正交差分演化算法在工程优化设计中的应用

提出一种基于正交设计的快速差分演化算法,并把它应用于工程优化设计中。新算法在保留传统差分演化算法简单、有效等特性的同时,还具有以下一些特点：（1）引入一种基于正交设计的杂交算子,并结合约束统计优生法来产生最好子个体;（2）提出一种简单的多样性规则,以处理约束条件;（3）简化基本差分演化算法的缩放因子,尽量减少算法的控制参数,方便工程人员的使用。通过对2个工程优化实例进行实验,并与其他算法的结果作比较,其结果表明,新算法在解的精度、稳定性、收敛性和收敛速度上表现出很好的性能,并且对所优化的问题没有特殊的要求,具有很好的普适性。     

求解方程组的正交差分进化算法

首先利用代理约束概念和修正极大熵函数,将非线性方程组等价地转化为无约束优化函数;然后引入平均相似度概念,设计自适应正交交叉算子,利用正交设计产生初始种群,并在此基础上提出了自适应正交差分进化算法,用于求解修正极大熵函数;最后用方程组验证了算法的有效性。     

基于高斯分布的多层无迹卡尔曼滤波算法

在传统无迹卡尔曼滤波(UKF) 中对其估计精度和计算效率起关键作用的是采样算法, 即构造具有权重的样本点. 研究表明, 带权样本点匹配随机变量的阶矩越高滤波的精度越高, 如多项式无迹卡尔曼滤波(PUKF), 但通常此类算法的复杂度过高甚至难以求解. 为此, 基于高斯分布结合高阶矩匹配与无迹卡尔曼滤波线性扩张方 法(LUKF), 提出一种兼顾效率和精度的高斯滤波离线算法. 实验结果表明, 所提出算法拥有比UKF 更高的估计精度和比PUKF 更好的计算效率.

     

基于无迹卡尔曼滤波的无人机毫米波波束跟踪算法

针对无人机收发端相对运动导致毫米波窄波束无法实时匹配这一问题,提出一种基于无迹卡尔曼滤波的三维波束跟踪方法。该方法首先将波束的俯仰角和方位角作为系统状态向量,对其进行无迹变换,获得采样点集。而后,根据采样点集计算出状态预测值和测量预测值,并以此为基础,根据计算出的卡尔曼增益更新状态向量,获得状态向量的最优估计值。仿真结果表明,此方法满足了无人机实时波束跟踪需求,有效地提高了三维环境下毫米波窄波束的跟踪精度。     

基于无迹卡尔曼滤波的飞行航迹预测方法研究

为了解决现有的航迹预测方法预测精度和稳定性不足的问题,在已有的历史航迹数据的基础上,提出一种基于无迹卡尔曼滤波的飞行航迹预测模型.根据已知航班的部分航迹点构建航空器运动观测方程和状态方程,并通过无迹卡尔曼滤波完成航迹预测,面向所得数据和原始数据展开误差比较分析,检验算法及预测过程准确性.研究结果表明,通过上述算法进行飞...     

基于启发式算法的短时交通流量预测研究

针对初始参数的有效性直接影响BP神经网络对短时交通流量预测的准确性这一问题,该文提出了基于CS(Cuckoo Search)算法与BP(Back Propagation)神经网络相结合的启发式算法来进行短时交通流量预测。该算法首先用相空间重构理论对训练序列进行重构,接着把重构后的序列作为BP神经网络的输入序列,同时采用CS算法来进行BP神经网络的最优阀值与初始连接权值的寻找,最后就得到了所需要的预测模型。仿真表明,本文所提算法在短时间内能够准确地预测交通流量的变化趋势,从而大大增加了所预测流量的可信度。     

含有多普勒频率的无迹卡尔曼滤波

针对扩展卡尔曼滤波不含多普勒频率和非线性的缺陷,提出一种新的含有多普勒频率的无迹卡尔曼滤波算法。新算法通过推导观测向量和状态向量之间的函数关系,结合无迹卡尔曼滤波思想,使滤波结果较扩展卡尔曼滤波算法具有更高的精度。最后对新老算法进行了仿真对比分析,结果表明了新算法的有效性和合理性。     

无迹卡尔曼滤波算法在污水处理BSM1过程中的应用研究

污水处理过程具有多变量、强非线性和强扰动等特性,且系统输入具有随机性,不同天气状况和不同时间段的污水的排量不同.扩展卡尔曼滤波存在估计精度低和鲁棒性差等缺陷,当系统模型参数变化和外界环境噪声较大时,扩展卡尔曼滤波估计性能下滑.将无迹卡尔曼滤波算法应用到污水处理系统中,并与扩展卡尔曼滤波算法相比较,结果显示,无迹卡尔曼滤...     

