生物力学模型导引的心肌运动与材料参数对偶估计

针对传统心脏图像分析方法割裂运动分析和材料分析的局限性和扩展卡尔曼滤波器联合算法引入互协方差矩阵具有收敛慢的问题,提出基于卡尔曼滤波器和扩展卡尔曼滤波器的对偶滤波器算法,该方法用有限元方法表达心脏求解域,连续生物力学模型作为逆问题的约束,在状态空间框架下将运动状态向量和材料参数向量分别置于2组状态空间方程中,用相应的滤波器进行交替迭代估计,从而实现心肌运动状态和材料参数的同时重建.结果表明,该方法能够有效地提高估计精度和收敛速度,缩短计算时间.     

一种改进的变步长LMS自适应滤波算法

针对自适应滤波领域的最小均方(Least Mean Square,LMS)算法无法权衡稳态误差和收敛速度这一矛盾,提出了一种改进的变步长LMS自适应滤波算法.该算法在基于对数函数的变步长LMS算法的基础上,建立了一种新的步长参数与误差的关系模型.仿真结果表明,提出算法与已有算法相比,能够达到更高的收敛精度及更快的收敛速...     

谱估计中解析公式与卡尔曼滤波比较研究

功率谱估计中,解析公式法由于未能解决白噪声与系统输出之间的相关性问题,计算结果误差较大且稳定性较差,为此在谱估计中引入Kalm an滤波.对于某一给定的AR过程来设计Kalm an滤波器,在滤波器的迭代运算中把AR过程的激励和AR过程的系统输出作为滤波器的输入、白噪声作为滤波器参数,并将该滤波器融合于谱估计的计算当中.仿真结果表明,与解析公式相比,Kalman滤波计算精度和结果稳定性都有较大提高,可以作为解决此类问题的选择之一.     

基于核函数正则粒子滤波的SLAM算法在无人机导航定位中的应用研究

传统EKF、UKF、粒子滤波算法在解决航空无人机导航定位非线性问题时存在误差大、定位估计精度低等问题,提出了一种核函数正则粒子滤波算法,选取近地面航行,观测x,y方向的位置,并对SLAM非线性模型进行估计.实验数据表明,采用核函数正则粒子滤波算法由于保持了采样粒子的多样性与代表性,保证了在给定模型参数初值下,模型对载体速度和位置信息的跟踪估计能力,其精度比扩展卡尔曼算法的滤波精度高很多;另外,新算法对姿态角估计误差均收敛于0°～1°范围,之后趋近于0°.对于传统滤波算法对载体的航向角误差估计,在整个仿真时间内,其误差值均大于核函数正则算法的误差估计.新算法较传统粒子滤波算法,其滤波精度较高,且算法稳定性与收敛性更强.     

自校正控制的虚拟等价系统理论

用虚拟等价系统理论统一分析基于任意控制策略和任意参数估计算法的自校正控制系统的稳定性和收敛性．对于各种被控对象(确定、随机、最小相位、非最小相位),只要控制策略满足常规条件,即控制策略对参数估计得到的模型构成稳定闭环系统,则自校正控制系统当采用适当低阶模型,参数估计不收敛时也有可能稳定和收敛,参数估计的取代条件为有界、慢时变以及参数估计误差为相对无穷小量(相对于回归向量范数)．     

基于迭代CDKF的单站无源定位算法

针对单站无源定位系统存在滤波稳定性差、收敛速度慢和定位精度差等问题,提出一种迭代中心差分卡尔曼滤波算法.在迭代判决准则的约束下,重复利用观测信息对状态向量和误差协方差矩阵进行迭代估计使其更趋向真实值,同时用Levenberg-Marquardt优化方法调整预测误差协方差阵,保证算法的全局收敛.仿真结果表明,在不同参数测量精度条件下,该算法稳定性、收敛速度和定位精度较好.     

