空间机动目标跟踪的改进自适应IMM算法

针对使用模型似然函数比对传统交互多模型(interacting multiple model, IMM)算法模型转移概率实时修正存在奇异的问题, 基于所提修正函数给出一种改进自适应IMM算法。首先, 将白噪声模型与扩展卡尔曼滤波(extended Kalman filter, EKF)算法结合, 设计了非机动模型EKF1及机动模型EKF2作为IMM算法模型集。其次, 预报模型采用适应椭圆参考轨道的非线性相对轨道动力学方程以提高模型预报精度。最后, 分析了速率量测信息对减小机动目标跟踪峰值误差的作用。仿真结果表明, 改进的模型转移概率自适应IMM-EKF算法跟踪精度明显提高, 且优于比较的现有方法; 引入速率量测信息后, 最大峰值误差及估计精度得到了改善。     

基于PSO-BP神经网络的广播星历轨道误差预测模型

在卫星导航数据处理实践中,发现广播星历轨道误差中客观存在不确定性的规律现象,针对这种不能用确定数学模型表示的误差信息,建立基于粒子群优化反向传播(back propagation,BP)神经网络的轨道误差预测模型。通过粒子群算法对BP神经网络的初始权值和阈值进行全局寻优,利用广播星历解算出的卫星空间位置和速度,并结合时间信息和摄动改正数对神经网络进行训练和测试。结果表明该模型对广播星历轨道误差具有较好的拟合能力和预测效果,用该模型对卫星位置解算提供误差补偿,可有效提高卫星定轨精度,降低系统级误差。     

基于相空间重构的RBF江水浊度预报研究

针对江水浊度序列非线性非平稳的特点,提出基于相空间重构的径向基函数(RBF)神经网络江水浊度预报法.利用虚假邻域法确定最小嵌入维数,根据互信息法计算最佳延迟时间;根据取得的嵌入维数和延迟时间对江水浊度时间序列进行相空间重构;利用重构相空间后的时间阵列,用RBF神经网络建立预报模型;利用该模型对江水浊度进行预报.最后通过仿真,证明基于相空间重构的RBF神经网络预报优于SISO-RBF神经网络预报和BP神经网络预报.     

基于RBF的机械手建模误差补偿自适应控制

针对机械手动力学建模误差,提出了基于RBF神经网络误差补偿的自适应控制策略。在基于逆动力学的计算力矩控制方法的基础上,对系统输入与目标轨迹进行修正,设计了两种误差补偿自适应控制器。利用RBF神经网络对修正项在线自学习,并根据Lyapunov稳定性理论建立了网络权重自适应学习律,保证了跟踪误差的收敛及系统的稳定。以平面转动双臂机械手轨迹跟踪为例进行仿真,结果表明该方法能够有效地补偿建模误差,提高了系统的控制性能并使控制系统具有对参数摄动的鲁棒性,对于机械手自适应控制具有一定的可行性。     

基于轨道误差搜索的双基地ISAR包络对齐算法

针对空间目标这一应用背景提出了一种基于轨道信息的双基地逆合成孔径雷达包络对齐算法。首先推导了空间目标位置预报误差与慢时间之间的函数关系,分析表明,成像时间内轨道预报误差可用慢时间的二阶函数表示。在此基础上,利用轨道预报值和轨道误差搜索结果通过在频域补偿相位的方式完成了一维距离像包络的精确对齐。参数搜索过程中,确定了误差速度和加速度的搜索步进量,并以二维图像的对比度作为代价函数。仿真结果表明,相比于传统基于回波相关性的包络对齐算法,该算法更适用于因双基地角和极化失配等因素导致信噪比较低的双基地回波。     

线性预报误差时变方差补偿与语音增强

对常规的语音信号线性预报模型进行了推广 ,将线性预报误差方差考虑为时变的 ,这在一定程度上可对语音信号帧内非平稳特性进行补偿。基于对线性预报残差的短时 (2ms～ 4ms)特性分析 ,给出了线性预报系数及线性预报误差时变方差的迭代估计方法。将此模型应用于基于Kalman滤波的语音增强方法。仿真结果表明 ,这种线性预报误差时变方差补偿可以提高语音增强的信噪比     

一种新的暴雨灾害预报非线性建模方法

针对一般模块化模糊神经网络(MFNN)的门网络普遍采用模糊C均值聚类算法(FCM),没有对样本特征进行优化的问题,提出了在门网络中采用模糊核聚类算法(FKCA)替代模糊C均值聚类算法,构建了一种新的模糊核聚类模块化模糊神经网络预报模型.进一步采用动力消空算法、切比雪夫多项式展开方法和自然正交展开方法对预报量和预报因子进行计算处理后,分别建立了普通模块化模糊神经网络和模糊核聚类模块化模糊神经网络暴雨预报模型.利用这两种预报模型进行的暴雨预报试验表明,在相同的条件下,改进模型具有更高的暴雨预报TS评分.     