短时交通流量预测的IPSO-BPNN算法

为了提高短时交通流量预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种粒子群优化神经网络的短时交通流量预测模型。将相空间重构和预测模型参数编码为粒子群的粒子,短时交通流量预测精度作为粒子群的适应度函数,通过粒子之间协作获得预测模型全局最优参数,通过BP神经网络建立预测模型,利用短时交通流量数据对模型性能进行测试。结果表明,相对于传统参数优化方法,粒子群优化神经网络提高了短时交通流量的预测精度,为非线性预测问题提供了一种新的研究思路。     

一种提高无迹卡尔曼滤波精确度的方法

无迹卡尔曼滤波是通过确定性采样,以无迹变换为基础,用卡尔曼线性滤波框架而建立起来的,对非线性系统有很好的滤波效果,但当噪声的影响较大时,精确度将会减低。为解决上述问题,提出了一种提高无迹卡尔曼滤波(UKF)精确度的方法,它将观测噪声和系统噪声引入到采样点中,对噪声进行对称采样处理,同时改进了算法过程,增加了无迹卡尔曼滤波的抗干扰性,与常规无迹卡尔曼滤波(UKF)相比,不仅保持了系统的稳定性,而且提高了精确度,最后通过仿真进行了验证。     

基于无迹卡尔曼滤波传感器信息融合的车辆导航算法

针对复杂道路条件下车辆的导航问题,将全球定位系统(GPS)与车载终端传感器系统相结合,提出了基于多传感器系统的车辆精确定位模型,并针对扩展类卡尔曼滤波易产生突发性误差而导致的安全问题,采用基于Sigma点的无迹卡尔曼滤波器(UKF)传感器信息融合算法。根据实时的道路状况和车辆自身的运动状态给出符合要求的状态估值,实验与基于多项式扩展卡尔曼滤波车辆传感器信息融合算法在精度和效率方面进行了比较,结果表明,基于UKF传感器信息融合的算法在复杂路况下的估计精度和运行效率都有显著提高,能够根据当前的路线情况和车载传感器的反馈信息快速地估计出车辆的运动状态,实时计算出动态的车辆控制输入。     

基于序贯无迹卡尔曼滤波的雷达目标跟踪方法

提出一种基于序贯无迹卡尔曼滤波的雷达目标跟踪方法。雷达跟踪系统为离散非线性系统,传统的解决方法是使用扩展卡尔曼滤波。无迹卡尔曼滤波用少量采样点表示随机变量的分布,通过非线性系统传播,能以三阶精度获得非线性变换的均值和方差的估计。为了提高无迹卡尔曼滤波的精度,用序贯无迹卡尔曼滤波方法依次处理方位角、俯仰角和距离,来进行雷达目标跟踪。通过Monte Carlo仿真,验证了该滤波算法比传统的扩展卡尔曼滤波具有更高的滤波精度和更高的计算效率。     

带惯性变异与正交设计的差分进化改进算法

针对目前差分进化算法收敛速度慢,易出现早熟的问题,提出一种新的带惯性变异与正交设计的差分进化改进算法。在经典差分进化算法的基础上,对每一代群体中优于前一代的个体执行惯性变异,寻求发现更优个体,在每一代群体更新结束后,对群体中最优个体在其局部邻域内使用正交设计方法进行搜索,加快发现最优解的速度。通过对7个常用的基准测试函数进行测试,结果表明提出的算法在求解精度、收敛速度、稳定性和扩展性等方面均有很好的表现,明显优于经典差分进化算法和目前常见的差分进化改进算法。     

求解高维多模优化问题的正交小生境自适应差分演化算法

针对传统优化算法在求解高维多模态优化问题时存在收敛速度慢、求解精度低的问题,提出一种基于正交设计与小生境精英策略的自适应差分进化算法ONDE。首先利用正交表产生初始种群,然后采用小生境精英策略来产生小生境种群(NP),并用小生境种群更新精英个体;接着应用拥挤裁剪避免种群陷入局部搜索,最后利用自适应差分变异算子改进了差分进化(DE)算法。通过对7个benchmark函数仿真验证,实验结果表明,算法在收敛速度、求解精度和稳定性方面都有较大优势。     

