分布式Unscented粒子滤波跟踪

提出了一种新的分布式粒子跟踪算法,该算法主要考虑传感网络能量受限、通信受限等特性,改善了通常的分布式粒子滤波粒子数目大、节点间信息交换多的弊端,能够用较少的节点计算得到对机动目标更好的跟踪结果,实现了改进的分布式粒子滤波(DUPF).DUPF算法的主要思想是利用Unscented Kalman滤波改进分布式粒子滤波算法形成一个建议分布,用来生成粒子分布,在这个基础上,通过分布式粒子滤波实现目标的在线跟踪.仿真实验表明,和分布式粒子滤波相比,DUPF只需要其25%的粒子数目就能达到同样的跟踪精度,即可用较少的节点和通信消耗,实现高精度的目标跟踪.     

基于粒子滤波和GVF-Snake的目标跟踪算法

提出了一种基于粒子滤波和GVF-Snake的自适应目标跟踪算法.该算法首先采用背景差分法获取目标初始轮廓,利用改进的GVF-Snake的强大搜索能力,使Snake收敛至运动目标的真实轮廓;然后根据控制点的距离增删控制点,达到自适应地跟踪运动和变形目标的目的;最后通过结合粒子滤波和改进的GVF-Snake,得到一种能量粒子滤波(EPF)目标跟踪算法,并利用提出的的跟踪策略,改进其抗遮挡能力.实验结果表明,被跟踪目标在遮挡情况下也能够保持良好的跟踪效果.     

基于粒子滤波的彩色图像跟踪算法的研究

摘 要;在以往的视频跟踪中,目标检测和跟踪常常需要两个计算法则,过程比较复杂,实现耗时较多。为了实现序列彩色图像的实时检测与跟踪,本文以目标有无信息和目标位置信息为变量建立联合状态向量,利用粒子滤波方法实现目标检测及跟踪。此外为了减少计算量并且充分考虑到跟踪区域各像素的权重,建立基于颜色信息的特征直方图作为观测向量,用于后验估计。实验证明本文提出的方法能够在14.37ms内检测并跟踪目标,并且对目标的旋转变化和尺度变化具有一定的鲁棒性     

基于粒子滤波跟踪方法研究

文章针对道路上的车辆跟踪问题,提出了粒子滤波跟踪算法。粒子滤波通过非参数化的蒙特卡罗模拟方法来实现递推贝叶斯滤波,适用于任何能用状态空间模型表示的非线性系统,以及传统卡尔曼滤波无法表示的非线性系统,精度可以逼进最优估计。粒子滤波方法的使用非常灵活,容易实现,具有并行结构,实用性强。文章的主要研究内容包括粒子滤波理论及其实现方法;利用粒子滤波理论来解决目标跟踪问题,构建基于粒子滤波的跟踪框架。     

基于改进粒子滤波算法的人眼跟踪方法

针对粒子滤波计算量大、粒子匮乏等问题,提出了2种策略来改进粒子滤波算法,一方面基于Galerkin投影法产生良好的粒子滤波参考分布函数;另一方面将BP神经网络引入粒子滤波,提出了一种提高粒子多样性的重采样策略。在此基础上,将改进的粒子滤波算法应用于人眼跟踪问题,运用颜色和纹理复合的观测模型,实现了人眼的准确跟踪。实验结果表明,改进算法有效提高了粒子滤波的估计精度和运算速度,避免了粒子退化和样本匮乏现象。     

径向基函数神经网络的全监督算法

径向基函数神经网络的学习过程一般分为两个阶段非监督学习和监督学习阶段,分别调整网络的中心和权值.这里将网络的总体误差作为目标函数,以待求的所有参数作为变量,同时调整,构成全监督算法.为了提高收敛速度,采用共轭梯度法作为参数优化方法.通过混沌时间序列预测仿真证明,该算法具有良好的性能.     

基于粒子滤波的传感器网络被动目标跟踪研究

为提高被动跟踪性能并减少无线传感器网络中的通信开销,该文提出了一种分布式的粒子滤波方法.首先,利用转弯率建立了机动目标的被动跟踪模型,然后,动态组织传感器网络节点成簇,推导了分布式粒子滤波实现的具体步骤.最后,使用计算机仿真对两种粒子滤波方法性能进行了对比,结果表明两种方法具有良好的跟踪精度,但分布式方法通信消耗更小.     

