基于改进的Sage-Husa滤波MEMS陀螺阵列降噪技术研究

为充分挖掘 MEMS 陀螺的性能,提高 MEMS 陀螺在实际应用中的精度,通过搭建四陀螺阵列结合改进的 Sage-Husa 滤波算法对陀螺阵列的输出信号进行降噪,在不改变陀螺加工工艺和显著提高生产成本的条件下有效提高了 MEMS 陀螺仪的实际性能。 通过分析 MEMS 陀螺仪的系统误差和随机误差,搭建误差模型,利用传统卡尔曼滤波、移动平均滤波、小波阈值去噪和改进的 Sage-Husa 滤波算法对单个陀螺和陀螺仪阵列进行降噪处理,实验对比发现改进的 Sage-Husa 滤波算法和陀螺仪阵列结合后能有效降低陀螺的输出噪声。 利用 Allan 方差分析陀螺仪阵列经过改进的 Sage-Husa 算法滤波后的随机误差,四陀螺阵列角度随机游走从 0. 40°/ h降低到 0. 03°/ h ,零偏不稳定性从 71. 11°/ h 降低到 5. 83°/ h,有效提高了 MEMS 陀螺在实际应用中的性能。     

一种基于指数渐消因子的自适应卡尔曼滤波算法

本文应用自适应估计理论,提出了一种指数渐消因子自适应算法。该算法通过实测残差与理论残差的比值来确定指数方程的系数,调节自适应渐消因子,保证了滤波的稳定性,提高了滤波精度,并且冲破了经验储备系数的限制。最后对比其他三种自适应滤波算法进行了仿真比较,仿真结果表明,指数渐消因子自适应滤波算法是一种实用而有效的算法。     

基于变分贝叶斯方法的充电站谐波电流叠加估计

随着充电站规模的逐步扩大,其投入使用时产生的谐波电流对配电网的影响变得尤为严重。传统国标谐波叠加算法在实际应用中受充电站内各种因素的影响,与实际的谐波电流叠加存在偏差。针对这一问题,提出将变分贝叶斯后验参数估计方法应用于谐波电流叠加算法中,该方法通过在谐波相位的状态空间与量测空间内不断最大化边缘似然函数的下界,迭代地更新变分相位参数,直至近似分布逼近参数的真实后验分布,从而实现谐波相位叠加的精确检测。实验仿真表明,变分贝叶斯后验参数估计方法对于服从高斯分布的相位参数的叠加计算,比传统谐波叠加算法更为有效、精确,为采取精确的谐波治理提供有效的依据。     

基于渐消卡尔曼滤波器的永磁同步电机的仿真

使用带渐消因子的自适应卡尔曼滤波构造了永磁同步电机的速度观测器.该滤波器根据永磁同步电机的输出,在线自适应调整渐消因子,从而使滤波器在电机模型存在误差或电机受到外扰的情况下仍收敛并保持最佳,同时具有高收敛速率的特点.最后对基于渐消卡尔曼滤波器的永磁同步电机进行仿真实验.仿真结果表明,该观测器能有效地实现电机的转速观测,具有良好的动、静态特性.     

一种自适应变分贝叶斯容积卡尔曼滤波方法

针对应用于非线性系统模型的容积卡尔曼滤波工作性能会受观测噪声参数变化的影响而降低的问题,提出一种自适应的变分贝叶斯容积卡尔曼滤波算法。在每一次更新步骤中,将系统状态与变化的观测噪声统计信息一起作为随机变量,并用变分贝叶斯方法进行估计,在迭代逼近得到噪声方差后,再利用容积卡尔曼滤波对系统状态进行更新。仿真实验证明变分贝叶斯容积卡尔曼滤波算法在非线性系统的滤波问题中能够较好跟踪变化的观测噪声方差,相比容积卡尔曼滤波拥有较好的估计性能。     

基于渐消自适应EKF的感应电机转速观测器

提出一种基于指数渐消因子的自适应EKF算法的感应电机转速观测器。根据感应电机的电流跟踪误差自适应调整指数渐消因子,从而减小感应电机模型误差和外界干扰的影响,使转速观测更精确、快速。基于指数渐消因子的自适应EKF算法建立了感应电机无速度传感器矢量控制系统的Matlab仿真模型。仿真结果表明,该转速观测器能有效的观测转速,同时具有良好的动、静态性能。相比传统的EKF转速观测器,具有更好的抗干扰性和收敛特性。     

