基于容积卡尔曼滤波的神经网络训练算法

针对现有的利用非线性滤波算法对神经网络进行训练中存在滤波精度受限和效率不高的缺陷, 提出一种基于容积卡尔曼滤波(CKF) 的神经网络训练算法. 在算法实现过程中, 首先构建神经网络的状态空间模型; 然后将网络连接权值作为系统的状态参量, 并采用三阶Spherical-Radial 准则生成的容积点实现神经网络中节点连接权值的训练. 理论分析和仿真结果验证了所提出算法的可行性和有效性.

     

基于改进容积卡尔曼滤波的认知雷达跟踪算法

在认知雷达目标跟踪过程中,由于存在初始跟踪误差及系统量测方程的非线性等原因,导致卡尔曼滤波算法性能较差.为解决上述问题,将Gauss-Newton迭代方法与容积卡尔曼滤波算法相结合,建立迭代容积卡尔曼滤波算法.算法在迭代过程中利用最新的量测信息并更新迭代过程中产生的新息方差,降低了目标初始状态的估计误差,并且减小了线性化量测方程引入的传递误差.仿真结果表明,迭代容积卡尔曼滤波算法与传统的扩展卡尔曼滤波算法、无迹卡尔曼滤波算法、容积卡尔曼滤波算法相比,在认知雷达中的跟踪精度更高,稳定性更好,对初始误差的容错性更强.结果可为雷达目标跟踪优化提供科学依据.     

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。     

分布式传感网络的自适应一致性算法

为了提高分布式传感网络的估计精度,提出了一种新的自适应一致性算法。该算法在每次迭代时只需部分节点工作,即进行目标状态的监测。通过节点之间二进制信息的交换来调整每次迭代时的一致性权值,使得每次迭代时工作节点所占的权值更大,进而将该一致性算法与卡尔曼滤波相结合对目标状态进行估计。对该算法进行数值仿真,并与其他一致性加权算法进行比较,验证了该算法的有效性。     

基于跨越连接的多层前馈神经网络结构分析

任何连接方式的神经网络总可以归结为跨越连接网络。在传统多层前馈神经网络算法的基础上,提出了完全全连接神经网络的概念,给出了基于跨越连接的多层前馈神经网络算法。通过分析多层前馈神经网络的误差函数,从理论上证明了：相对于无跨越连接网络,基于跨越连接的多层前馈神经网络能以更加简洁的结构逼近理想状态。最后,用一个隐层神经元解决了XOR问题。     

逻辑神经网络的连接特性研究

作为将基于符号机制的逻辑推理与基于连接机制的神经网络的集成，逻辑神经网络研究具有重要的意义。一个逻辑函数唯一地确定了一个ｎ－维超立方体顶点的二分类，若对ｎ维超立方体的顶点进行正确分类，同时保证网络具有最好的容错能力，则分类超平面应过任两个不同类顶点连线的中点，基于这样的思想，本文导出了使用网络容错能力最强的分类超平面的标准方程，给出了网络各层节点之间连接权值和偏置值的可能值，使得网络易于训练和实现     

集成重复训练极限学习机的数据分类

极限学习机是一种随机化算法,它随机生成单隐含层神经网络输入层连接权和隐含层偏置,用分析的方法确定输出层连接权。给定网络结构,用极限学习机重复训练网络,会得到不同的学习模型。本文提出了一种集成模型对数据进行分类的方法。首先用极限学习机算法重复训练若干个单隐含层前馈神经网络,然后用多数投票法集成训练好的神经网络,最后用集成模型对数据进行分类,并在10个数据集上和极限学习机及集成极限学习机进行了实验比较。实验结果表明,本文提出的方法优于极限学习机和集成极限学习机。     

