一种新的混合智能粒子滤波算法在雷达机动目标跟踪中的应用

标准粒子滤波算法的精度不高,鲁棒性差标准粒子滤波算法的精度不高,鲁棒性差难以满足雷达目标跟踪的要求。本文提出了一种新的适用于雷达目标跟踪的智能粒子滤波算法,在粒子滤波中先利用人工鱼群的全局收敛性找到满意的解域,再利用粒子群算法引导粒子向高斯然区域移动,提高滤波精度。仿真表明该算法可以在强闪烁噪声下有效地跳出局部最优,搜索到理想的粒子最优值,提高雷达机动目标跟踪的精度。     

一种新的混合聚类算法

针对模糊C均值算法与粒子群算法的不足,提出了一种基于粒子群算法和模糊C-均值算法的混合聚类算法.该算法将全局搜索和局部搜索有机结合,采用两阶段的聚类分析方法,解决了FCM算法易于陷入局部最优和PSO算法局部搜索较弱的问题.实验结果表明,该算法具有较好的有效性,增强了全局收敛能力,减小了分类错误率.     

基于文化基因算法的多目标优化

针对粒子群算法收敛速度慢、求解精度低的不足,提出了将粒子群改进作为全局搜索,多目标模拟退火算法作为局部搜索的文化基因算法,将交叉和变异操作引入粒子群全局搜索中帮助跳出局部最优。对于多目标优化问题,根据非劣解的拥挤度决定最优值的选取策略,并将该算法用于多目标优化的实际求解中。仿真结果表明,该算法不仅能快速有效地得到Pareto解集,并且能有效地保持所求最优解的多样性。     

基于混沌搜索的AMPSO-WNN 在交流伺服系统中的应用

为解决大功率交流伺服系统存在非线性和参数时变等不确定性的问题,提出一种混沌搜索的自适应变异 粒子群优化小波神经网络的预测模型。建立交流伺服电机数学模型,利用不同变异方法使粒子趋近于不同的搜索区 域,引入混沌优化算法改进粒子群,采用基于混沌搜索的AMPSO-WNN 算法,以提高全局收敛的概率和速度。仿 真结果表明：优化后模型的预测精度高于优化前,且改进后算法具有较强的函数逼近能力,网络性能得到了显著提 高,局部极小值问题得到了有效解决。     

基于粒子滤波的巡航导弹中制导地形匹配算法和仿真

在分析地形匹配以及粒子滤波算法原理的基础上,针对地形匹配辅助导航的非线性、噪声的非高斯性,研究了粒子滤波结合Kalman滤波的算法.仿真结果表明,粒子滤波对处理非线性系统、非高斯噪声有较强的处理能力,可以提高地形匹配的精度.     

基于粒子滤波的巡航导弹中制导地形匹配算法和仿真

在分析地形匹配以及粒子滤波算法原理的基础上，针对地形匹配辅助导航的非线性、噪声的非高斯性，研究了粒子滤波结合Kalman滤波的算法。仿真结果表明，粒子滤波对处理非线性系统、非高斯噪声有较强的处理能力，可以提高地形匹配的精度。     

基于混合离散粒子群算法的多无人作战飞机协同目标分配

针对多无人作战飞机(UCAV)协同目标分配问题,提出了一种基于混合离散粒子群算法的多UCAV协同目标分配方法。混合离散粒子群算法根据多UCAV协同目标分配问题的特点,设计了新的粒子群位置和速度更新公式,并且充分利用粒子群优化算法的全局搜索能力,同时利用禁忌搜索的局部搜索能力,使2种算法的优势得到互补,较为显著地提升了原算法的性能。仿真结果表明:混合离散粒子群算法能够有效地解决多约束条件下多UCAV协同目标分配问题,并且算法简单、灵活,易于实现和扩展。     

