带有乘性噪声的多传感器强跟踪融合算法

为解决加性噪声模型无法准确刻画实际观测模型的问题,采用带有乘性噪声系统模型进行建模。在实际系统中,由于多传感器网络的应用使得传统乘性噪声的滤波算法已无法满足实际需求,该文分别提出带有乘性噪声的有反馈分布式和序贯式多传感器强跟踪滤波融合方法,以有效解决复杂环境下的非线性系统最优状态估计问题。计算机仿真实验表明,新算法具有很好的估计精度,在多传感器目标跟踪应用中有较好的应用前景。     

基于自适应因子化 H∞滤波的单站无源跟踪

针对单站无源跟踪系统非线性较强、传统跟踪滤波方法收敛速度慢且容易发散的问题,提出了一种基于自适应因子化 H∞滤波的单站无源跟踪算法.该算法利用 sigma 点转换和鲁棒 H∞滤波能够减小观测方程的线性化误差和降低观测误差不确定性的特点,通过新息控制减小野值对滤波的干扰,利用比例因子和渐消因子自适应调整采样点到中心点的距离和状态预报误差的协方差,从而克服基于 UT 变换的 H∞滤波采样时的非局部效应问题,增强了单站无源跟踪系统对噪声的鲁棒性.仿真实验结果表明,本文方法通过对 UT 变换进行简化,在自适应因子化的同时,算法的计算量与基于 UT 变换的 H∞滤波基本持平,且跟踪精度优于基于 UT 变换的 H∞滤波算法.该算法在保持高精度估计能力的同时,具有较强的鲁棒性,是解决非线性系统状态估计问题的一种有效方法.     

改进的EKF算法在目标跟踪中的运用

过程噪声和测量噪声影响Kalman滤波的性能,通常很难得到它们准确的值。提出观测噪声和过程噪声实时估计的自适应算法。该算法可以用在非线性和机动目标跟踪问题中,不必预先知道准确的噪声方差。重新估测观测噪声方差矩阵,可以较好地消除由观测噪声带来的误差;建立一个简单的线性Kalman滤波器对过程噪声进行实时估计,这对于机动目标来说是必要的,因为原有的过程噪声将受到加速度影响,不能包含全部的信息。实验表明,该算法保证EKF稳定性,提高了跟踪性能。模拟实验300次后,X,Y方向位置均方误差分别为7.8099,9.6838。     

基于对称分布特性的自适应α-剪枝均值滤波

本文提出了一种新的消除图像中混合噪声的自适应α-剪枝均值方法.该方法基于α-剪枝均值理论和噪声模型的对称特性.与基于渐进方差最小化的自适应α-剪枝均值方法相比,两者在滤波效果上接近,在滤波速度上本文方法提高了近一倍,降低了算法复杂度.对偏离对称分布模型的混合噪声模型,此方法也有很好的鲁棒性.通过实验,其有效性和速度得到验证.     

基于高斯粒子滤波的当前统计模型跟踪算法

对于非线性系统估计问题,高斯粒子滤波器可以获得近似最优解,与粒子滤波器相比其优点是不需要重采样步骤和不存在粒子退化现象.采用高斯粒子滤波代替当前模型自适应跟踪算法中的卡尔曼滤波,将高斯粒子滤波与当前统计模型的优点相结合,提出了一种新的当前统计模型自适应跟踪算法,用于非线性非高斯系统的机动目标跟踪.MonteCarlo仿真表明,该算法跟踪精度优于标准的交互多模型算法和当前统计模型自适应跟踪算法,实时性好于交互多模型粒子滤波算法.     

用于纯方位目标跟踪的修正极坐标自适应卡尔曼滤波算法

针对纯方位被动目标跟踪中，直角坐标系下的扩展卡尔曼滤波器容易发散而导致滤波精度很差的问题，提出了一种修正极坐标系下的自适应卡尔曼滤波算法，对虚拟系统噪声进行估计，动态补偿模型线性化误差，对其滤波理论及算法进行了研究和仿真．仿真结果表明，该算法提高了滤波的稳定性、快速性和精确性，优于一般的扩展卡尔曼滤波算法．     

基于小波分析的惯性传感器信号Kalman滤波

针对光电跟踪系统惯性传感器信号特点,本文提出通过小波分析的方式确定相关Kalman滤波的模型及参数.该方法利用小波分析的优良特性,采用先将信号进行去噪处理,然后对去噪后的信号进行AR建模.根据小波去噪后的信号比较接近真实信号,将得到的观测噪声方差乘以一个小于1的系数后作为系统的过程噪声方差,从而确定模型的噪声参数.仿真实验结果表明,该方法不仅对惯性传感器的静态数据有很好的效果,而且对其动态观测数据也有良好的效果.同时,该方法不仅对光电跟踪系统有效,而且还具有一定的通用性.     

