基于自适应峰值检测的PDR算法研究

针对传统的行人航迹推算（PDR）算法只能用于正常行走的单一状态，难以满足实际应用需求，提出了一种基于自适应峰值检测的改进PDR算法。该算法将行人运动模式分为行走和跑步两种状态，充分考虑行人运动过程中加速度峰值和运动状态的关系，通过实验获得不同运动状态下的加速度峰值，从而设置动态阈值，实现不同状态下的计步检测和步长估计。将改进的PDR算法应用于行人定位，利用微惯性测量单元（IMU）获取的行人的运动数据，使用改进的峰值检测法对行人进行计步检测和状态识别，根据行人的运动状态采用自适应步长估计公式对步长进行估计，最后结合计算的航向得到行人的位置信息。实验结果表明，改进PDR算法具有良好的鲁棒性和较高的步态识别率，相比于传统的PDR算法，闭环误差降低了142%，有效提高了行人定位结果的精度。     

基于 BP 神经网络的无人机IMU 多传感器冗余的补偿算法

针对无人机多传感器数据决策时存在的数据可靠性不足以及资源浪费的问题,提出一种基于 BP 神经网络的无人机惯 性测量单元(IMU)多传感器冗余的补偿算法。 将低精度的 IMU 传感器数据输入到 BP 神经网络,利用 BP 神经网络的非线性拟 合能力,补偿低精度 IMU 数据的误差,然后利用基于置信度的数据仲裁算法对多个较高精度数据进行仲裁,输出经过数据融合 后的传感器数据,此过程还可以进行传感器故障判断和定位。 通过改变同类型传感器安装方式解决奇点问题。 实验结果表明, 经过神经网络误差补偿后,误差比原来减小了 55. 2%,比使用卡尔曼滤波算法进行误差补偿后的误差小 53. 9%。 此算法充分发 挥了冗余传感器设计的优势,提高了传感器系统的可靠性。     

基于 BP 神经网络的无人机IMU 多传感器冗余的补偿算法

针对无人机多传感器数据决策时存在的数据可靠性不足以及资源浪费的问题,提出一种基于 BP 神经网络的无人机惯 性测量单元(IMU)多传感器冗余的补偿算法。 将低精度的 IMU 传感器数据输入到 BP 神经网络,利用 BP 神经网络的非线性拟 合能力,补偿低精度 IMU 数据的误差,然后利用基于置信度的数据仲裁算法对多个较高精度数据进行仲裁,输出经过数据融合 后的传感器数据,此过程还可以进行传感器故障判断和定位。 通过改变同类型传感器安装方式解决奇点问题。 实验结果表明, 经过神经网络误差补偿后,误差比原来减小了 55. 2%,比使用卡尔曼滤波算法进行误差补偿后的误差小 53. 9%。 此算法充分发 挥了冗余传感器设计的优势,提高了传感器系统的可靠性。     

基于 MEA-BP算法的IGBT的寿命预测

针对IGBT寿命预测问题,提出了基于思维进化算法(MEA)优化的反向传播(MEA-BP)神经网络算法的IGBT结温预测算法模型,确定了集电极-发射极关断电压尖峰峰值为失效预测依据,构建了遗传算法(GA)优化的BP(GA-BP)神经网络算法以及经典BP神经网络算法寿命模型作为对比模型,采用均方误差、平均绝对误差、最大相对误差作为各模型预测性能的评估指标.预测结果表明,基于MEA神经网络的IGBT寿命预测模型均方误差为0.150％,平均绝对百分误差为0.36％,可以更好地实现IGBT寿命的预测.     

改进AFSA-BP神经网络的湿度传感器温度补偿研究

为减小温度对声表面波射频识别(SAW-RFID)湿度传感器测量精度引起的误差,需要对实测的湿度进行温度补偿。通过对人工鱼群算法(AFSA)中鱼群初始化方式、视野和步长以及拥挤度因子的改进研究,得到改进的AFSA。采用改进的AFSA对反向传播(BP)神经网络的初始权值阈值进行全局寻优,再用寻优后的权值阈值建立的BP神经网络对SAW-RFID湿度传感器进行温度补偿。最后将此方法建立的BP神经网络、传统BP神经网络和遗传算法神经网络(GA-BP)的性能及温度补偿结果比较。实验结果显示,改进的AFSA收敛速度快、寻优能力强,建立的网络模型能有效降低温度对湿度测量精度的影响,提高了湿度测量的精度。     