融合Mean-shift与粒子滤波改进算法的自适应人脸跟踪

针对人脸跟踪中计算量大以及粒子退化现象,提出了结合Mean-shift与粒子滤波的改进算法。首先根据Mean-shift算法中的"核函数",建立彩色加权直方图的目标模型。再以人脸初始位置采用Mean-shift算法自适应生成新的粒子集合,通过粒子滤波算法进行权值更新和粒子再采样,得到下一帧人脸位置,同时舍弃较小粒子。实验表明该算法提高了跟踪的运算速度和稳定性,并对人脸遮挡和偏移也有一定的改进。     

基于粒子滤波的彩色图像跟踪

视频跟踪中的目标检测和目标跟踪通常不能通过一个算法同时完成,而是需要两个计算法则,过程复杂,耗时较多.为了实现序列彩色图像的实时检测与跟踪,本文提出了一种基于粒子滤波的实时目标跟踪算法.以目标有无信息和目标位置信息为变量建立了联合状态向量,利用粒子滤波方法实现目标检测及跟踪.为了减少计算量,在充分考虑跟踪区域各像素权重的条件下,建立基于颜色信息的特征直方图作为观测向量,并用于后验估计.实验表明,本文提出的方法在选择150个粒子的情况下,对于768 pixel×576 pixel大小的彩色图像,能够在14.37 ms内检测并跟踪目标,而且能在目标发生旋转变化和尺度变化时,保持稳定跟踪,证明了该方法具有一定的鲁棒性.     

粒子滤波算法在非线性目标跟踪系统中的应用

提出了一种基于贝叶斯理论及蒙特卡罗仿真的粒子滤波算法.该算法通过非参数化的蒙特卡罗(Monte Carlo)模拟方法来实现递推贝叶斯滤波,适用于任何能用状态空间模型以及传统的卡尔曼滤波表示的非线性系统,精度可以逼近最优估计.给出了算法的理论依据及整个跟踪过程的框架,并通过仿真试验对算法进行了验证.与传统的目标跟踪算法相比,本算法不仅能实现对目标的稳定、准确跟踪,将跟踪精度提高到90%以上,并且,当受到严重遮挡而发生目标丢失时,该算法仍然能够在10帧内重新捕获目标.实验结果证明,算法对于部分遮挡等复杂的非线性、非高斯情况具有良好的跟踪性能.     

基于能量特征和RBF神经网络的柱塞泵状态识别方法

柱塞泵状态发生改变时,其振动信号各频带的能量发生相应变化,利用各频带的能量特征可识别柱塞泵状态。基于此提出一种基于能量特征和径向基函数(radial basis function,RBF)神经网络的柱塞泵状态识别方法。首先利用改进阈值的小波包降噪方法对原信号进行降噪处理,然后对降噪后的信号进行经验模态分解(empirical modedecomposition,EMD),选取含主要状态信息的IMF(intrinsic mode functions)分量,提取能量特征作为神经网络的输入参数,识别柱塞泵的状态。同时利用小波包分析技术提取能量特征,并运用神经网络进行状态识别。应用实例表明,以EMD提取各频带能量作为特征参数的RBF神经网络状态识别方法比小波包分析提取各频带能量特征的方法具有更高的识别率,能有效地识别柱塞泵的状态。     

方向基概率神经网络的模式识别

针对方向基函数神经网络与概率神经网络的优缺点,提出了方向基概率神经网络的基本模型,并讨论了它用作模式分类时的相关原理及算法。以焊缝中裂纹和气孔缺陷的分类为例,用方向基概率神经网络对缺陷进行模式识别。结果表明：该网络应用于模式识别,较方向基函数神经网络和概率神经网络不仅在速度上有较大的提高,而且在分类性能上也有明显的改善。     

双相干谱和RBF网络在旋转机械故障诊断中的应用

双相干谱保留了信号的相位信息，可以用来描述非线性相位的耦合，径向基函数网络具有良好的推广能力和分类能力。文中将双相干谱和径向基函数网络结合，提出一种基于双相干谱与径向基函数网络相结合的旋转机械故障诊断方法，即以双相干谱为故障特征向量，以径向基函数网络作为分类器，对旋转机械的故障进行分类，并以转子不平衡、转轴碰摩、油膜涡动为例进行实验研究。实验结果表明，结合双相干谱和径向基函数网络的旋转机械故障诊断方法是有效的。     