基于自适应直接快速迭代滤波的滚动轴承故障诊断方法

直接快速迭代滤波(direct fast iterative filtering, DFIF)是最近提出的一种非线性和非平稳信号分析方法。针对DFIF方法需人为设定滤波区间调整参数，且该参数在迭代计算过程中缺乏自适应性等问题，提出了自适应直接快速迭代滤波(adaptive direct fast iterative filtering, ADFIF)方法，该方法基于瞬时频率波动能量差准则，自适应确定DFIF算法外循环每层迭代筛分过程中最优滤波区间调整参数。ADFIF方法能够自适应地将任意非线性和非平稳信号分解为若干个瞬时频率具有物理意义的近似窄带信号和一个趋势项之和。通过仿真信号和滚动轴承故障信号分析，将所提ADFIF方法与原DFIF、自适应局部迭代滤波、变分模态分解、经验模态分解等方法进行对比，结果表明，所提ADFF方法在抑制模态混叠和抗噪性方面具有一定的优势，且能提取出滚动轴承更多故障特征信息。     

基于鲁棒H~∞滤波的光电跟踪机动目标状态预测估计

针对光电跟踪系统中目标机动的特点和电视图像跟踪器信号处理、传输造成的测量时滞以及目标信号测量中存在的不确定干扰和噪声,选取机动目标"当前"统计模型对加速度进行建模,在所建立的光电跟踪目标加速度非零均值相关模型的基础上,采用鲁棒H∞滤波算法对光电成像识别目标运动状态进行预测估计.其预测精度比Kalman滤波提高近1倍.实验结果表明,该方法能有效地克服目标模型变化及随机噪声和干扰不确定性的影响,具有较高的预测精度和良好的鲁棒性.     

一种新的自适应非线性卡尔曼滤波算法

为避免由于系统噪声统计特性不准确所导致的滤波性能下降问题,改进了一种基于新息的系统噪声方差调整方法,并将其与扩展卡尔曼滤波、Unscented 卡尔曼滤波和差分滤波相结合,形成自适应非线性卡尔曼滤波.将此方法应用到非线性测量光电跟踪系统中,并与采用基本非线性卡尔曼滤波进行性能对比.仿真实验结果证明该方法可以实时调整系统噪声方差,有效地避免由于系统噪声统计特性不准确所带来的滤波性能下降的问题,而且其性能明显优于基本非线性卡尔曼滤波.     

基于自适应加权多尺度组合形态滤波的轴承故障特征提取研究

针对滚动轴承振动信号在进行早期故障诊断时往往会伴随着噪声干扰的问题,提出了一种选择性自适应加权多尺度组合形态滤波(Adaptive Weighted Multi-scale Combination Morphological Filtering,AWMCMF)方法,从振动信号中提取故障特征。首先,采用三种组合算子构成一组新的形态算子,可有效地提取出信号中的正负冲击特征;其次,基于新算子提出了加权多尺度形态滤波方法,并将Teager能量峭度作为评判指标为各尺度提供优化的权值;最后,将选择性自适应权值与多尺度算子进行加权绑定得到优化的故障特征提取结果。通过仿真信号和轴承故障振动信号的结果表明,该方法能有效地滤除噪声并提取故障特征。     

基于信息融合与FastICA的轴承故障提取方法

针对振动传感器监测信号易受噪声干扰的问题,提出一种基于FastICA算法与信息融合的轴承故障诊断方法。算法对各通道测得的信号采用FastICA算法进行降噪处理,采用自适应线性加权算法对降噪后信号进行数据层信息融合,最后基于谱峭度指标设计自适应带通滤波器,进行特征提取。此方法解决了低信噪比条件下的轴承故障特征提取问题。使用了仿真和实验轴承故障信号验证了算法的有效性。     

基于VMD的自适应形态学在轴承故障诊断中的应用

为有效提取滚动轴承信号的特征频率,提出了基于变分模态分解(VMD)的自适应形态学的特征提取方法。首先利用VMD将目标信号分解为有限个模态信号,依据互信息法提取与原始信号相关的模态信号,将其进行求和重构;然后利用形态学对重构信号进行降噪处理,提取出滚动轴承的特征频率。针对形态学固有统计偏移和结构元素的选择问题,利用粒子群算法来优化改进的广义形态学滤波器,实现自适应滤波。通过数字仿真实验与滚动轴承故障试验分析,将其与基于经验模式分解(EMD)的自适应形态学、包络解调方法进行比较,结果表明该方法可以有效提取故障信号的特征频率。     

改进的HHT方法及其在旋转机械故障诊断中的应用

针对希尔伯特-黄变换(Hilbert-Huang Transform,HHT)方法中存在的模态混叠和虚假固有模态函数(Intrinsic Mode Function,IMF)问题,提出一种基于总体包络均值经验模态分解(Ensemble Envelop Mean Empirical Mode Decomposition,EEMEMD)和虚假模态函数剔除算法相结合的改进HHT方法。该方法利用EEMEMD可准确反映加噪后信号的自身变化,一定程度上中和残留在各模态分量间的噪声,获得无模式混淆的较纯净的IMF分量。同时,通过基于归一化能量熵值的虚假模态函数剔除算法可有效剔除噪声干扰成分和迭代误差分量,从而提高信号特征提取的准确性。通过仿真分析和转子不对中故障诊断的工程实例表明,改进HHT方法能够较好地抑制模态混叠问题并有效剔除同故障无相关的虚假IMF,实现对旋转机械故障的有效诊断。     

