一种新的基于WCDMA系统的基站选择定位算法

非视距（NLOS）是影响各种蜂窝网络定位精度的主要原因．提出了一种新的基站选择定位算法，算法基于到达时间差（TD（）A）计算距离．首先利用NLOS环境下距离测量样本的标准差大于LOS环境下的标准差这一前提，判断测量样本中是否含有NLOS误差．然后从测量值中选出含有NLOS误差最小的2个基站，将其重构出LOS测量值，再采用3基站算法进行定位计算．仿真表明，该算法比其他算法在定位精度方面有明显的提高．     

基于改进粒子滤波算法的无线传感器网络节点定位

针对无线传感器网络节点定位过程中的非视距传播误差问题,提出1种改进的状态检测粒子滤波算法。引入节点随机运动模型对节点运动状态进行预测。通过马尔科夫过程对在非视距(NLOS)/视距(LOS)混合环境下获得的测量值进行检测。利用p-范数对NLOS测量值进行筛选。结合校正后的节点间测量值和节点真实移动速度构建锚盒和采样盒。仿真结果表明,当NLOS/LOS混合模型分别满足均匀分布、高斯分布和指数分布时,该文算法均有较高的定位性能。     

基于IMMPF对异型空间的室内定位算法研究

针对非视距(NLOS)传播环境的室内定位技术存在受到墙体等物体遮挡干扰,易造成无线定位精度不高、误差偏大等问题,本文提出改进的交互多模型粒子滤波(IMMPF)室内定位技术。该方法对于室内运动目标模型与噪声进行建模,并且在交互多模型(IMM)中对粒子滤波(PF)进行实时更新混合信道参数,同时对于NLOS及其LOS混合信道进行参数估计,减少了非视距测量定位误差对定位结果的影响。本文以“L”型空间为例进行定位仿真,实验结果表明:基于改进交互多模型粒子滤波技术,其室内定位的性能优于传统的粒子滤波算法。     

基于假设检验的NLOS确定及最小残差定位算法

针对室内非视距传播会降低定位精度的情况,提出基于假设检验的NLOS确定算法,并在此基础上提出基于粒子群优化算法的最小残差定位算法.通过联合信号接收强度模型和到达时间模型,利用假设检验的方法确定当前信号是否受到非视距污染.仿真结果表明,与标准差分析法相比,所提出的方法具有计算量小、不需要太多的传播模型参数等特点,具有较高的正确率.在确定信号传播环境后,在非视距干扰比较严重的情况下,提出了基于粒子群优化算法的最小残差定位算法,定位精度优于加权最小二乘法和Fang氏算法.     

一种基于复合惯性权值的粒子群优化算法

在研究神经网络优化的问题上,粒子群优化算法被广泛应用.针对基本粒子群优化算法收敛速度慢和易陷入局部最优等问题,提出了一种改进的粒子群优化算法.该算法除了采用线性惯性权值和进化速度-聚集度动态惯性权值相结合的方式来调整其权值,还将一种新颖的收缩因子引入到算法中.通过对4种典型测试函数进行仿真测试,实验结果表明新算法在收敛速度、收敛精度、改善优化性能上完全优于基本的粒子群优化算法,有效避免了基本群优化算法的缺陷.     

基于模糊推理的粒子群优化算法

针对无约束优化问题,提出了基于模糊推理的粒子群优化算法,该算法针对粒子群优化算法搜索能力的不足,先引入平均粒子,然后引入模糊推理来改进粒子群的速度更新公式,再利用模糊推理动态地改进算法惯性权重和速度更新公式的权重因子,再结合混沌扰动增加算法后期的局部搜索能力.数值试验采用12个测试函数并有5个算法进行对比,数值试验证明,改进算法的搜索能力有较大的提高.     

削减NLOS误差的UWB室内定位算法

为了解决非视距（non-line of sight，NLOS）环境下超宽带（ultra-wideband，UWB）室内定位精度低的问题，提出一种基于到达时间差（time difference of arrival，TDOA）的UWB室内定位算法来削减NLOS误差，提高定位精度。利用卡尔曼滤波算法，初次估计移动标签节点与各锚节点间的TDOA值；基于TDOA差值进行NLOS误差判别，依据判别结果对受NLOS误差影响的测量值进行视距（line of sight，LOS）重构，并利用仅受LOS误差影响的历史值更新卡尔曼滤波的协方差阵；利用Chan-Taylor算法进行迭代计算，得到最终精确的定位结果。实验结果表明，在LOS环境下，提出的算法能达到分米级的定位精度；在受NLOS影响的环境下，该算法能有效提高定位精度，减小定位误差，具有更好的稳定性。     

一种改进粒子群算法及其在水轮机控制器PID参数优化中的应用

提出一种改进的粒子群优化算法,除了个体极值和全局极值外,改进算法中还引入了粒子群的平均位置.因此,粒子可以获得更多的信息来调整自身的状态.基于3个基准测试函数的测试结果显示改进粒子群优化算法具有较好的全局收敛性和收敛精度.计算机仿真结果表明:改进粒子群优化算法应用于水轮机控制器PID参数的优化设计可以有效地改善水轮机控制系统过渡过程的动态性能.     