基于变分贝叶斯学习的光伏功率波动特性研究

光伏出力波动严重影响电力系统稳定运行。对光伏出力爬坡率进行分析,建立光伏出力爬坡率的高斯混合模型,并用变分贝叶斯学习算法估计模型参数。某光伏电站大量实测数据检验表明,在进行光伏功率波动特性研究方面,在不同时间尺度和天气类型下,变分贝叶斯学习算法比单一分布及基于最大期望算法的方法具有更好的拟合效果。     

基于DSP的MEMS陀螺去噪算法研究

作为惯导系统的重要传感器,陀螺仪的精度直接影响到导航定位的精确性,而随机噪声是影响其精度的重要因素.对随机漂移进行建模并在系统中加以补偿是提高陀螺及其导航系统精度的关键.本文对MEMS陀螺的信号进行分析,对高于通频带的噪声用切比雪夫低通滤波器进行滤波,对带内的噪声运用改进的中值滤波进行处理.DSP仿真结果表明,该方法能在保证实时性的情况下降低陀螺噪声误差对系统精度的影响,可以将信号的信噪比提高8 dB.     

基于多残差和多重特征融合的去雾算法

针对目前大多数图像去雾算法由于细节丢失导致去雾后的图像颜色失真,雾霾残留以及纹理细节模糊等问题,提出 一种基于多残差和多重特征融合端到端的去雾算法。首先通过设计浅层特征提取模块,为深层网络提高丰富信息的特征图; 其次设计多残差级联模块,提取多层次特征,帮助模型学习更加复杂的特征表示;然后设计局部-全局特征融合模块,捕获从最 细微到最广泛的特征;最后设计结合残差注意力的跨层特征融合模块,避免上下采样后的细节缺失,更好地提取图像中的局 部与全局信息特征。实验结果表明,所提算法在 SOTS 室内、室外测试集上峰值信噪比(PSNR) 分别取得了33.12、31.07 dB, 结构相似性(SSIM) 分别取得0.986、0.983,与当前大多数主流算法相比得到了明显的提升,且在合成雾图像和真实雾霾图像 均取得了不错的去雾效果,复原图像细节更加清晰,更符合人类视觉感知。     

基于多信息融合的自适应局部线性嵌入算法

局部线性嵌入算法LLE的降维性能与挖掘的流形结构密切相关,但LLE挖掘的流形结构单一,并且对邻域参数选取敏感,无法提取全面的流形局部结构,限制了LLE的降维性能。为此,本文提出基于多信息融合的自适应局部线性嵌入算法MIF-ALLE。MIF-ALLE首先利用切空间近似判据自适应选择邻域参数,获取更准确的局部邻域;然后,将局部邻域中蕴含的切空间角度信息与局部线性信息相融合,挖掘更全面的流形局部结构,降低局部低维嵌入的偏差;最后,在公开轴承数据集以及实验室提取的轴承数据集上进行实验验证。实验结果表明：MIF-ALLE可以挖掘更全面的流形结构,提取更显著的特征,轴承故障诊断准确率最高可达100%。     

基于多重渐消因子强跟踪非线性滤波的故障参数联合估计

为改进故障参数估计的精度和鲁棒性,提出基于多重渐消因子强跟踪七阶容积卡尔曼滤波(MST7thCKF)的故障参数联合估计算法。算法将故障参数扩展至状态向量,实现状态和故障参数联合滤波。然后,将多重渐消因子强跟踪滤波(MSTF)引入七阶容积卡尔曼滤波(7thCKF)的框架中,改进7thCKF在故障参数变化函数未知或者发生突变时的鲁棒性,提高故障参数的估计精度。仿真结果表明,相比MSTF均方根容积卡尔曼滤波(MSTSCKF)和7thCKF,所提算法具有更好估计精度。     

基于贝叶斯融合的机载电源系统评估方法

机载电源系统是一个多参数、强耦合的复杂系统,不能利用传统的评估方法进行评估,而它作为机载电气系统的重要组成部分,其性能好坏会直接影响飞行质量。因此,提出了一套基于贝叶斯融合的机载电源系统评估方法。在综合比较了各个参数对机载电源系统产生的影响之后,选取了相关性较大的10个参数作为评估指标,并建立了性能评估模型。通过采集设备对某一机载电源系统、某一性能指标下的参数进行采集,进行无量纲归一化处理,结合历史数据计算参数的先验分布以及条件分布,通过贝叶斯公式计算后验分布,最终算出性能参数的极大似然估计值。选取了10台机载电源系统作为测试对象,通过上述方法进行了性能评估,评估结果表明该方法能够对机载电源系统进行正确有效的评估。     

