基于渐消滤波的神经网络优化算法及其应用

针对BP神经网络在训练过程中易陷入局部极小值的问题,提出一种新的基于渐消滤波的神经网络学习算法。该算法采用渐消卡尔曼滤波对神经网络的权值进行更新,有效避免了梯度下降算法产生的局部极小问题;与卡尔曼滤波相比,在渐消滤波中充分考虑了最新量测值的影响,能更合理地利用新的有效信息,从而提高了学习算法的收敛速度。学习后的网络不仅具有普通神经网络的自主学习能力,而且具有渐消滤波的最优估计性能。将提出的神经网络算法应用于SINS/BDS组合导航系统进行仿真验证。结果表明,提出的算法在逼近精度方面优于BP算法和卡尔曼滤波算法,可以有效提高神经网络的泛化能力。     

一种基于状态相关因子的抗差自适应滤波算法

提出一种新的基于状态相关因子的抗差自适应滤波算法。采用状态相关因子将非线性系统转换为状态相关系统,建立抗差自适应滤波模型,利用等价权矩阵和自适应因子进行信息分配,从而控制动力学模型异常和观测异常对导航解的影响。特定条件下的仿真计算表明,提出的基于状态相关因子的抗差自适应滤波算法,不仅能够抑制动力学模型噪声和观测噪声干扰,而且滤波计算简单,导航精度相对优于扩展卡尔曼滤波和粒子滤波算法。     

基于自适应全阶磁链观测器的直接转矩控制系统

基于模型参考自适应理论，采用自适应全阶磁链观测器观测定子磁链和辨识转速，并结合模糊控制，利用Matlab／Simulink构建了无速度传感器直接转矩控制系统。     

属性约简的新算法

属性约简是粗糙集理论中一个核心研究问题,在对粗糙集中属性约简相关理论研究的基础上,提出了一种新的基于随机决策信息系统的属性约简算法。新算法充分利用属性依赖度所提供的信息对属性进行排序,并以一定的优化顺序来计算属性子集的信任函数或似真函数。计算结果表明:改进后的新算法计算量大大减小,尤其是当条件属性较多时,计算量的减少更加明显,从而大大提高了计算效率。计算实例验证了该算法的有效性,具有很强的优越性。     

基于Luenberger观测器的无速度传感器DTC系统研究

基于模型参考自适应理论,采用自适应全阶磁链观测器观测定子磁链和辨识转速,并结合模糊控制,利用Matlab/Simulink构建了无速度传感器直接转矩控制系统。仿真表明,该系统能够准确地观测定子磁链,对参数变化具有较好的鲁棒性,并在低速下也具有良好的性能。     

组合导航系统INS/GNSS/SAR及其降阶模型性能的研究

介绍了高阶组合导航系统惯性导航系统 (INS) /全球导航卫星系统 (GNSS) /合成孔径雷达 (SAR)及其降阶模型. 降阶系统的卡尔曼滤波时间大大缩短了, 但其精度并未有大的降低. 仿真结果证明, INS/GNSS/SAR的降阶模型仍可为飞机提供满意的导航精度.     

基于小波神经网络的滤波器设计方法

利用卡尔曼滤波器进行状态估计时,要求系统具有已知的数学模型和噪声统计特性等先验知识,而实际系统往往不能满足这一要求;针对这种情况,提出了一种小波神经网络滤波器设计的方法,它结合了神经网络的函数逼进能力和小波变换的良好局部特性及多分辨率特性,使网络能根据数据的分布情况以不同的分辨率进行学习,从而使网络具有更灵活有效的函数逼近能力,提高了估计精度;仿真结果表明,用该滤波器对系统状态进行估计,其精度高于卡尔曼滤波器的估计精度.     

一种红外与雷达信息融合跟踪算法及其性能分析

为了提高目标跟踪系统的性能,在吸收雷达和红外跟踪传感器各自优点的基础上,提出一种雷达/红外传感器信息融合方法,该方法综合了雷达测量信息全面以及红外测角精度高的特性,对雷达与红外量测进行融合形成融合量测,基于融合量测设计了状态估计滤波器。在不同假设条件下,分别对融合系统与单传感器跟踪精度进行了仿真比较。结果表明:融合系统的跟踪精度高于单个传感器的目标跟踪精度,可有效提高目标跟踪精度。     

基于粗糙集理论的模糊神经网络构造方法

构造模糊神经网络时确定初始的隶属函数是一个难点,提出了一种新的基于粗糙集理论的隶属函数获取算法,该算法根据粗糙集理论中基于属性重要性的离散化方法确定条件属性的断点,再通过断点确定各模糊集合隶属函数的中心和宽度,同时给出了网络各参数的修正公式;仿真结果证明,该算法在学习的快速性和精度上具有良好的性能.     

INS/SAR/GPS组合导航系统中的分散估计融合算法

以INS／SAR／GPS组合导航系统的工程应用为目标,讨论了其分散估计融合算法及理论证明,给出一二级最优估计融合结构。仿真结果证明：采用先分散处理,再全局融合的方法,是提高整个组合系统的导航精度和可靠性的行之有效的方法。