基于BP神经网络的Kalman滤波算法的改进

针对传统的Kalman滤波算法在机动较强的目标跟踪中误差变大甚至发散的缺点,考虑到BP神经网络具有较强的非线性逼近能力,提出了用BP神经网络辅助Kalman滤波的新算法,仿真表明该算法优于传统的Kalman滤波算法.     

光电跟踪系统纯角度滤波器的设计

为了在不增加硬件的条件下改善光电跟踪系统的性能,提出了仅基于目标角度信息的状态估计方法,设计了纯角度跟踪滤波器.首先,分析了带有激光测距仪的红外跟踪系统的工作机理;针对目标机动性特点,建立了球坐标系下目标的“当前”机动模型.然后,针对纯角度跟踪过程中高频图像序列存在复杂噪声干扰的问题,采用集员估计的方法对目标状态模型进行了补偿和调整,并在此基础上设计了自适应椭球滤波算法.最后,以舰载光电跟踪系统对来袭目标的跟踪为例进行了仿真.对比实验结果表明,对于复杂噪声条件下的强机动目标,在激光测距仪回波率为50％的情况下,利用基于自适应椭球滤波算法的纯角度滤波器进行辅助跟踪,可以实现方位(俯仰)角度估计均方差≤0.6 mrad的稳定跟踪,效果显著优于传统滤波方法,具有良好的工程实用价值.     

基于IMM模型的目标跟踪算法

在机动目标跟踪方法中,为避免具有机动检测的跟踪算法产生的估计时间延迟和机动检测过程中跟踪性能的降低,采用基于交互式多模型(IMM)的自适应机动目标跟踪算法,通过2个目标模型的交互作用来实现对目标机动状态的自适应估计.在工程上,将基于CV和"当前"统计模型的IMM算法应用在某导航雷达跟踪系统中,经验证IMM算法对匀速直线运动、机动运动目标跟踪均能取得较好的效果.     

基于IMM模型的目标跟踪算法

在机动目标跟踪方法中,为避免具有机动检测的跟踪算法产生的估计时间延迟和机动检测过程中跟踪性能的降低,采用基于交互式多模型（IMM）的自适应机动目标跟踪算法,通过2个目标模型的交互作用来实现对目标机动状态的自适应估计。在工程上,将基于CV和＂当前＂统计模型的IMM算法应用在某导航雷达跟踪系统中,经验证IMM算法对匀速直线运动、机动运动目标跟踪均能取得较好的效果。     

基于IMM模型的目标跟踪算法

在机动目标跟踪方法中,为避免具有机动检测的跟踪算法产生的估计时间延迟和机动检测过程中跟踪性能的降低,采用基于交互式多模型（IMM）的自适应机动目标跟踪算法,通过2个目标模型的交互作用来实现对目标机动状态的自适应估计。在工程上,将基于CV和＂当前＂统计模型的IMM算法应用在某导航雷达跟踪系统中,经验证IMM算法对匀速直线运动、机动运动目标跟踪均能取得较好的效果。     

分布式Unscented粒子滤波跟踪

提出了一种新的分布式粒子跟踪算法,该算法主要考虑传感网络能量受限、通信受限等特性,改善了通常的分布式粒子滤波粒子数目大、节点间信息交换多的弊端,能够用较少的节点计算得到对机动目标更好的跟踪结果,实现了改进的分布式粒子滤波(DUPF).DUPF算法的主要思想是利用Unscented Kalman滤波改进分布式粒子滤波算法形成一个建议分布,用来生成粒子分布,在这个基础上,通过分布式粒子滤波实现目标的在线跟踪.仿真实验表明,和分布式粒子滤波相比,DUPF只需要其25%的粒子数目就能达到同样的跟踪精度,即可用较少的节点和通信消耗,实现高精度的目标跟踪.     

一种带渐消因子的自适应“当前”统计模型

光电经纬仪对目标跟踪时,目标突发机动时的跟踪效果较差.为此设计了一种带渐消因子的自适应"当前"统计模型.引入渐消因子增强其对突发机动的自适应跟踪能力和其鲁棒性,改进的"当前"模型改善了普通"当前"模型对一般机动目标的跟踪性能.仿真结果表明,和一般"当前"统计模型算法相比,本文提出的算法明显提高了对目标突发机动的跟踪性能.     

基于截断正态概率密度模型的简化UKF目标跟踪算法

针对机动目标跟踪问题,在截断正态概率密度模型的基础上,提出了一种简化的UKF滤波算法.该算法采用Kalman滤波替代UKF算法中的时间更新,而保留UKF算法中的量测更新.仿真结果表明,简化UKF算法跟踪精度与标准UKF算法几乎相同,但计算效率却提高了32.2％.     