基于组合粒子群算法的运载火箭弹道优化设计

提出一种基于粒子群算法和方向加速法组合成的PSO-Powell算法,能进行大范围搜索,其最优解具有全局收敛性。在该算法中,对粒子群算法的参数设置进行了改进,提升了其性能,并引入增广拉格朗日乘子法处理优化问题的约束条件,提高了最优解的精度。仿真结果表明PSO-Powell算法应用于运载火箭弹道优化设计具有良好效果,可以提升运载能力,具有一定工程应用价值。     

基于免疫克隆粒子群算法的无人机航迹规划

针对无人机飞行中可能遭遇突发移动威胁的情况,为了提高无人机路径规划的安全性和快速性,文中提出基于免疫克隆粒子群算法的航迹规划策略。该策略在标准粒子群算法中,结合变结构优化搜索理论,引入免疫克隆优化搜索。与同类路径规划算法的对比仿真发现,该策略有效改善粒子群算法的局部和全局搜索能力。仿真结果表明,文中提出的规划策略,满足无人机航迹规划需求,且在速度和安全性能两方面较其他算法更优。     

闪烁噪声环境下目标跟踪的UPF算法研究

介绍了一种改进的粒子滤波（PF）算法——无味粒子滤波算法（UPF）。该算法结合UKF（unscented Kalman filter）和PF算法,利用UKF对非线性系统的处理能力,用UKF得到粒子滤波的重要性采样密度函数,从而克服了PF没有考虑最新量测信息和UKF只能应用于噪声为高斯分布的不足。在给出的闪烁噪声统计模型基础上．将UPF、PF算法在雷达目标跟踪中进行了比较,仿真结果表明该方法可以取得比标准的粒子滤波更快的滤波收敛性和更高的滤波精度。     

改进的Rao-Blackwellized粒子滤波算法在目标跟踪中的应用

在雷达信号处理领域,运动目标跟踪问题一直是研究的重点,涉及的非线性滤波问题是难点所在;以RaoBlackwellized粒子滤波(RBPF)算法为基础,针对其应用于雷达目标跟踪时产生的若干问题进行研究,为提高算法的收敛性能及滤波精度,对其中重采样算法进行改进,利用数字仿真对更改后的算法进行验证,经过表明更改后的RBPF算法在各个方面均有较大程度改善。     

基于自适应混沌变异粒子群优化算法的旋转弹丸气动参数辨识

将最大似然准则应用于高速旋转弹丸的气动参数辨识问题中,提出一种新的自适应混沌变异粒子群算法求解该准则下的气动参数最优解,进而得到弹丸的气动参数。该算法通过自适应调整惯性权重、利用混沌优化的思想产生初始粒子、设定早熟判别机制来判断是否陷入局部最优解,并通过粒子变异的策略使其跳出局部最优解等方法进一步优化基本粒子群算法。通过常用的测试函数对该算法进行了测试,测试结果表明：相比于基本粒子群算法,该算法具有收敛速度快、寻优精度高、应用范围广等优点。利用系统仿真的方法模拟弹丸的自由飞行数据,并利用该数据结合所提算法对弹丸的主要气动参数进行辨识,辨识结果表明：该算法可以有效辨识弹丸的气动参数,且精度高,收敛速度快,可以应用于工程实际问题。     

基于遗传蚁群混合策略的PID控制器参数整定

传统的PID控制器参数整定方法或者需要对被控过程和控制规律有全面的先验知识,或者建立在要求具有连续导数的光滑搜索空间的基础上,或者容易"早熟"和收敛速度较慢。文中结合蚁群算法(ACO)和遗传算法(GA)各自的优点,提出了一种新型的蚁群算法(ACO)-遗传算法(GA)混合优化策略(ACO-GA)的PID参数优化方法。仿真应用研究表明:与非线性设计方法(NCD)以及蚁群算法相比,ACO-GA优化策略具有更强的寻优能力和快速收敛能力,是一种适用于工程应用的参数寻优方法。     