基于相对角动量的空间非合作目标机动仅测角检测方法

针对传统方法在空间非合作目标小脉冲轨道机动检测过程中性能不佳的问题，在构建了一种基于相对角动量的新型待检特征量的基础上，提出了利用无源光学相机仅测角信息的轨道机动检测新方法。首先，在轨道坐标系下建立了基于Clohessy-Wiltshire方程的相对动力学模型和相机偏离质心安装时的相对视线角测量模型；然后，给出了相对角动量的定义并量化分析了以相对角动量作为机动检测特征标志的优越性；接着，设计了基于二次滑窗方差比值的机动检测算法框架；最后，通过数值仿真对所提算法进行了有效性验证和性能分析。仿真结果表明，该方法可以实现对近圆轨道目标的快速轨道机动检测，机动时间点检测误差在60 s以内。     

动力学模型系统误差及其协方差阵的随机加权拟合法

在现有的基于移动窗口函数模型和随机模型系统误差自适应拟合方法的基础上,提出一种基于移动窗口动态导航模型系统误差的随机加权拟合法,在相同的窗口内给出了相应的状态预报向量协方差阵的随机加权拟合。由于动力学模型系统误差难以直接修正,采用修正状态估计误差向量及动力学模型误差向量的方法,实现对动力学模型系统误差的修正,然后利用修正后的动力学模型及相应的协方差阵进行导航滤波计算,有效地抑制动力学模型系统系统误差的影响,提高导航解算的精度。仿真结果证明,采用随机加权拟合后的算法精度优于未进行拟合的卡尔曼滤波和自适应卡尔曼滤波算法。     

基于优化神经网络预报的原油含水率测量

在线密度法在原油含水率测量中有很强的实用价值, 但存在着受现场不确定因素影响测量误差波动较大的缺点. 为了提高含水率的测量精度和稳定性,将误差反向传播神经网络用于密度法计算含水率数学模型中, 针对该算法收敛速度缓慢和易陷入局部极小点的缺点, 提出了将模拟退火算法用于该模型的全局寻优, 改进后的误差反向传播神经网络的误差预报值对密度法模型计算值进行修正. 通过对离线实验数据的训练, 该方法能够有效地提高在线快速含水率测定结果的准确性.     

基于LSTM与1DCNN的导弹轨迹预测方法

针对弹道导弹等超远程攻击目标的轨迹难以预测的问题,提出一种基于长短期记忆(long short-term memory, LSTM)网络与一维卷积神经网络(1-dimensional convolutional neural network, 1DCNN)的目标轨迹预测方法。首先,建立三自由度导弹运动模型,依据再入类型设计3种目标轨迹数据,构建机动数据库,解决轨迹数据的来源问题。其次,采用重复分割与滑动窗口的方法对轨迹数据进行预处理。然后,基于LSTM与1DCNN设计了一种目标类型分类网络,对目标进行初步分类。最后,基于1DCNN设计轨迹预测网络,对目标轨迹进行预测。仿真结果表明,提出的轨迹预测网络能够完成轨迹预测任务,预测误差在合理范围内。     

基于注意力机制的混合CNN-BiLSTM低轨卫星信道预测算法

针对低轨道卫星信道质量变化迅速、信道参数“过时”的问题, 提出了一种基于注意力机制的卷积神经和双向长短时记忆神经网络(attention-convolutional neural network and bi-directional long-short term memory neural network, AT-CNN-BiLSTM)融合的信道预测方法。该方法由信号预处理、网络训练和信号预测3部分组成。首先在高斯白噪声条件下模拟室外卫星信号, 得到卫星信号的训练集和测试集; 然后将训练集输入构建的训练网络进行特征提取; 最后将测试数据输入网络进行预测分析。仿真结果表明, 在与其他4种人工智能方法的对比中, 所提出的混合神经网络能够在较快的收敛速度下达到较高的准确率(91.8%), 有效地缓解了低轨道卫星信道参数“过时”的现状, 对提升卫星通信质量和节省卫星信道资源有良好的改善作用。     

