排序方式: 共有6条查询结果,搜索用时 15 毫秒
1
1.
在北斗定位系统/惯性导航系统(BDS/INS)中,由于非线性噪声、精确构建运载体模型困难等原因,经卡尔曼滤波,列车的速度曲线会有部分信息损失,导致定位信息不准确。因此,提出了基于小波神经网络辅助的卡尔曼滤波法。神经网络的输入是卡尔曼滤波前的信号,其输出是滤波后的信号。考虑影响小波神经网络精度的因子,对权值、阈值和学习率进行了优化。在此基础上,通过加入对数函数对学习率进行改进,利用遗传算法(GA)和粒子群优化(PSO)算法组合优化权值和阈值。实例仿真表明,经过优化的小波神经网络提高了收敛速度、定位精度,同时在保持原速度波形的整体趋势前提下,降低了因滤波导致的信号误差。 相似文献
2.
针对高速列车自动驾驶系统,采用基于天牛须粒子群(BAS-PSO)优化自抗扰控制(ADRC)的算法,设计速度跟踪控制器。基于列车动力学模型设计自抗扰控制器,并以ITAE作为目标函数,利用BAS PSO实现参数整定。选用CRH380A型动车组参数,通过MATLAB进行仿真验证,对比BAS-PSO、PSO以及改进鲨鱼优化ADRC算法对列车目标速度曲线的追踪效果,其中基于BAS-PSO优化ADRC算法的列车目标速度曲线跟踪误差保持在±0.4 km/h的范围内,相比另外两种算法更加紧密地贴近目标速度曲线。结果表明,基于BAS-PSO优化ADRC具有跟踪误差小、抗干扰能力强的优点。 相似文献
3.
4.
H∞滤波与Kalman滤波的对比研究 总被引:4,自引:0,他引:4
在一般情况下,Kalman滤波技术应用得比较广泛。然而,在系统模型和噪声统计特性存在不确定性的条件下,Kalman滤波的应用就受到了一些限制,而H∞滤波可有效地解决Kalman滤波所遇到的问题,不仅估计精度高,而且还具有鲁棒性。本文首先简单介绍了H∞滤波和Kalman滤波,然后又分为三个方面对二者的性能进行了比较分析。 相似文献
5.
6.
1