Adaptive Kalman filter for MEMS IMU data fusion using enhanced covariance scaling

MEMS (micro-electro-mechanical-system) IMU (inertial measurement unit) sensors are characteristically noisy and this presents a serious problem to their effective use. The Kalman filter assumes zero-mean Gaussian process and measurement noise variables, and then recursively computes optimal state estimates. However, establishing the exact noise statistics is a non-trivial task. Additionally, this noise often varies widely in operation. Addressing this challenge is the focus of adaptive Kalman filtering techniques. In the covariance scaling method, the process and measurement noise covariance matrices Q and R are uniformly scaled by a scalar-quantity attenuating window. This study proposes a new approach where individual elements of Q and R are scaled element-wise to ensure more granular adaptation of noise components and hence improve accuracy. In addition, the scaling is performed over a smoothly decreasing window to balance aggressiveness of response and stability in steady state. Experimental results show that the root mean square errors for both pith and roll axes are significantly reduced compared to the conventional noise adaptation method, albeit at a slightly higher computational cost. Specifically, the root mean square pitch errors are 1.1? under acceleration and 2.1? under rotation, which are significantly less than the corresponding errors of the adaptive complementary filter and conventional covariance scaling-based adaptive Kalman filter tested under the same conditions.     

Neural network-based adaptive decentralized learning control for interconnected systems with input constraints

In this paper, the neural network-based adaptive decentralized learning control is investigated for nonlinear interconnected systems with input constraints. Because the decentralized control of interconnected systems is related to the optimal control of each isolated subsystem, the decentralized control strategy can be established by a series of optimal control policies. A novel policy iteration algorithm is presented to solve the Hamilton–Jacobi–Bellman equation related to the optimal control problem. This algorithm is implemented under the actor-critic structure where both neural networks are simultaneously updated to approximate the optimal control policy and the optimal cost function, respectively. The additional stabilizing term is introduced and an improved weight updating law is derived, which relaxes the requirement of initial admissible control policy. Besides, the input constraints of interconnected systems are taken into account and the Hamilton–Jacobi–Bellman equation is solved in the presence of input constraints. The interconnected system states and the weight approximation errors of two neural networks are proven to be uniformly ultimately bounded by utilizing Lyapunov theory. Finally, the effectiveness of the proposed decentralized learning control method is verified by simulation results.     

基于NAR神经网络的船舶运动姿态短期预测

船舶在海上作业的过程中,不可避免地会受到风浪的扰动影响,风浪扰动可以分解到船舶运动的六个自由度上,而船舶的六自由度运动是一个复杂的非线性过程.借助预测算法可以对船舶短时间后的运动状态进行预测,从而更好辅助在船舶上的工作活动.为了提升船舶运动姿态的预测精度,建立了非线性自回归(NAR)神经网络模型,并利用NAR模型对船舶运动姿态进行预测仿真,将仿真结果与AR预测法的结果进行对比.仿真结果分析表明,基于NAR神经网络模型的预测算法与传统的基于AR模型的预测算法相比,精度更高,更具有实用价值.     

考虑供给侧和需求侧的公交车充电时段调度策略

为分析区域充电行为和时间的规律,通过蒙特卡罗法对市北电网所辖国江场的充电负荷进行预测.综合考虑需求侧和供给侧的收益,以电动公交车(Electric Bus,EB)的充电状态为决策变量,建立计及多因素的EB充电时段调度策略优化模型.设计基于粒子群算法(Particle Swarm Optimization,PSO)的模型求解流程,在国江淞行站的案例中,合理规划出EB的初始充电时间,改善了电流峰谷差、电流方差和充电成本等指标,避免了大量EB在夜间同一时间集中充电造成电网"峰上加峰"的现象.     

利用置信规则库构建WSN节点故障检测模型

在无线传感器网络(wireless sensor network, WSN)节点故障检测领域的研究过程中,故障检测准确率会受节点数据的不确定性和专家知识模糊性的影响。针对这一问题,本文提出了一种基于置信规则库(belief rule base, BRB)的WSN节点故障检测方法。首先,根据WSN工作原理及节点工作特性描述WSN节点故障检测过程;然后,从空间和时间2个维度对节点数据提取特征,建立基于空间和时间相关性的WSN节点故障检测模型;最后,利用Intel Lab Data无线传感器数据集进行案例研究以验证模型的有效性。结果证明,本文方法能够统筹利用专家知识和节点数据实现WSN节点故障检测。     

