带噪声统计估计器的犝狀狊犮犲狀狋犲犱卡尔曼滤波器设计

针对传统Ｕｎｓｃｅｎｔｅｄ卡尔曼滤波器（ＵＫＦ）在噪声先验统计未知或不准确时滤波精度下降甚至发散的问题,基于极大后验（ＭＡＰ）估计原理,设计了一种带噪声统计估计器的ＵＫＦ．该ＵＫＦ 滤波算法在进行状态估计的同时,能实时估计和修正噪声均值和协方差．相比于传统ＵＫＦ,所提出的ＵＫＦ具有应对噪声统计变化的自适应能力．仿真结果表明了该ＵＫＦ滤波算法的有效性．     

未知噪声统计下多模型概率假设密度粒子滤波算法

针对传统多目标概率假设密度滤波(PHD) 器在噪声先验统计未知或不准确时滤波精度下降甚至丢失目标的问题, 设计一种自适应多模型粒子PHD(MMPHD) 滤波算法. 该算法利用多模型近似思想, 推导出一种多模型概率假设密度估计器, 不仅能估计多目标状态, 而且能实时估计未知且时变的噪声参数, 并采用蒙特卡罗方法给出了MMPHD闭集解. 仿真实例表明, 所提出的算法具有应对噪声变化的自适应能力, 可有效提高目标跟踪精度.

     

基于小波变换的分布式信息一致滤波算法

研究一类基于小波变换的分布式信息一致滤波算法. 首先, 利用Haar 小波变换建立目标状态及其观测在不同粗尺度下的系统模型; 然后, 基于该模型, 在不同粗尺度上分别进行分布式信息一致滤波估计; 最后, 针对不同粗尺度估计, 通过Haar 小波逆变换重构最细尺度(初始尺度) 目标状态的估计. 仿真结果表明, 所提出的算法可以有效提高分布式信息一致滤波算法的计算效率.

     

一种特征加权犉犆犕算法的图像重建技术研究

针对传统ＦＣＭ（Ｆｕｚｚｙ犆 ｍｅａｎｓ）算法中初始聚类中心选取的随机性以及对初始值敏感的问题,提出一种基于进化策略的色彩空间加权的ＦＣＭ 聚类算法．通过在ＲＧＢ（ＲｅｄＧｒｅｅｎＢｌｕｅ）色彩空间矢量中设置加权矩阵来补偿各色彩的非均匀性,并采用一种类内最小距离最大的统计聚类算法来初始化聚类中心．实验结果表明,该算法能有效减少颜色量化后的均方差值,保持重建图像的整体层次和局部特征细节,对研究图像处理技术有较强的实际意义．

     

基于IMM-PF的分布式估计融合算法

针对基于扩展卡尔曼滤波的估计融合算法存在线性化误差,且受高斯噪声假设限制的问题,提出一种基于交互式多模型粒子滤波(IMM-PF)的分布式多传感器估计融合算法.各传感器节点采用IMM-PF算法,以便在非线性,非高斯条件下稳健地跟踪机动目标;融合中心则采用基于粒子滤波(PF)的分布式融合方法进行全局估计融合.该算法适用于非线性,非高斯条件下的多传感器状态估计.仿真结果表明,该算法能够提高多传感器系统状态估计的精度.

     

基于高斯似然近似的自适应球面径向积分滤波算法

针对量测噪声较小的环境下传统滤波算法容易出现偏差增大的实际问题, 基于高斯近似原理, 提出一种基于高斯似然近似的球面径向积分滤波(SRGLAF) 算法. 为进一步解决量测未知环境下的状态估计问题, 充分结合CKF 等确定性采样型滤波算法和SRGLAF 的优势, 设计一种基于高斯似然近似的自适应球面径向积分滤波(ASRGLAF) 算法. 仿真结果表明: SRGLAF 能够提高量测噪声较小环境下的估计精度, 而在量测噪声未知环境中, ASRGLAF 能够有效地进行状态估计, 具有明显的滤波优势.