基于SA-BP神经网络算法的电池SOH预测

针对传统BP神经网络在线估算锂离子电池健康状态(state of health,SOH)容易使权值陷入局部最优解,导致SOH预测不精确。结合模拟退火(simulate anneal,SA)算法能有效收敛于全局最优的特点,提出一种基于SA算法优化BP神经网络的锂离子电池SOH在线预测方法。以锂离子电池为研究对象,分析了微分电压、欧姆内阻、循环次数与电池SOH的关系,并以此作为电池的健康状态因子(health indicator,HI)输入至BP神经网络。利用SA算法优化BP神经网络的权值,使预测模型得到最优解。实验结果表明:利用优化算法对电池SOH进行预测,其最大误差仅为1.98%,平均误差为1.09%。相较于传统BP神经网络,优化算法预测最大误差降低了5.62%,平均误差降低2.33%。从而验证了基于SA算法优化BP神经网络能够获取全局最优值并提高电池SOH估算精度是有效的。     

面向 PDR 定位系统的多层感知机 IMU 阵列数据融合方法

为提高低成本惯性测量单元(intertial measurement unit,IMU)阵列的行人航位推算(pedestrian dead reckoning,PDR)定位 精度,首次提出了采用多层感知机(multi-layer perceptron,MLP)实现低成本 IMU 阵列数据融合的算法,通过将自主设计的 IMU 阵列和高精度 IMU 同步运动来获得 IMU 阵列的测量数据(包括三轴加速度和三轴角速度)和高精度 IMU 的测量数据,以高精 度 IMU 的测量数据作为标签,利用 MLP 将 IMU 阵列的测量数据融合,预测出物体的实际加速度和角速度,并用定位算法进行 验证。 在定位实验中,使用 MLP 融合后的预测数据的 PDR 定位精度比使用单个 IMU 测量数据的 PDR 定位精度提高了 33. 9%;比使用简单平均处理的 IMU 阵列测量数据的 PDR 定位精度提高了 20. 8%;比使用最小二乘法融合的 IMU 阵列测量数 据的 PDR 定位精度提高了 11. 6%,证明了本文所提出方法的可行性和有效性。     

基于MIV-GA-BP神经网络的铅酸蓄电池SOC预测

建立了铅酸蓄电池充电过程中SOC的神经网络预测模型,采用平均影响值(M1V)算法对预测模型的输入变量进行了分析和筛选.在MIV算法的基础上,比较了基于遗传算法优化的BP神经网络(MIV-GA-BP)与传统MIV-BP神经网络对蓄电池充电过程中SOC的预测误差.测试样本的验证结果表明,MIV-GA-BP神经网络模型对蓄电池充电过程的SOC预测精度更优.     

改进粒子群优化神经网络的变压器故障诊断

在分析传统误差反向传播(BP)算法和标准粒子群优化(PSO)算法的特征及其问题基础上,提出一种改进粒子群优化(IPSO)算法和改进BP(IBP)算法,建立基于IPSO-IBP混合算法的电力变压器神经网络故障诊断模型。通过85组训练样本和16组测试样本的仿真对比分析,该方法能够实现电力变压器不同故障的有效诊断,提高了电力变压器故障模式的识别能力及故障诊断准确率。     

基于WiFi辅助的自适应步长的室内定位算法

随着室内定位的需求越来越多,基于PDR算法的低成本惯性传感器定位方法备受青睐。在PDR算法的基础上,提出了一种步长可随着步频自适应变化的s f关系模型。同时针对PDR算法的误差累积问题,利用WiFi信号的接入点位置的绝对坐标对定位误差进行校正,利用连续的两个WiFi信号接入点位置辅助动态调整步长,避免了长时间的计步累积误差对步长的影响。实验验证该方法可有效提高室内定位的精度。     

基于改进BP神经网络的低压配电台区智能电能表误差状态评估模型

针对配电网台区中智能电能表误差估计问题,基于粒子群优化BP神经网络提出智能电能表误差估计方法。所提方法从数据搜集和数据预测、预处理建立智能电能表误差估计模型;针对传统BP神经网络隐含层节点数制定的局限性,提出采用粒子群优化算法对隐含层节点数进行优化,并采用优化得到的隐含层节点数构建BP神经网络结构对训练样本数据进行训练,基于训练得到的BP神经网络对测试样本数据进行计算得到智能电能表误差数据。针对某地区典型配电网台区中智能电网运行误差估计问题,采用所建立的方法进行智能电能表运行误差的评估。仿真算例表明,所建立的模型能够有效评估智能电能表运行误差,相比于传统的评估方法,其评估准确性有显著提升。     