基于视觉的机动目标定位跟踪的滤波算法

在视觉定位系统中，由于各种噪声的影响，运动目标的三维位置和姿态的计算精度受到一定限制。为了提高运动物体的定位跟踪精度，提出了一种有效的滤波算法。和已有的方法相比，这种算法具有以下两个特点：第一，不再局限于平缓运动的物体，它对于未知运动规律的机动目标同样有效，第二，由于避免了扩展卡尔曼滤波器的使用，滤波复杂度有所下降。通过分析噪声对位姿计算误差的影响，建立了一组描述位姿测量值和真实值关系的线性测量方程。然后，分别给出了两种滤波算法：基于有限记忆的检测自适应滤波和基于数值微分模型的卡尔曼滤波。在检测自适应滤波算法中，给出了分别适用于快机动和慢机动的最优机动检测函数。一旦检测出机动发生，系统采用有限记忆滤波进行矫正。在第二种滤波算法中，系统采用数值微分技术构造出了描述机动目标运动行为的鲁棒估计模型。并且，引入了衰减因子，以防止滤波器的发散现象。该衰减因子可以根据位姿计算值自适应估计。最后，通过伪贝叶斯估计算法，将两种滤波器进行数据融合，有效的降低了机动时刻位姿估值的误差抖动，进一步提高了定位跟踪精度。仿真结果验证了本算法的有效性。     

Rao-Blackwellized粒子滤波的红外多个弱目标检测前跟踪

针对红外图像低信噪比下数目可变的多个弱目标的检测与跟踪问题,提出了基于Rao-Blackwellized粒子滤波器(RBPF)的多目标检测前跟踪算法.对每个目标利用RBPF把状态变量分解为线性变量与非线性变量,分别进行Kalman滤波与基本粒子滤波.将已出现目标的状态构成新目标的约束初始化函数,多个滤波器并行跟踪多个弱目标.对红外图像弱目标的仿真实验表明,约束初始化可以避免已有目标的干扰,RBPF可以减小状态变量的的估计误差, RBPF的检测性能优于10倍粒子数PF的性能,对单目标进行检测前跟踪平均每帧耗时为0.3287秒,可以满足实时处理的要求。新方法在不同空间位置的实验对比中,出现延迟,消失延迟和均方根误差等参数对比也验证了算法的有效性.     

从光电容积图中提取脉搏率、呼吸率和心率的新方法

光电容积描记图(PPG)是一种利用光学技术无创检测人体心血管脉搏波的方法。PPG信号来源于MIMIC数据库,它含有许多生理信息。本文提出了将集合经验模态分解(EEMD)、倒谱、快速傅里叶变化和过零点检测相结合的方法,从PPG中可靠地估算脉搏率(PR)、心率(HR)和呼吸频率(RR)。首先,将PPG信号通过EEMD分解为有限个固有模态函数(IMF)。因为EEMD有自适应滤波特性,所以估算不同的生理参数时,可以用不同的IMF分量来重构信号。其次,估算脉搏率时,舍去低频含有伪迹的IMF,再通过过零点检测可以得到瞬时脉搏率。然后,估算心率时,用1 Hz~1.67 Hz(60次/分钟~100次/分钟)的IMF来重构信号,再求倒谱,选取反映心脏活动的频带来得到心率。最后,估算呼吸率时,用0.05 Hz~0.75 Hz(3次/分钟~45次/分钟)的IMF来重构信号,然后对呼吸信号求快速傅里叶变化得到频谱图,寻找频谱图中的峰值得到呼吸率。对来自MIMIC数据库的53个成人PPG信号进行了仿真。仿真结果表明使用该综合信号处理方法提取的生理参数与实际生理参数一致,且该方法有运算量小,精确度高的优点(误差不超过1.17%)。     

应用序列二次规划的波达方向与多普勒频率联合估计

为了快速准确地联合估计阵列信号波达方向(DOA)与多普勒频率,提出了将序列二次规划(SQP)应用于最大似然函数优化的联合谱估计算法。该方法利用空时信号模型通过Hankel矩阵构造出阵列流型中包含DOA与多普勒频率信息的广义天线阵模型,并推导出其最大似然函数,从而将参数估计问题转化为非线性函数优化问题。然后,将SQP方法应用于似然函数的优化求解中,得到DOA与多普勒频率的估计值。最后应用SQP方法、微分进化法、遗传算法和量子粒子群算法分别进行了优化的仿真对比实验。结果表明:提出的算法具有寻优时间短,估计精度高,参数自动配对等特点,在信噪比为0dB时估计两个目标信号源的DOA与多普勒频率的均方根误差分别为0.263 6°和0.007 6rad,基本达到了阵列信号处理中参数联合估计方法的设计要求。     