     

基于容积粒子滤波的时延差定位估计算法

在基于粒子滤波的时延差定位估计方法中, 重要密度函数的选取将直接影响估计的性能, 为此, 提出了基 于容积粒子滤波的时延差估计(BCPF-TDE) 算法. 该算法利用最新的数据检测信息, 通过容积卡尔曼滤波(CKF) 获 取粒子滤波的重要性密度函数. 仿真实验表明, 在粒子数目相同的情况下, 基于容积粒子滤波的时延差估计(BCPF- TDE) 方法与基于扩展粒子滤波的时延差估计(BEPF-TDE) 方法相比, 定位估计误差只有后者的50% 左右, 而运行时 间相当.

     

扩展风险性滤波算法的修正方法

针对非线性系统扩展风险性滤波(ERSF)估计精度较低的缺点,提出一种基于二阶Taylor展开对其进行高阶修正的算法.该算法利用高阶项对一阶扩展卡尔曼滤波(EKF)的状态估计向量及协方差阵进行适当修正,并由新息滤波方法得到修正的扩展风险性滤波(MERSF).高度非线性的仿真研究表明,所提出的算法在计算量增加不多的情况下,滤波精度有明显的提高.

     

传感器故障条件下的自适应UKF 算法

针对目标跟踪中传感器故障导致滤波发散或者滤波精度不高的问题, 提出一种自适应无迹卡尔曼滤波(UKF) 算法. 该算法在滤波过程中, 根据自适应估计原理引入自适应矩阵因子, 实时调整系统状态向量和量测新息向量的协方差, 以满足无迹卡尔曼滤波算法的最优性条件, 并采取措施对滤波发散的情况进行判断和抑制. 与传统UKF和已有自适应UKF算法相比, 该自适应UKF算法显著提高了滤波精度和数值稳定性, 且具有应对传感器故障的自适应能力. 仿真实验结果表明了所提出算法的有效性.

     

交互式容积卡尔曼滤波及其应用 交互式容积卡尔曼滤波及其应用

针对非线性系统模型参数未知情况下的状态估计问题, 提出一种融合极大后验估计的交互式容积卡尔曼滤波算法(InCKF). 该算法利用二阶斯特林插值公式和无迹变换对非线性函数的近似思想, 实现对模型未知参数的确定, 从而使滤波算法摆脱对模型参数精确已知的依赖, 并通过容积卡尔曼滤波算法完成状态估计和量测更新. 仿真结果表明, 相比于经典的参数扩维方法, InCKF 算法具有更高的精度和更强的数值稳定性.

     

一种基于犘犉犛犘性质的深度优先搜索算法

三机以上同顺序Ｆｌｏｗ ｓｈｏｐ问题（ＰＦＳＰ）是著名的ＮＰ完全问题．在充分利用ＰＦＳＰ自身特性的基础上,提出一种可变路径的深度优先搜索算法．该算法在搜索过程中根据需要采用两种不同邻域,在必要时将ＰＦＳＰ 转化为一个指派问题,自动变更搜索路径,以避免陷入局部最优解．数值仿真实验表明,该算法对于大规模ＰＦＳＰ 能取得良好
的计算结果．

     

基于ESMF 算法的GPS 信号多普勒频率估计

针对GPS 接收机对载波信号的跟踪性能受到不同类型噪声的影响, 且这些噪声的统计特性很难得到的问题, 提出一种基于扩展集员滤波(ESMF) 的解决方法. 该方法根据载波信号中噪声统计特性未知但有界(UBB) 的特点, 设定合理的噪声边界, 将UBB噪声包含在椭球集合内; 利用集员的思想实现载波信号多普勒频率的在线非线性估 计, 且估计过程中同时能够检测系统坏值的发生时刻. 仿真中, 模型选取三维空间运动的载体. 仿真结果表明, ESMF在处理该模型时是一种有效的鲁棒估计算法.

     

一种考虑非高斯L´evy 量测噪声下的改进分数阶卡尔曼滤波

针对量测噪声模型为非高斯L´evy 噪声, 研究离散线性随机分数阶系统的卡尔曼滤波设计问题. 通过剔除极大值的方法得到近似高斯白噪声的L´evy 噪声, 基于最小二乘原理, 提出一种考虑非高斯L´evy 量测噪声下的改进分数阶卡尔曼滤波算法. 与传统的分数阶卡尔曼滤波相比, 改进的分数阶卡尔曼滤波对非高斯L´evy 噪声具有更好的滤波效果. 最后, 通过模拟仿真验证了所提出算法的正确性和有效性.