基于自适应CYCBD和互相关谱的滚动轴承复合故障诊断方法

强背景噪声环境下,复合故障信号中的多特征提取与分离是实现滚动轴承复合故障诊断的重点与难点。提出了基于自适应最大二阶循环平稳盲卷积(CYCBD)和互相关谱的滚动轴承复合故障特征提取方法。首先,基于故障信号特点,通过设置CYCBD中不同的循环频率,提取不同频率的故障冲击成分,并以最大谐波显著性指数(HSI)为依据,自适应选取CYCBD的最优滤波器长度;然后,利用互相关分析进一步抑制信号中的噪声,提高信噪比;最终通过快速傅里叶变换(FFT)实现滚动轴承故障特征的提取。仿真和实测信号的分析结果表明,该方法能够去除背景噪声的干扰、提取滚动轴承复合故障特征,验证了方法的有效性。     

基于EEMD和共振解调的滚动轴承自适应故障诊断

本文为解决滚动轴承原始振动信号信噪比低以及带通滤波器参数选择依赖于人的主观经验等影响传统共振解调技术有效应用的问题,提出了EEMD自适应消噪和自适应共振解调相结合的方法。论文首先利用EEMD自适应地将信号分解成多个分量,通过互相关系数方法进行自适应重构以突出故障特征信号,然后利用谱峭度自动确定带通滤波器的中心频率和带宽,最后对滤波后的信号进行能量算子解调谱分析。数字仿真信号和滚动轴承实验证明了该方法的有效性。     

基于无迹卡尔曼滤波的动态贝叶斯小波变换在轴承故障诊断中的应用

针对工程实际中滚动轴承发生故障的类型具有典型性和故障信号具有冲击性,且振动信号的频率成分因外界环境的影响而变得极其复杂的特点,提出了一种基于负熵和无迹卡尔曼滤波的动态贝叶斯小波变换方法。该方法将SE(Squared Envelope) Infogram方法应用到无迹卡尔曼滤波方法(Unscented Kalman Filter, UKF)中,利用SE Infogram确定滤波器参数初值,即中心频率与带宽的初值,结合UKF对中心频率与带宽进行优化,以最优中心频率与带宽对振动信号进行滤波分析,对滤波后的信号进行包络解调分析,实现轴承微弱故障特征的提取。利用负熵指标代替以往研究所用的峭度指标,可以有效消除或削弱高峰值干扰的影响。最后,通过对仿真信号和轮对轴承试验信号对提出的方法进行了验证。结果表明,该方法能够有效提取强背景噪声下轴承外圈、内圈故障和滚动体故障,验证了该方法对轴承微弱故障诊断的有效性。     

基于改进自适应变分模态分解的滚动轴承微弱故障诊断

滚动轴承早期故障信息微弱,且混有大量背景噪声,难以提取其故障特征。提出了一种改进的自适应变分模态分解(AVMD)与Teager能量谱的微弱故障诊断方法。将最小平均包络熵(MMEE)作为目标函数,自动搜寻影响参数最佳值,确保变分模态分解(VMD)实现最优分解,并提出加权峭度指标(WK)用于选择有效模态分量进行信号重构,对重构信号进行Teager能量谱分析,从而识别故障特征频率。对轴承微弱故障振动信号的研究表明,所提方法改进了传统VMD算法分解精度受参数影响较大,导致信号出现过分解或欠分解的问题;与集合经验模态分解和局部均值分解算法相比所提方法具有更强的噪声鲁棒性和故障信息提取能力。     

基于优化NRS和复杂网络的柴油发电机组故障诊断

为解决柴油发电机组故障诊断中复合故障难以识别的问题,设计了一种变分模态分解、优化邻域粗糙集和社团层次聚类相结合的故障诊断方法。采用变分模态分解方法对采集的声信号进行分解,并形成初始特征集。考虑到冗余特征的影响,使用优化邻域粗糙集进行特征筛选,达到属性简约的目的。利用复杂网络中的社团结构建立故障诊断网络,通过设计社团区分准则函数找出社团结构,同时实现了故障诊断分类。试验表明,所提方法的故障诊断率达到了99.17%,其有效性及优越性得到了充分证实。     

基于卡尔曼滤波的STFT域回声抵消算法

提出了一种低复杂度的短时傅里叶变换域卡尔曼滤波算法来解决声学回声抵消问题。首先在短时傅里叶变换域建立了基于频域卷积传递函数的观测方程,并利用一阶马尔科夫模型对频域回声路径进行建模,给出了精确的卡尔曼滤波方程,并讨论了过程噪声和观测噪声的估计问题。为降低算法计算复杂度,提出了低复杂度卡尔曼滤波算法。另外,在更新滤波器时加入远端信号邻近频点的信息来进一步提高回声抵消性能。实验结果表明,所提算法对近端干扰不敏感,不需要额外的双端对讲检测算法,且比传统的频域自适应滤波算法具有更快的收敛速度。