基于评分填充和时间的加权Slope One算法

针对数据稀疏性,常用的评分矩阵填充方法主要是通过平均数、中位数等进行填充,该文提出一种新的评分矩阵填充方法。利用项目-属性矩阵计算用户对项目属性偏好,由于每个项目都有各自属性,从而可以获得用户对项目的偏好值,以用户平均评分为基准,实现对评分矩阵填充。基于填充后的评分矩阵,又考虑到用户兴趣爱好随时间会发生改变,因此引入时间因子,提出一种基于评分矩阵填充和时间因子的加权slope one算法(FTWSOA)。通过时间函数修正评分矩阵,优化的评分数据可以更好地体现用户兴趣爱好随时间变化的情况。在时间加权的评分矩阵下,计算出属性兴趣偏好,在共同评分很少甚至没有时,利用属性兴趣偏好可以较为准确地计算用户相似度。由于在共同很少或者没有时,原始评分矩阵中用户没有交集,而在属性兴趣矩阵下用户会存在交集,因此,使用参数λ将填充矩阵下的用户相似度和属性兴趣偏好矩阵下的用户相似度相结合得到最终的用户相似度,可以缓解在稀疏数据下相似度计算性能差的问题,最后使用加权slope one预测评分时,将时间衰减函数加入到预测公式中来优化预测评分公式。通过在MovieLens100k数据集上的实验表明,相比于其他算法,FTWSOA算法准确度有所提高。     

一种非视距环境下的目标定位算法

针对机器人、无人机和其他智能系统的位置信息,研究了非视距(non line of sight, NLOS)环境中基于到达时间(time of arrival,TOA)测距的目标定位问题。在建模过程中,通过引入平衡参数来抑制NLOS误差对定位精度的影响,并成功将定位问题的形式与一个广义信赖域子问题(generalized trust region subproblem,GTRS)框架进行耦合。与其他凸优化算法不同的是,本文没有联合估计目标节点的位置和平衡参数,而是采用了一种迭代求精的思想,算法可以用二分法高速有效地进行求解。 所提算法与已有的算法相比,不需要任何关于NLOS路径的信息。此外,与大多数现有算法不同,所提算法的计算复杂度低,能够满足实时定位的需求。仿真结果表明:该算法具有稳定的NLOS误差抑制能力,在定位性能和算法复杂度之间有着很好的权衡。     

基于相关性的多维时序数据异常溯源方法

提出一种基于统计学相关性分析的多维时序异常数据检测分析方法,以对检测中表现为异常的数据进行溯源:对反映系统故障的数据和传感器质量问题的数据进行分类,进而识别出真正的系统故障,避免误检.首先根据相关关系构建时序相关图,再进一步归纳为时序相关环模型,通过在时序相关图上搜索并确定时序相关环的过程,提取时序相关环中的特征,得到时间序列相关性集合.进而利用时间序列相关性集合进行时序数据异常来源检测,根据检测结果评估时序传感器数据对应的系统故障的几率.在真实的工业设备传感器序列数据集上进行大量实验,实验结果验证了该方法在高维时序数据的异常检测任务上的有效性.通过对比实验,验证了该方法从稳定性和效率上优于基于统计和基于机器学习模型的基准算法,时间序列的维度越高,该方法较基准算法的提升越明显.该方法通过对多维时序数据相关性知识的挖掘,既节约了计算成本,又实现了对多维异常数据来源的精准识别.     

融合短文本层级注意力和时间信息的推荐方法

信息过载造成的数据稀疏性问题制约着基于评分数据的矩阵分解模型的推荐性能,融合评论文本的推荐模型能够有效缓解评分数据稀疏性.当前的推荐系统利用评论文本为用户和项目建模时,大多仅将用户对项目的评论作为数据来源,而忽视了时间信息对用户和项目属性的影响.针对此问题,提出了一种融合短文本层级注意力和时间信息的推荐方法(RHATR),该方法能够充分地挖掘评论文本潜在的语义信息,并为用户偏好和项目特征的动态变化进行建模.通过对单条评论文本应用单词级注意力,挖掘单条评论文本中情感词和关键词等有效信息,学习用户和项目表示;对含有时间因素的用户评论集和项目评论集分别应用评论级注意力,提取有效的评论,进一步学习用户偏好和项目特征动态表示.将从评论文本中学到的用户和项目表示以及基于ID的项目和用户嵌入作为最终特征,来捕获各用户和项目的潜在因素.实验结果表明,提出的方法相对于当前基线方法在Amazon和Yelp数据集上的均方根误差(RMSE)取得了较好的效果.