     

一般相关噪声下线性系统固定延迟平滑算法

针对机动目标跟踪中固定延迟平滑估计算法的精度问题,当具有一般相关过程噪声和量测噪声时,提出了离散线性系统最优固定延迟平滑估计算法.该算法通过将延迟区间内全部量测进行集中式扩维,并对误差传递进行分析,从而精确地给出了误差间的相关性.在线性无偏最小方差意义下对系统状态进行递推估计,新算法在噪声的高斯分布假设下是最优的.仿真实验结果表明了该算法的有效性.

     

RBF神经网络参数估计的两种混合优化算法

基于全局搜索的进化算法和一种局部搜索算法———结构化的非线性参数优化方法（ＳＮＰＯＭ）,提出两种混合的优化算法来估计ＲＢＦ神经网络中的参数：１）初始化一定数目的种群作为ＳＮＰＯＭ 的初始值得到其适应值,通过选择、交叉和替换策略来更新种群;２）采用进化算法运行一定的代数,从最终群体中选取一些个体进一步用ＳＮＰＯＭ来优化．这两种混合优化算法的本质是用进化算法为ＳＮＰＯＭ 搜寻最优初始值,以得到全局最优解．仿真实验结果表明,该混合算法比单独使用进化算法或ＳＮＰＯＭ 更优,且优于其他一些算法．

     

支持向量机和一类模糊推理系统的等效性及其应用

支持向量机（ＳＶＭ）和模糊推理系统（ＦＩＳ）分别源于统计学习理论（ＳＬＴ）和认知学两个不同的领域．在一定约束条件下,提出并证明了ＳＶＭ 和一类基于规则的ＦＩＳ的函数等效性定理．在此基础上,提出基于ＳＶＭ 学习过程的ＦＩＳ（ＭＢＦＩＳ）的设计方法．ＭＢＦＩＳ继承了ＳＶＭ 良好的泛化能力和对“维数灾难”的避免能力,也继承了基于规则的ＦＩＳ的显式推理能力．Ｂｅｎｃｈｍａｒｋ数据实验表明,ＭＢＦＩＳ具有良好的分类性能．

     

一种时间自适应阈值的小波包改进语音增强算法

针对传统小波语音增强算法存在过度阈值处理的问题,提出一种改进的时间自适应阈值小波包去噪算法.该方法采用听觉感知小波包对噪声语音进行分解,得到小波包听觉感知节点上的系数,并基于语音存在概率估计按帧自动调节去噪阈值.因改进的阈值能更好地避免语音小波包系数被过度阈值处理的情况,从而在抑制噪声的同时保留了更多的原始语音成分,进一步提高了降噪效果.实验结果表明,该算法比常规小波自适应阈值算法能得到更清晰的语音增强信号.

     

离散线性信息融合最优跟踪控制

提出一种有限时间离散线性最优跟踪控制问题的新解法---信息融合估计解法.基于信息融合估计理论,推导出协状态融合滤波方程和控制量融合估计值,由此获得最优融合控制律及二次性能指标最小值.从理论上证明了信息融合估计解法与传统解法的等同性.从信息融合的角度建立了有限时间离散线性最优跟踪控制系统,从而统一了最优控制问题和最优估计问题.电机系统的控制仿真结果验证了该解法的有效性以及与传统解法的等同性.

     

一类非线性时滞广义系统的状态反馈控制

利用线性矩阵不等式（ＬＭＩ）,讨论了一类非线性时滞广义系统的状态反馈控制问题．通过对非线性映射Ｆｒｅｃｈｅｔ导数的逆矩阵的估计,给出了系统渐近稳定的充分条件．这一条件与时滞相关,可归结为一个线性矩阵不等式的可解性．在ＬＭＩ有解的条件下,可得到系统状态反馈控制器的参数表示．数值实例表明该方法是有效的．

     

基于特征约束和均值漂移的机动目标粒子跟踪

粒子滤波是适用于非线性非高斯系统下目标跟踪的强有力工具．ＭｉｒｏＳｏｔ足球机器人系统可以作为研究机动目标跟踪问题的平台．对此,在分析ＭｉｒｏＳｏｔ系统目标特征的基础上,提出一种基于目标特征约束的均值漂移粒子滤波算法,利用约束和优化的思想提高粒子的质量并减少其数量．对比实验表明,该方法有效地克服了传统粒子滤波的计算量和粒子退化问题,保证了多机动目标跟踪的准确性和实时性．