范围内的已知节点之间的通讯约束和几何关系,建立以未知节点位置为参数的优化设计数学模型,使用遗传算法求解此模型得出未知节点的位置,并通过修改遗传算法参数来提高遗传算法收敛速度.理论分析和试验结果表明,本算法具有很强的健壮性,未知节点的失效和新节点的加入不会影响算法的性能,并且算法定位精度高,条件简单,适合各种规模的无线传感器网络的节点定位.     

基于MBER准则的变阶长自适应均衡器

提出了基于最小误比特率（MBER）准则的变阶长自适应均衡算法--FT-MBER算法。变阶长自适应均衡是未知多径信道均衡的重要技术,准确估计自适应均衡器最佳阶长能同时实现低复杂度和较好的均衡性能,而传统的最小均方误差（MMSE）算法稳态误比特率性能不理想。FT-MBER算法以最小化BER为代价函数,把不同阶长均衡器产生的误比特率之差作为因子调节伪分数阶长,当伪分数阶长变化大于阈值时更新阶长。仿真结果表明该算法比MMSE算法能更有效抑制码间干扰并能准确估计MBER准则下的均衡器最佳阶长。     

一种变迭代参数的变阶数LMS算法

介绍了基于分数阶数的变阶数最小均方算法(Fractional tap-length least mean square,FTLMS),分析算法中迭代参数对FTLMS算法收敛性能的影响.利用系统输出误差随滤波器阶数及滤波器抽头权系数迭代过程逐渐减小的特点,提出了一种新的变迭代参数的变阶数LMS算法(Variable parameter FTLMS,VP-FTLMS).在高噪声和低噪声环境下对本文提出的算法分别进行仿真验证,并与不同的滤波器阶数迭代参数设置下的FTLMS算法相比较.仿真结果表明,与FTLMS算法相比,本文提出的VP-FTLMS算法具有更快的阶数收敛速度及更小的稳态振荡,同时获得了较小的稳态额外均方误差(Excess mean square error,EMSE).     

基于改进ART2算法的数据聚类方法

通过分析经典自适应谐振(adaptive resonance theory,ART)神经网络聚类过程中向量规格化、警戒参数全局化等特点,指出其无法应用于向量的模是与类别特征相关的情况、不能根据空间密度变化以不同粒度划分空间、输出无层次结构等不足,提出一种改进ART2神经网络算法.该算法提出警戒参数局部化和以模为标准的神经元预选,通过循环形成与模相关的多层次动态聚类结构(粗粒度的聚类不需重新训练神经网络),除此还降低对警戒参数主观设置的要求;这些优点能够适应模是重要特征的空间中子空间分别聚类的情况.     

漂浮基空间机器人的径向基神经网络鲁棒自适应控制

针对一类同时具有参数及非参数不确定性的自由漂浮空间机器人系统的轨迹跟踪问题,采用了一种RBF神经网络的自适应鲁棒补偿控制策略.对于系统的参数不确定性,通过对径向基神经网络来自适应学习并补偿,逼近误差通过滑模控制器消除,神经网络权重的自适应修正规则基于Lyapunov函数方法得到;而非参数不确定通过鲁棒控制器来实时自适应...     

A Quality-aware Incremental LMS Algorithm for Distributed Adaptive Estimation

In this paper, we consider the problem of unknown parameter estimation using a set of nodes that are deployed over an area. The recently proposed distributed adaptive estimation algorithms(also known as adaptive networks) are appealing solutions to the mentioned problem when the statistical information of the underlying process is not available or it varies over time. In this paper, our goal is to develop a new incremental least-mean square(LMS) adaptive network that considers the quality of measurements collected by the nodes. Thus, we use an adaptive combination strategy which assigns each node a step size according to its quality of measurement. The adaptive combination strategy improves the robustness of the proposed algorithm to the spatial variations of signal-to-noise ratio(SNR). The performance of our algorithm is more remarkable in inhomogeneous environments when there are some nodes with low SNRs in the network. The simulation results indicate the efficiency of the proposed algorithm.     

一类非线性系统的神经网络自适应区间观测器设计

本文研究了一类单输入单输出非线性系统的神经网络自适应区间观测器设计问题. 针对由状态和输入所描述的未知非线性函数的界不可测, 现有的区间观测器方法并未有效地处理系统含有参数不确定性的未知非线性函数. 首先, 本文构造两个径向基函数神经网络来逼近未知非线性部分, 进而分别估计系统状态的上下界; 然后, 选择合适的Lyapunov函数, 采用网络权值校正和网络误差选择机制确保所设计的误差动态系统有界和非负性, 并证明了神经网络自适应区间观测器的稳定性; 最后, 通过仿真实例验证了所提出的神经网络自适应区间观测器的有效性.     

虚网叠加构造自适应路由算法的有效框架

大规模并行处理机系统中路由算法对互联网络通信性能和系统性起着重要作用。     

Synchronization of uncertain complex dynamical networks via adaptive control

In this paper, synchronization of an uncertain dynamical network with time‐varying delay is investigated by means of adaptive control schemes. Time delays and uncertainties exist universally in real‐world complex networks. Especially, parameters of nodes in these complex networks are usually partially or completely uncertain. Considering the networks with unknown or partially known nodes, we design adaptive controllers for the corresponding complex dynamical networks, respectively. Several criteria guaranteeing synchronization of such systems are established by employing the Lyapunov stability theorem. Analytical and numerical results show that the proposed controllers have high robustness against parameter variations including network topologies, coupling structures, and strength. Copyright © 2008 John Wiley & Sons, Ltd.     

基于神经网络的电力系统暂态稳定分布式自适应控制

针对电力系统中普遍存在的系统非线性和参数不确定性等问题,提出一种基于径向基函数神经网络(RBFNN)的分布式自适应控制器,以提高多机电力系统的暂态稳定性.利用基于RBFNN的方法对系统中的未知非线性项和外部扰动进行补偿,设计相应的自适应参数估计方法,逼近未知非线性项的理想权值矩阵.该策略基于多智能体框架,分布式控制器通过通信网络接收测量装置测量的实时数据,并控制储能装置动作,使受到扰动后各发电机能够迅速实现频率同步.利用李雅普诺夫稳定性理论,证明所提出的分布式控制方法的收敛性.最后,通过仿真研究验证所提出的分布式控制方法的有效性.