一种基于CKF的无线传感器网络分布式定位算法

为提高无线传感器网络节点定位的精度,降低算法计算复杂性,提出了一种基于容积卡尔曼滤波的无线传感器网络分布式节点定位算法。该算法假定移动锚节点按预定路径在传感区域移动,并周期性广播自身位置信标信息;每个未知位置节点首先收集多个锚节点信标信息及信号强度信息,然后估算出锚节点信标位置与未知节点的距离,最后在未知节点上运用容积卡尔曼滤波算法完成自身位置的分布式定位。仿真结果表明：本文所提算法具有优良的定位性能,定位精度和无迹卡尔曼滤波算法相当,明显优于极大似然估计定位算法,而计算复杂性则低于无迹卡尔曼滤波算法。     

基于目标跟踪的自适应广义高阶CKF算法

针对容积卡尔曼滤波在系统状态突变时滤波精度下降的问题,结合广义高阶容积卡尔曼滤波和强跟踪滤波算法,提出了一种自适应广义高阶容积卡尔曼滤波（AGHCKF）方法。采用广义高阶容积准则和矩阵对角化变换,以提高算法的滤波精度和稳定性。引入强跟踪滤波,利用渐消因子在线修正预测误差协方差阵,强迫残差序列正交,以增强算法应对系统状态突变等不确定因素的能力。将提出的AGHCKF算法应用于带有未知状态突变的机动目标跟踪问题并进行数值仿真,结果表明,AGHCKF在系统状态突变时能保证较高的滤波精度,具有较强的鲁棒性和系统自适应能力。     

基于支持向量回归机的扩展卡尔曼滤波

在信号滤波算法优化问题的研究时,扩展卡尔曼滤波算法的精度依赖于系统模型精确性.采用一种改进的扩展卡尔曼滤波算法研究了状态量和观测量相同的系统.用滤波后的状态量和当前观测量以得到实时噪声,求出过程噪声方差阵,在此基础上利用支持向量回归机算法对过程噪声方差阵进行训练,从而得到新的过程噪声方差阵,用此阵作为下一次扩展卡尔曼滤波的过程方差阵,以后继续上述迭代过程.结果证明方法极大的提高了滤波精度.仿真说明方法的有效性.     

无监督的猕猴运动皮层锋电位信号CKF解码

如何通过猕猴运动皮层的神经元锋电位信号估计其手指移动位置是一神经解码问题,现存方法解决该问题大多采用有监督训练,需要通过训练数据得到神经元锋电位信号与手指移动位置的关系,因此其估计性能依赖于训练数据.本文提出了一种无监督解码方法,该方法基于状态空间模型（State space model,SSM）,利用神经网络得到神经元锋电位数与手指移动位置的关系权值,再用逐次状态估计方法去估计手指移动的位置.为减少训练的复杂度和提高估计准确度,采用一种非线性的积分卡尔曼滤波（Cubature Kalman filtering,CKF）来完成神经网络的训练和手指位置的逐次状态估计.与传统方法相比,该方法的最大特点是无监督,可以由神经元锋电位簇向量直接估计手指移动位置,而无需有监督训练.实验结果显示,当采用较少的有监督数据,现存方法与本文方法相比有较大的估计误差;当采用较多的有监督数据,现存方法才具有与本文方法相近似的估计误差.     

基于转换量测容积卡尔曼滤波器带多普勒量测的目标跟踪算法

针对带多普勒量测的目标跟踪问题,提出一种基于转换量测容积卡尔曼滤波器的序贯滤波目标跟踪算法.对具有量测误差相关性的距离和多普勒量测进行解相关处理,构造出新的解相关量测方程,进而基于贝叶斯方法提出带多普勒量测的序贯处理算法的统一理论框架,实现对位置量测和多普勒量测的序贯滤波.在该理论框架下,提出基于转换量测容积卡尔曼滤波...     

Artificial neural network training utilizing the smooth variable structure filter estimation strategy

A multilayered neural network is a multi-input, multi-output nonlinear system in which network weights can be trained by using parameter estimation algorithms. In this paper, a novel training method is proposed. This method is based on the relatively new smooth variable structure filter (SVSF) and is formulated for feed-forward multilayer perceptron training. The SVSF is a state and parameter estimation that is based on the sliding mode concept and works in a predictor–corrector fashion. The SVSF training performance is tested on three benchmark pattern classification problems. Furthermore, a study is presented comparing the popular back-propagation method, the extended Kalman filter, and the SVSF.     