基于 BOTDR 散射谱的应变提取方法研究

针对布里渊后向散射原理的应变传感系统信号检测方法进行研究,目前该领域信号检测方法普遍存在计算量大,精度不高,耗时大等诸多问题,提出了一种自适应梯度下降算法(Adam算法)对布里渊散射信号进行拟合计算,同时搭建了外差相干检测的布里渊应变测量系统。实验结果表明,用Adam算法拟合散射谱曲线后解调的平均应变误差为24.89με,是高斯-牛顿算法拟合曲线最大应变误差的51.96%,是列文伯格-马夸尔特算法拟合曲线最大应变误差的57.42%;Adam算法拟合散射谱曲线的拟合度佳(0.998 9),均方根误差小(0.110 5)拟合测量的精密度高,而且信号处理时间仅为18.5 ms。研究结果对布里渊散射传感技术高精度数据特征提取提供了理论和实验依据。     

基于光纤光栅阵列和MVDR算法的声发射定位

基于光纤光栅(FBG)传感器网络构建了声发射检测系统,并提出了最小方差无失真响应(MVDR)的声发射源定位方法。构建的系统由7个FBG传感器组成传感器线阵列,采用未经平坦的放大自发辐射(ASE)光源边缘滤波实现信号解调。利用Shannon小波变换从频散复杂的声发射信号中提取窄带信号,并基于MVDR算法扫描整个监测区域获取空间谱。根据空间谱函数计算输出值,并将计算的输出值作为像素值。最后,通过提取空间谱中的最大值的坐标确定声发射源的位置。在LY12铝合金板上进行了实验验证。结果表明,该方法在400mm×400mm的区域内,声发射定位的最大误差为9.4mm,平均误差为7.2mm,耗时小于3s。该系统具有较高的实时性和定位精度,是一种声发射源定位的新方法。     

基于 JPDA 算法的多机动目标航迹跟踪研究

针对传统多机动目标航迹跟踪算法精度不高的问题,提出基于 JPDA 的多机动目标航迹跟踪算法。首先计算两目标的互联概率,然后对加权值进行处理,最后得到目标航迹,并对航迹进行仿真。结果表明,本文所提出的算法具有较高的跟踪精度,可为多目标航迹跟踪实现提供了参考。     

综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱，在强背景噪声下难以有效提取的问题，提出了一种改进奇异谱分解（ISSD）结合奇异值分解（SVD）的齿轮故障特征提取方法。针对奇异谱分解（SSD）算法中模态参数需凭经验选取的缺陷，基于散布熵优化算法对SSD算法进行了改进，在得到既定的一组奇异谱分量的基础上，根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理，采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征，将所提方法运用到仿真信号和齿轮实测信号中，并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析，结果表明，所提方法的降噪和特征提取效果更佳，能够更加有效地实现齿轮故障的判别。     

红外传感器跟踪目标滤波算法探讨

概率数据关联滤波器(PDAF)算法用于杂波环境下时,目标跟踪存在跟踪机动目标能力低,位置误差大,协方差也大等问题;为了解决这些问题,在PDAF算法的基础上,提出了定向概率数据关联滤波器(DPDAF)算法;在不改变PDAF滤波算法的情况下,通过引入目标预测的夹角,在PDAF中增加检测方向,通过修改PDAF的似然函数,从而得到DPDAF算法;最后通过计算机仿真,DPDAF算法跟踪机动目标的能力高于传统的PDAF算法,提高了算法的跟踪性能。     

Particle swarm optimization algorithm to solve the deconvolution problem for rolling element bearing fault diagnosis

Extraction of the fault related impulses from the raw vibration signal is important for rolling element bearing fault diagnosis. Deconvolution techniques, such as minimum entropy deconvolution (MED), MED adjusted (MEDA) and maximum correlated kurtosis deconvolution (MCKD), optimal MED adjusted (OMEDA) and multipoint optimal MED adjusted (MOMEDA), are typical techniques for enhancing the impulse-like component in the fault signal. This paper introduces the particle swarm optimization (PSO) algorithm to solve the filter of deconvolution problem. The proposed approaches solve the filter coefficients of the deconvolution problems by the PSO algorithm, assisted by a generalized spherical coordinate transformation. Compared with MED, MEDA, and OMEDA, the proposed PSO-MED and PSO-OMEDA can effectively overcome the influence of large random impulses and tend to deconvolve a series of periodic impulses rather than a signal impulse. Compared with MCKD and MOMEDA, the proposed PSO-MCKD and PSO-MOMEDA can achieve good performances even when the fault period is inaccurate. The effectiveness of the proposed methods is validated by the simulated signals. The study of experimental bearing fault signal shows that the PSO based deconvolution methods delivered better performance for rolling element bearing fault detection than the traditional deconvolution methods. Additionally, the proposed methods are compared with the following two popular signal processing methods: the ensemble empirical mode decomposition (EEMD) and fast kurtogram, which are used to highlight the improved performance of the proposed methods.