基于差异演化算法的BP神经网络预测模型及其应用

人工神经网络的结构设计没有系统的规律可遵循,而常用的基于梯度的神经网络参数优化又易陷入局部最优解。针对BP人工神经网络所存在的缺陷,结合差异演化算法,提出了实数编码的DE-BP神经网络预测模型。利用税收预测的实例验证了算法的有效性,取得了令人满意的结果。     

Maximum correntropy unscented filter

The unscented transformation (UT) is an efficient method to solve the state estimation problem for a non-linear dynamic system, utilising a derivative-free higher-order approximation by approximating a Gaussian distribution rather than approximating a non-linear function. Applying the UT to a Kalman filter type estimator leads to the well-known unscented Kalman filter (UKF). Although the UKF works very well in Gaussian noises, its performance may deteriorate significantly when the noises are non-Gaussian, especially when the system is disturbed by some heavy-tailed impulsive noises. To improve the robustness of the UKF against impulsive noises, a new filter for non-linear systems is proposed in this work, namely the maximum correntropy unscented filter (MCUF). In MCUF, the UT is applied to obtain the prior estimates of the state and covariance matrix, and a robust statistical linearisation regression based on the maximum correntropy criterion is then used to obtain the posterior estimates of the state and covariance matrix. The satisfying performance of the new algorithm is confirmed by two illustrative examples.     

基于反向学习的自适应差分进化算法

为解决差分进化（DE）算法过早收敛与搜索能力低的问题,讨论对控制参数的动态调整,提出一种基于反向学习的自适应差分进化算法。该算法通过反向精英学习机制来增强种群的局部搜索能力,获取精确度更高的最优个体;同时,采用高斯分布随机性提高单个个体的开发能力,通过扩充种群的多样性,避免算法过早收敛,整体上平衡全局搜索与局部寻优的能力。采用CEC 2014中的6个测试函数进行仿真实验,并与其他差分进化算法进行对比,实验结果表明所提算法在收敛速度、收敛精度及可靠性上表现更优。     

基于差分进化融合蚁群算法的数据中心流量调度机制

针对数据中心网络的传统流量调度方法容易引起网络拥塞及链路负载不均衡等问题,提出了一种差分进化（DE）融合蚁群（ACO）算法（DE-ACO）的动态流量调度机制,对数据中心网络中的大象流调度进行优化。首先,利用软件定义网络（SDN）技术捕获实时网络状态信息并设定流量调度的优化目标;然后,通过优化目标重定义DE算法,计算出多条可用候选路径,作为ACO算法的初始化全局信息素;最后,结合全局网络状态以求得全局最优路径,并重新路由拥堵链路上的大象流。实验结果表明,以在随机通信模式下为例,与等价多路径路由（ECMP）算法和基于蚁群算法的SDN数据中心网络流量调度（ACO-SDN）算法相比,所提算法的平均对分带宽分别提高了29.42%～36.26%和5%～11.51%,降低了网络的最大链路利用率（MLU）,较好地实现了网络负载均衡。     

基于无极卡尔曼滤波算法的雅可比矩阵估计

在基于图像的机器人视觉伺服中,采用在线估计图像雅可比的方法,不需事先知道系统的精确模型,可以避免复杂的系统标定过程。为了有效改善图像雅可比矩阵的在线估计精度,进而提高机器人的跟踪精度,针对机器人跟踪运动目标的应用背景,提出了利用无极卡尔曼滤波算法在线估计总雅可比矩阵。在二自由度的机器人视觉伺服仿真平台上,分别用卡尔曼滤波器（KF）、粒子滤波器（PF）和无极卡尔曼滤波器（UKF）三种算法进行总雅可比矩阵的在线估计。实验结果证明,使用UKF算法的跟踪精度优于其他两种算法,时间耗费仅次于KF算法。     

AR预测模型的IMM跟踪算法

针对LOS/NLOS混合条件下对机动目标的鲁棒跟踪问题,提出一种基于AR预测模型的交互式多模型（Interacting Multiple Model,IMM）跟踪算法（ARIMM）。该算法利用AR预测模型对运动状态建模,针对LOS与NLOS条件下观测噪声的分布不同分别使用无迹卡尔曼滤波器（Unscented Kalman Filter,UKF）和改进的无迹卡尔曼滤波器（Robust Unscented Kalman Filter,RUKF）,通过IMM方法估计出移动台的位置,利用该位置更新AR模型的参数,使AR模型与真实运动状态更加匹配,实现精确跟踪。仿真结果表明,在LOS/NLOS混合条件下,与传统的UKF和RUKF算法相比,该算法对机动目标跟踪的鲁棒性更好。