鲁棒支持向量机及其稀疏算法

基于非凸光滑损失的鲁棒支持向量机分类模型对异常点具有鲁棒性,但已有求解算法需迭代求解二次规划,计算量大且收敛速度慢,不适合训练大规模数据问题。为了克服这些缺点,首先给出收敛速度更快的方法求解鲁棒支持向量机模型;然后基于最小二乘的思想,提出了一种推广的指数鲁棒最小二乘支持向量机模型及其快速收敛的求解算法,并从理论上解释了模型的鲁棒性;最后利用核矩阵的低秩近似,提出了适于处理大规模训练问题的稀疏鲁棒支持向量机算法和稀疏指数鲁棒最小二乘支持向量机算法。实验结果表明,新算法在收敛速度、测试精度和训练时间等方面均优于相关算法。     

基于支持向量机的控制图异常模式参数估计

针对控制图5种异常模式的6个参数,提出基于一对一算法的多类分类支持向量机的控制图异常模式下的参数估计方法。在模型构造中采用遗传算法优化支持向量机的参数。仿真实验结果表明,该方法结构简单,收敛速度快,具有较高的识别精度,适合于控制图异常模式的参数估计。     

基于变权新息协方差的自适应卡尔曼滤波器

针对传统卡尔曼滤波器鲁棒性差,无法实时精确跟踪系统突变状态的现实,设计了一款基于变权新息协方差的自适应卡尔曼滤波器。在传统卡尔曼滤波器的基础上,分析了突变状态无法跟踪的缘由;基于滤波发散判据,分析储备系数与均权新息协方差之间的关系,对状态突变程度进行分层;基于Sage-Husa估计原理与加权最小二乘准则,对于不同程度的突变状态,采用实时调整各历元新息协方差权重的策略,优化渐消因子,激活滤波增益,增权量测新息。实例研究表明,自适应卡尔曼滤波器鲁棒性强,能够精确跟踪系统突变状态,其状态收敛速度优于抗差卡尔曼滤波器,稳态精度提升了42.05%。     

变结构遗传最小二乘支持向量机法预测日用水量

为解决日用水量预测模型的动态参数估计问题,提出了基于变结构遗传最小二乘支持向量机的预测模型.以日用水量的主要影响因素和相关日用水量为输入,利用遗传算法对基于LSSVM的历史日用水量模型参数进行寻优,获得模型结构参数序列;采用扩展卡尔曼滤波器估计基于最小二乘支持向量机的预测日用水量模型参数,进而预测下一日用水量.实例分析表明:提出的模型具有较高的预测精度,预测的最大绝对相对误差仅为9.3%,平均绝对相对误差为2.09%.     

场景自适应的红外焦平面阵列非均匀性校正新方法

提出了一种基于神经网络的红外焦平面阵列 (IRFPA) 非均匀性自适应校正方法,重新设计了隐含层结构以获得更接近真实信号的期望信号,此外,还将变步长归一化LMS (VSS-NLMS)自适应滤波技术引入到校正参数的迭代估计过程中,以实现对校正速度和稳定性的提升．实验结果表明,该方法在校正精度、收敛速度和稳定性方面的性能均显著优于传统的神经网络校正算法．     

基于仿射投影算法的AR模型参数估计方法

为取得更有效的预报效果,在深入分析传统LMS（Least mean square）算法的基础上,提出利用仿射投影算法对AR模型参数进行自适应估计,利用实测的动态数据结合AIC（Akaike information criterion）准则建立自适应AR（Autoregressive）预报模型,并将该模型应用于船舶运动预...     

内模自适应卡尔曼滤波新方法及其在GPS信号估计中的应用

针对混杂有确定性扰动分量的随机信号处理问题,提出一种基于内模的自适应卡尔曼滤波新方法──－内模自适应卡尔曼滤波法．首先将待估有用信号和观测数据中的确定性扰分量分别以分段正弦曲线拟合方 式建立各自的内模,并将这些内模的参数作为增广状态变量形成新的非线性系统模型．然后采用迭代型推广卡 尔曼滤波算法,同时实现有用信号及扰动内模参数的实时跟踪．机动目标跟踪的ＧＰＳ定位信号估计应用表明, 与现有方法相比新方法可显著提高定位精度．     

自适应FIR滤波器的算法研究

针对有限脉冲响应(finite impulse response,FIR)数字滤波器结构的优化问题,通过在系统辨识模型中的应用,将粒子群优化算法(particle swarm optimization,PSO)与传统自适应最小均方(LMS)算法和递归最小二乘(RLS)算法仿真结果进行对比.实验结果表明了3种算法在不同的应用环境和条件下具有各自的优越性,为今后自适应滤波算法的选择提供了一定的参考信息.仿真结果中PSO算法在低阶滤波器应用中具有快速的收敛性、较高的计算精度以及低复杂度等特点,可以将其作为均衡算法对偏振膜色散进行补偿,为这一研究方向提供了新的思路和方法.     