基于多元线路特征因素融合的电压暂降严重程度评估

现有电压暂降严重程度评估方法未充分考虑多元线路特征因素对输电线路故障概率的影响,从而导致评估结果出现较大误差。由此,本文提出了基于多元线路特征因素融合的电压暂降严重程度评估方法。首先,基于线路历史故障数据,采用关联规则量化多元线路特征因素对线路故障的影响程度。然后,通过改进D-S证据理论融合多元线路特征因素建立准确的线路年故障概率模型;并采用基于最大熵模型的故障点法评估节点的电压暂降水平。最后,提出了一种同时考虑系统侧电压暂降严重程度和用户敏感设备耐受特性的综合电压暂降严重程度指标用于评估节点电压暂降严重程度。通过与某区域电网实际电能质量监测数据对比,本文所提方法的准确率可达到90%以上。同时通过与未充分考虑线路特征因素的评估案例对比,所提方法的准确率明显提高。因此,在进行电压暂降严重程度评估时,综合考虑线路特征因素可以有效的提高评估结果的准确率。     

基于MPC算法优化的贝叶斯网络变压器故障诊断

为提高变压器故障诊断的准确率及可靠性,提出了基于MPC(modification of the PC,简称MPC)算法优化贝叶斯网络的变压器故障诊断方法,对变压器故障诊断技术进行了研究。首先,根据油中溶解气体分析,采用无编码比值法提取油浸式变压器的9维故障特征,并对数据样本进行归一化处理;其次,以归一化的训练样本作为输入建立基于贝叶斯网络的故障诊断模型,采用MPC算法对贝叶斯网络模型进行优化;最后,利用测试样本对故障诊断模型进行测试。为了证明所提出方法的优越性,将本文研究方法与现有故障诊断方法进行了对比。结果表明,所提出方法的诊断正确率更高,诊断效果更好。     

蚁群K-medoids融合的聚类算法

蚁群算法能够在没有任何先验知识和人为干预的情况下实现自主聚类,并且鲁棒性较强,易于与其他算法相结合。但蚁群算法消耗时间成本较大,效率较低。而K-medoids聚类是一个基于划分的经典聚类算法,该算法聚类速度快、聚类效果好而被广泛应用于各种聚类处理中。但需要人为确定簇数目,并对初始簇中心的依赖性较强。针对以上问题,提出了结合蚁群算法和K-medoids的聚类算法（AKCA）,该算法融合了蚁群算法和K-medoids算法各自在聚类上的优点。实验结果表明,该算法对于小型数据集具有运行效率高、聚类质量好和自适用性强等优点。     

基于决策融合的苹果等级分类算法

利用单个信息源进行苹果分类,常常出现分类错误,即使分类正确,也不能给出综合标准下的分类结果。本文利用苹果大小及颜色两个信息源,首先提取大小及颜色的特征,利用各自的特征对苹果等级进行初步决策,然后应用DSmT进行决策级融合,给出了基于决策级融合的苹果等级分类算法。实验分析表明,本文算法可实现大小及颜色两个指标的苹果等级分类,分类精度高,鲁棒性好。     

基于 SRCKFw-检测的多传感器融合的姿态解算算法

针对惯性导航系统受模型误差和测量异常值误差的影响,姿态解算结果易出现精度差甚至发散的问题,提出了一种基于平方根容积卡尔曼滤波(square-root cubature Kalman filter, SRCKF)w-检测的多传感器姿态融合算法。利用协方差匹配法对SRCKF的新息序列进行自适应调整,经过调整后的新息在迭代过程中会补偿量测噪声方差阵,减小模型误差影响;再利用调整后的新息进行误差探测,提高w-检测的探测精度,并构造观测值替换准则进行误差观测值替换,解决测量异常值误差带来的影响;最后利用SRCKF进行姿态融合,陀螺仪的姿态作为状态方程,经检测替换后的加速度计和磁力计姿态作为量测方程。实验表明,所提算法可以准确估计系统姿态,与传统算法相比解算精度平均可提升62.43%,在不同条件下,算法整体性能均可得到大幅提升,并能快速进行姿态解算,保证解算精度。