基于交互容积卡尔曼的随机切换系统故障诊断

针对一类随机切换非线性系统的故障检测和故障估计问题,提出了一种基于交互式多模型和容积卡尔曼滤波(IMM-CKF)的系统状态估计算法。该算法利用容积卡尔曼滤波(CKF)在不同时刻对每个子系统进行状态估计,把不同子系统状态估计结果融合得到最终的状态估计,实现对系统真实状态的估计。针对一类随机切换非线性系统发生执行器故障,采用IMM-CKF估计系统状态;然后分析了IMMCKF算法的稳定性;根据状态估计结果,构造残差信号,设计残差评价函数,检测故障发生。当检测到故障发生时,设计增广系统,对故障幅值进行估计。通过仿真实验验证提出算法的有效性,结果表明该算法可以较为准确地诊断系统故障。     

基于SRCKF 的自适应高斯和状态滤波算法

针对非线性非高斯离散动态系统中的状态估计问题,基于高斯和递推关系,提出一种高斯和状态估计算法GSSRCKF.首先将状态噪声、观测噪声及滤波初值均表示为高斯和的形式,以平方根容积卡尔曼滤波为子滤波器分别估计各高斯子项对应的系统状态;然后结合各子项对应的权值实现全局估计;最后设计高斯子项对应权值的自适应策略,并采用约简控制法降低计算复杂度.仿真结果验证了所提出的算法在滤波稳定性方面的优越性.     

基于神经网络的鲁棒NLOS误差抑制算法

提出一种基于Kalman滤波器和神经网络(NN)的非视距(NLOS)误差抑制算法。根据到达时间(TOA)测量值的特点和NLOS误差的统计特性,推导出Kalman滤波器输出无偏估计所需满足的条件,利用NN估计该条件中的环境参数,实现NLOS误差抑制。仿真结果表明,该算法在估计精度和算法鲁棒性方面均具有较好的性能。     

基于MCC的鲁棒高阶CKF在组合导航中的应用

针对高阶容积卡尔曼滤波器在非高斯噪声情况下滤波精度下降的问题,提出了一种新的基于Maximum Correntropy Criterion（MCC）的鲁棒高阶容积卡尔曼滤波算法。考虑到高阶容积规则可以较好地解决非线性问题,在高阶容积滤波的基础上,结合统计线性回归模型对量测更新过程进行重构,利用MCC估计算法实现状态的量测更新,同时解决了系统的非线性和非高斯问题。将所提算法应用到SINS/GPS组合导航系统中,仿真结果表明,核宽的选取对算法的滤波性能有较大的影响,在高斯混合噪声条件下,所提算法相比传统高阶容积卡尔曼滤波算法具有更强的鲁棒性和更高的滤波精度。     

Neural network training with optimal bounded ellipsoid algorithm

Compared to normal learning algorithms, for example backpropagation, the optimal bounded ellipsoid (OBE) algorithm has some better properties, such as faster convergence, since it has a similar structure as Kalman filter. OBE has some advantages over Kalman filter training, the noise is not required to be Guassian. In this paper OBE algorithm is applied in training the weights of the feedforward neural network for nonlinear system identification. Both hidden layers and output layers can be updated. From a dynamic system point of view, such training can be useful for all neural network applications requiring real-time updating of the weights. Two simulations give the effectiveness of the suggested algorithm.     

自适应快速弱敏无迹Kalman滤波算法

针对现有弱敏无迹Kalman滤波需要代数求解增益矩阵耗时长和不能实时调节敏感性权重的问题,提出一种自适应快速弱敏无迹Kalman滤波算法.该算法在弱敏控制技术的基础上,重新定义弱敏无迹Kalman滤波的敏感性权重矩阵,将状态估计误差对不确定参数的敏感性加入滤波的代价函数,并通过最小化该代价函数得到滤波增益矩阵的解析解,...