基于改进神经网络算法的数控钻攻中心进给轴热误差预测

为降低数控机床热误差对数控钻攻中心的影响,提高工件的加工精度,解决不同工况下热误差预测精度不佳的问题。 在进给速度为 10 m/ min、环境温度 20°的工作条件下进行数控机床进给系统热误差测量实验,采用鹈鹕优化算法对神经网络进 行优化,确定 BP 神经网络的最优权值和阈值,建立进给系统热误差的 POA-BP 预测模型,并与传统 BP 神经网络和 GA-BP 神经 网络以及 SCN 随机配置网络进行实验对比分析。 结果表明,传统 BP 神经网络预测平均相对误差为 12. 23%,GA-BP 神经网络 平均相对误差为 11. 5%,SCN 预测模型预测平均相对误差为 12. 71%,POA-BP 预测模型预测平均相对误差为 9. 93%,精度有所 提升。 结论:提出的鹈鹕优化算法改进的神经网络在热误差预测中具有较强的有效性和精确性,可以提高进给运动精度,为热 误差补偿的实现提供理论指导。     

基于惯性传感的人员行进动作识别方法

人员行进动作的识别对于行人航位推算(PDR)的计算精度有至关重要的影响。将连续的行进过程依据零速率修正点(ZUPT)划分为单步动作后,准确的动作识别是PDR系统的难题之一。将惯性测量单元IMU固连在胫骨中间外侧位置,采集了大量人员行进过程胫骨运动的加速度和角速度,建立了用于行进动作识别的惯性传感数据库。通过对人员的平地行走、上楼梯和下楼梯的惯性传感数据的分析,建议了一种结合运动特性寻找行进过程中零速率修正ZUPT点的方法。在完成单步步态划分的基础上,提出了一种基于支持向量机(SVM)理论,并采用惯性传感数据作为特征的SVM行进动作分类器。经大量人员行进实验验证,所建议的动作识别方法对于区分行走、上楼梯和行走、下楼梯,精度分别达到96%和85%。     

基于在线地磁指纹的航迹校准算法

设计一个行人航迹推断定位系统(PDR),该系统包括鞋载可穿戴MEMS惯性传感器模块、蓝牙通信模块、和用于执行校准算法的智能手机端.鞋载惯性导航模块利用位置估算、零速修正和步伐检测等算法获取消防人员位置估计,并通过低功耗蓝牙通信模块将消防员位置估计传到智能手机.在手机端,利用智能手机自带地磁传感器及加速度传感器提取姿态无关的三维地磁指纹,根据姿态无关三维地磁指纹生成正、反向地磁轨迹,将消防员位置估计与地磁轨迹相关联,再通过DTW子序列算法实现地磁轨迹精准匹配,实现消防员航迹校准,从而有效解决惯性导航中累计误差无法消除的难题,最终实现消防员室内复杂场景精确定位.大量测试实验表明,该系统在办公室和超市两种典型应急消防救援场景分别可获得80％绝对误差1.4～2m以内.     

基于GA优化BP神经网络的微电网蓄电池健康状态评估

由于微电网蓄电池在工作过程中其电力性能会发生退化,其性能退化具有明显的非线性和波动性的特征,传统的数学建模方法普适性差、不同工况条件下预测受限、精度不足,难以准确的评估其健康状态。针对上述问题,构建了标准BP神经网络和基于遗传算法优化的BP神经网络,借助微电网蓄电池每次放电过程中的可测参数对网络进行训练,使神经网络的权值和阈值得到较为准确的调整。通过测试集对建立的神经网络进行测试,结果表明,基于遗传算法优化的BP神经网络能有效提高评估结果的准确性,使误差结果控制在精度要求的范围内,最大误差在5%以内,平均误差2%。证明了基于遗传算法优化的BP神经网络对不同工况条件下的蓄电池SOH的精确评估是有效可行的。     

基于GA-BP和POS-BP神经网络的光伏电站出力短期预测

当前在光伏电站出力短期预测方面较多的采用BP或者优化的BP神经网络算法,存在采用的优化算法单一、缺乏多种优化算法比较选优、预测误差大的问题。基于本地5 k W小型分布式光伏电站,综合考虑影响光伏出力的太阳光辐射强度、环境温度、风速气象相关因素和光伏电站历史发电数据,分别采用BP以及遗传算法和粒子群算法优化的BP神经网络算法—GA-BP和POS-BP构建了晴天、多云、阴雨三种天气条件下光伏出力短期预测模型。实测结果表明,三种神经网络算法预测模型在三种不同天气条件下均达到了一定的预测精度。其中GA-BP、POS-BP相比传统的BP预测模型降低了预测误差,且POS算法相比GA算法对于BP神经网络预测模型的优化效果更好,进一步降低了预测误差,适用性更强。