基于改进的粒子群优化扩展卡尔曼滤波算法的锂电池模型参数辨识与荷电状态估计

为解决锂电池荷电状态（SOC）难以精确估计的问题,提出了基于改进的粒子群优化扩展卡尔曼滤波（IPSO-EKF）算法预测电池SOC。为减小参数非线性特性影响,重新构建了EKF算法电池状态空间方程,以辨识出的电池模型参数为基础,获得SOC最优估计。采用IPSO算法优化EKF算法噪声方差矩阵,解决系统状态误差协方差矩阵和测量噪声协方差矩阵最优解获取难题,进一步提高SOC的估计精度。计算结果表明：IPSO-EKF算法能够精确地辨识电池模型参数和SOC值,并能够很好地修正状态变量初始误差。     

基于文化粒子群的图像配准优化算法

针对图像配准中采用互信息作为配准相似度函数存在配准精度小和收敛速度慢等问题,构造了一个基于最大化互信息的配准测度函数。结合一种适用于图像自动配准的文化粒子群优化(CPSO)算法,给出了一种新的图像配准算法。该算法将搜索空间设置成群体空间和信念空间,群体空间采用自适应粒子群算法完成进化,信念空间通过更新函数来进行演化。群体空间的粒子群不仅通过跟踪个体极值和全局极值来更新自己,还通过不断与信念空间中的优秀个体交互,加快群体的收敛速度。这就克服了图像配准中计算量过大、搜索速度慢等问题。大量实验表明,与现有的粒子群优化（PSO）算法配准算法相比,文中提出的算法具有较好的鲁棒性和配准精确率。     

基于径向基函数神经网络和无迹卡尔曼滤波的弹丸落点预报方法研究

为了能够在飞行数据不尽精确的情况下进行快速、准确的落点预报,提出一种基于径向基函数（RBF）神经网络和无迹卡尔曼滤波技术的弹丸落点预报方法。使用RBF神经网络逼近外弹道方程用以预报弹丸落点,并用改进型量子行为粒子群算法优化网络结构和权阈值,在此基础上对基于神经网络的初步预报数据进行滤波处理。最后进行预报仿真,在输入数据有噪声的情况下依然得到了较高的预报精度,从而证明该方法对预报弹丸落点是有效可行的,为弹丸的落点预报的实际应用提供了参考。     

基于模糊自适应互补滤波的姿态解算算法

在互补滤波姿态解算算法中,如果将滤波器参数设置为固定值,加速度计测量值包含振动噪声和运动加速度会影响姿态解算效果;针对此问题,首先根据加速度计测量值的模值对姿态解算算法进行改进,然后根据加速度计测量值求取的误差能反应载体运动状态这一特性,提出了一种模糊自适应互补滤波姿态解算算法;仿真试验表明:     

基于平方根卡尔曼滤波的粒子滤波算法

在普通粒子滤波器中,基于先验概率的重要性密度不能容纳最新测量信息,导致跟踪精度难以提高。针对该问题,给出一种基于平方根卡尔曼滤波(SRUKF)的新型粒子滤波算法(SRUPF)。该算法以普通粒子滤波器(PF)为基础,运用SRUKF生成重要性密度。与运用先验知识生成重要性密度的普通粒子滤波器不同,SRUPF的重要性密度中包含了最新的观测信息,从而能够更好地逼迫状态变量的分布规律。此外,由于SRUPF在计算重要性密度时不需要在每一个迭代步骤都对状态协方差阵进行分解,因而SRUPF比PF具有更好的数值稳定性。在非线性测角跟踪问题中的应用表明:SRUPF滤波器的跟踪精度优于PF和SRUKF。     

基于改进粒子群优化算法的网络化仿真任务共同体服务选择

作为网络化仿真中新的应用需求,如何动态地把散布在网络上各种服务整合起来以形成新的、满足不同用户需求的仿真任务共同体(STC)成为了当前研究热点。提出了一种基于粒子群优化（PSO）算法的仿真服务选择方法,针对传统PSO易陷入局部最优和收敛速度慢等不足,设计了一种惯性权重动态变化策略和一种可选的变异操作方法。该算法不仅能提高服务选择收敛速度,还能避免算法陷入局部最优。通过实验,采用典型函数进行了测试,并详细介绍了算法在STC服务选择上的实际运用,说明了算法的可行性和有效性。