基于多尺度LSTM预测模型研究

航空发动机剩余寿命（remaining useful life,RUL）预测是设备故障预测与健康管理（prognostics and health management,PHM）的核心问题。针对发动机数据维度高、滞后性强和复杂度高等挑战,提出了一种基于自训练权重的多尺度注意力双向长短期记忆神经网络模型。通过不同尺度的双向长短期记忆神经网络（bidirectional long short-term memory neural network,BiLSTM）提取多尺度特征;提出一种基于自训练权重的融合算法,通过引入注意力机制进行不同尺度的特征筛选,以提高预测精度。将各模型在NASA的C-MAPSS数据集上进行实验对比,结果证明,所提出预测模型在准确率和均方根误差指标上均有所提升。     

基于动态混沌神经网络的预测研究——以马铃薯时间序列价格为例

针对农产品价格波动的非线性特征明显、传统时间序列方法在预测农产品价格短期波动存在不足等状况,本文将混沌理论和神经网络技术应用到农产品价格短期预测研究中,充分利用相关技术优势,设计了动态混沌神经网络时间序列预测模型.在此基础上,选取2008年1月21日-2012年7月1日的中国马铃薯日度价格为研究对象,对所构建的动态混沌神经网络时间序列预测模型进行学习、训练和测试,并用统计分析方法对模型性能进行评价与分析,最后,将所构建模型的预测结果与传统预测方法预测出的结果进行比较研究.结果显示:整个动态混沌神经网络结构为27-12-1,所设计的基于动态混沌神经网络的马铃薯价格时间序列预测模型在预测精度和性能上较ARMA模型均具有明显优势,这一预测模型在农产品价格时间序列短期预测研究上将具有广阔的应用前景.     

基于LSTM的弹道导弹主动段轨迹预报

弹道导弹主动段长周期轨迹预报能够为导弹防御系统提供早期预警信息。传统的轨迹预报方法大多集中在导弹的自由段与再入段, 通过解析法、数值积分法或函数逼近法推断未来时刻目标的状态。由于弹道导弹在主动段会受到多个未知作用力的影响, 其轨迹预报相比自由段与再入段更具挑战性。为此, 本文提出了一种基于长短时记忆(long short-term memeory, LSTM)网络的弹道导弹主动段轨迹预报方法。首先, 根据导弹主动段动力学模型与弹道参数典型取值生成用于网络训练的大规模轨迹样本; 其次, 设计了基于深度LSTM网络的弹道导弹主动段轨迹递归预报方法; 最后, 与基于数值积分法、多项式拟合及反向传播神经网络的轨迹预报方法的实验对比, 表明了所提方法在主动段轨迹预报上的优越性。     

基于改进PSO-BP算法的冷负荷预测模型

针对PSO-BP(Particle Swarm Optimization-Back Propagation)神经网络预测模型在冰蓄冷空调冷负荷预测中存在输入输出数据关联度低和预测模型存在误差的情况,提出了一种基于JMP数据处理软件、PSO-BP神经网络和马尔可夫链的组合预测方法.利用JMP处理输入数据,剔除耦合度低的样...     

基于模糊C均值聚类和神经网络的短时交通流预测方法

短时交通流预测是动态交通控制和诱导的前提。提出一种模糊C均值聚类和神经网络相结合的短时交通流预测方法。用同一组实测数据对比计算了该方法与BP神经网络预测方法、模糊神经网络预测方法分别得到的预测结果。计算结果表明：所提出的方法的预测准确性明显地高于其他两种方法。     

基于神经网络的高超声速飞行器惯导系统精度提高方法

针对目前惯性系统误差补偿模型对静态误差和动态误差处理能力不足的问题,为适应高超声速飞行器长航时、高精度的惯性导航要求,基于神经网络提出一种加速度计拟合模型.在高超声速飞行器飞行前期有准确的卫星导航信息时,收集导航信息和加速度计脉冲信息,利用神经网络强大的非线性拟合能力,在飞行过程中进行在线训练,得到精确的惯性系统模型....     

基于控制参数估计的再入滑翔目标智能轨迹预测算法

再入滑翔目标的轨迹预测是一项困难且具有意义的技术, 现有利用简单函数拟合控制参数进行轨迹预测的方法, 拟合精度不高且对数据的关联性不强。针对该问题, 本文结合长短期时序网络提出了基于控制参数估计的智能轨迹预测算法。首先, 通过设计快速轨迹生成算法, 结合攻角走廊模型快速生成大量机动轨迹, 构建数据集。然后, 建立了包含末点修正网络、控制参数修正网络及预测网络的智能轨迹预测框架, 利用数据集对关键控制参数的变化规律进行学习。最后, 结合目标运动模型积分外推实现轨迹的准确预测。仿真结果表明, 所设计的预测算法在不同机动模式下的预测平均误差不超过1.4 km, 最大误差不超过2.5 km, 能够实现轨迹的快速预测, 且对大气扰动造成的模型不确定性具有一定的鲁棒性。