基于径向基函数的局部边界积分方程方法

将基于径向基函数构造的具有插值特性的逼近函数应用于弹性力学问题的局部边界积分方程,推导出相应离散方程的计算公式,建立基于径向基函数的局部边界积分方程方法。与原有的局部边界积分方程方法相比,该方法不需要虚拟节点变量,而是采用节点变量的真实解作为基本未知量,是局部边界积分方程无网格法的直接解法。由于形函数及其导数的构造相对简单,并且满足Delta函数性质,故该方法具有计算量小、精度高,可以像有限元法一样直接施加边界条件等优点。算例证明了该方法的有效性。     

FUZZY RADIAL BASIS FUNCTION (FRBF) NETWORK BASED TOOL CONDITION MONITORING SYSTEM USING VIBRATION SIGNALS

Thriving automation in industries leads to more research on the tool condition monitoring systems for better accuracy and fast recognition/evaluation of tool wear. Research on the applicability of the new advances in the soft-computing as well as in the signal processing fields is the inevitable consequence. In this work, a new soft-computing modeling technique, fuzzy radial basis function (FRBF) network has been applied to the prediction of drill wear using the vibration signal features. This work presents the wear prediction performance comparison of this new model with three other already tried and established soft-computing models, such as back propagation neural network (BPNN), radial basis function network (RBF) and normalized radial basis function network (NRBF), for both time-domain as well as wavelet packet approaches of feature extraction. Experimental results show that FRBF model with wavelet packet approach produces the best performance of predicting flank wear.     

基于RBF神经网络的齿轮箱故障诊断

阐述径向基函数(radial base function,RBF)神经网络的基本原理和算法,将其应用于齿轮箱故障诊断与识别,建立齿轮箱的BRF故障诊断模型,并与BP(back propagation)神经网络、学习率自适应BP神经网络进行对比分析研究。结果表明,RBF神经网络性能优于BP神经网络,具有较快的训练速度、较强的非线性映射能力和精度较高的故障识别能力,非常适用于齿轮箱的状态监测和故障诊断。但在具体应用中应当注意,RBF网络的训练样本必须含有一定的噪声,以提高网络的容噪性能;各类故障的训练样本数不能太少,否则RBF网络的故障分类能力很差。     

基于神经网络的可靠性分析新方法

对于大部分工程可靠性分析中的隐式极限状态方程,建立一种基于样本筛选的神经网络可靠性分析方法。该方法利用具有强大的非线性映射能力的神经网络,来近似隐式极限状态方程中的输入变量与输出变量的关系,从而使得隐式可靠性分析转化为显示可靠性分析问题,大大减少了计算失效概率的工作量。与已有的神经网络可靠性分析方法相比,所提方法选择近似极限状态方程而不是近似极限状态函数的策略,并通过筛选训练样本实现这一策略,从而提高可靠性分析的精度,算例结果充分显示所提方法的优越性。     

基于ART人工神经网络的焊缝跟踪检测算法

提出一种基于自适应共振理论（Adaptive Resonance Theory）神经网络的焊缝检测算法,其基本原理是把焊缝横截面方向上的灰度分布归结为若干种空间模式,并使之记忆在ART神经网络中的典型空间模式进行匹配程度检验,根据模式分布情况确定出焊缝位置。它是一种能够在强烈的噪声环境中正确地检测出焊缝位置的新的焊缝检测算法。本算法也为在强噪声环境中检测特定的空间模式提供了一条新思路。     

机器人焊缝跟踪神经网络控制的研究

研究神经网络技术在弧焊机器人焊缝跟踪过程中的应用,通过神经网络在笛卡尔空间轨迹的补偿作用,确定出基于笛卡尔空间参考轨迹控制的机器人焊缝跟踪神经网络控制器。与传统的关节计算力矩法相比,所设计的神经网络控制器具有良好的控制特性及较强的鲁棒性,焊缝跟踪精度得到了显著的提高。     

基于分层神经网络的微装配全局—局部视觉伺服研究

采用多视觉系统进行全局—局部3D点的跟踪,控制全局跟踪的视觉系统具有低的放大倍数和大的视场,而控制局部跟踪的视觉系统具有高的放大倍数和小的视场。在视觉伺服控制中,利用推导出的视觉雅可比映射矩阵建立任务空间到视觉空间的伺服控制方程,并利用这一方程建立预测器,对物体图像的未来位置进行预测,这样就减小了图像处理的区域,提高了图像处理的速度;同时,利用分层神经网络代替视觉空间到任务空间的映射,避免了复杂的逆矩阵计算。从仿真结果来看,这些方法的使用提高了图像处理的速度和跟踪精度。