RBF神经网络算法在汽油机空燃比控制中的比较

选择具有多干扰和复杂非线性的汽油机空燃比为控制对象,对径向基函数(RBF)神经网络的RLS和LMS在线算法,从训练速度、抗干扰能力、控制精度三个方面,在MATLAB下进行了仿真比较。结果表明:在用离线训练的网络参数作为初始值、且不调整RBF中心值和宽度向量时,RLS算法优于LMS算法。     

基于变分贝叶斯推断的半盲信道估计

现有MIMO中继通信系统中,基于张量分解的半盲信道估计不能有效地将信道先验信息引入估计过程中,为此提出一种基于变分贝叶斯推断的信道估计算法.该算法首先利用NP(Nested PARAFAC)张量模型,引入有效精度、噪声精度等隐性超参数,建立信道估计概率图模型;由于所求信道参数后验概率分布较为复杂,传统最大似然和最大后验等点估计方法难以实现,算法采用变分贝叶斯推断,推导出信道矩阵、有效精度及噪声精度的递推公式,使具有因子分解形式的q分布逼近所求信道参数的后验分布;并分析了模型证据的下界、模型的初始化及算法复杂度等.该算法能利用信道先验信息以提高信道估计性能,有效精度和噪声精度等参数可自动调节,且计算复杂度与数据的维度呈线性关系.仿真结果表明:在平稳瑞利衰落信道条件下,与基于交替最小二乘(Alternating Least Square,ALS)的半盲估计算法相比,算法的计算复杂度较低,收敛速度较快;与带监督序列的双线性最小二乘(Bilinear Alternating Least Square,BALS)非盲估计算法,基于ALS及非线性最小二乘(Nolinear Least Square,NLS)的半盲估计算法相比,算法具有较高的估计精度.     

粒子群优化人工免疫粒子滤波器

为解决粒子滤波算法中存在的粒子退化和样本枯竭问题,提出一种新的粒子滤波算法.利用粒子群优化思想促使采样粒子向高似然区域移动,减缓粒子权值的退化;再通过人工免疫算法中的变异操作扩大算法寻找最优值的范围并增加粒子的多样性,避免算法陷入局部最优,增强算法的全局搜索能力,进而缓解样本枯竭.实验表明,该算法比标准粒子滤波的状态估计精度提高近40倍,比扩展卡尔曼粒子滤波提高近28倍,比无迹卡尔曼粒子滤波提高近6倍,滤波效率为37.523％,是标准粒子滤波的37倍,该算法具有更好的实时性和更高的状态估计精度,能有效缓解粒子的退化和样本的枯竭.     

基于分布估计算法的对角递归神经网络短期负荷预测模型研究

针对传统的BP算法易陷入局部极小点,收敛速度慢,编程复杂等缺点,本文提出基于分布估计算法的对角递归神经网络的短期负荷预测模型。该模型采用分布估计算法对对角递归神经网络进行优化,仿真结果表明,该预测模型平均绝对误差降低1.097%,最大相对误差降低2.55%,该模型获得较满意的预测精度,具有较高的预测稳定性和较好的适应能力。     

LMS和RLS自适应滤波算法对比研究

介绍了自适应滤波器的基本原理,对最小均方(LMS,Least Mean Squares)和递归最小二乘(RLS,Recursive Least Squares)自适应算法进行仿真分析及对比研究.仿真结果及实例均表明,两种算法都能有效抑制和抵消各种干扰,但相比之下,RLS算法具有更好的收敛性能及稳定性.