基于非线性模糊支持向量机的知识化制造模式与动态环境匹配分类方法

为了评价企业当前知识化制造模式与动态环境因素的匹配性,为企业的快速响应提供依据,提出了一种考虑模糊输入和不均衡样本的非线性模糊加权支持向量机(NFW-SVM)模型.考虑到实际生产面临的动态环境因素具有模糊性和不确定性,引入三角模糊数对模糊因素进行描述.针对不同匹配类别数据样本的不均衡性,设置了不同的分类惩罚因子,以降低小样本错分的比例.将变异算子和具有收缩因子的动态惯性权重引入到标准粒子群优化算法中,利用改进的粒子群算法对模型参数进行优化,提高模型的分类精度.给出了基于NFW-SVM模型的知识化制造模式与动态环境匹配的分类方法.最后,通过实例验证了该方法的有效性和可行性.     

无线传感器网络节点自适应惯性权重定位算法

在无线传感器网络定位算法中,为了降低定位误差,提高定位精度,提出一种结合DV-Hop算法和改进粒子群算法的,基于自适应惯性权重的优化定位算法。首先根据DV-Hop算法估算未知节点与信标节点的距离。然后采用改进的粒子群算法做后期优化。根据每次迭代后粒子位置与全局最优位置的距离,对粒子的惯性权重进行动态调整,使其具有动态自适应性。并且利用进化度作为搜索中止条件,加快算法的收敛速度。通过仿真说明,相较于DV-Hop算法和基于已有改进粒子群优化的DV-Hop算法,自适应惯性权重定位算法可以降低平均定位误差,有效地提高了无线传感器网络中节点的定位精度。     

一种改进的减小NLOS影响的定位算法

根据蜂窝网络中非视距(NLOS)传播时延服从指数分布的统计特性,在视距重构/平滑算法的基础上,提出了一种改进的减小NLOS影响的定位方法.该方法首先根据NLOS传播时延的统计特性,估计NLOS传播时延的均值和方差;然后对到达时间差(TDOA)测量值进行修正,进而估计移动台(MS)位置;最后对不同时刻估计的移动台位置进行加权处理,进一步减小NLOS的影响.仿真结果证明该方法能够有效提高定位算法的定位精度.     

改进粒子群优化BP神经网络的心理压力识别算法

为提高心理压力的识别率,提出一种改进的粒子群优化BP(back propagation)神经网络的压力识别算法。该算法在基本粒子群(particle swarm optimization,PSO)模型的基础上,引入了收缩因子,在收缩因子的作用下,使速度的边界限制消失,选取适当的参数来保证PSO算法的有界和收敛特性,实现对BP神经网络的优化。利用心算任务进行压力诱发,采集高压、低压状态下的心电信号,提取了与心理压力相关的心率变异性特征值,并对特征数据对比分析;建立了心理压力程度的分类模型,通过改进的PSO模型优化BP神经网络以识别心理压力。结果表明:改进的粒子群优化BP神经网络算法与BP神经网络相比收敛速度快、误差小且识别率高,该算法对心理压力的识别率可达94.83%,识别效果优于未优化的BP神经网络算法。     

风、光、燃、储多源互补微电网的日优化运行

为了提高微电网经济运行水平,首先,针对粒子群算法前期容易早熟收敛的问题,提出了一种分段非线性惯性系数调整的方法,在此基础上,将Metropolis接受准则加入粒子群算法中,增加粒子跳出局部最优解的概率。采用改进算法及其相关的3种算法对4个基准函数作优化对比测试,验证了改进算法的有效性和可靠性。然后,以微电网发电成本最低和环境效益最优为目的,考虑了实际微网运行的约束条件,建立了包含有光伏阵列、风力发电机、微型燃气轮机、燃料电池、蓄电池的多源互补微电网日优化运行数学模型。最后,将改进算法与标准粒子群算法分别用于微网日运行优化模型求解,验证了采用改进算法能够使微网获得更佳的综合效益。     

基于果蝇优化算法改进的粒子滤波及其在目标跟踪中的应用

针对粒子滤波算法重采样导致的样本贫化问题,提出一种基于果蝇优化思想的粒子滤波算法.该方法视粒子权值为个体适应度值,并将果蝇不断从低浓度的地方飞向高浓度的地方的觅食寻优过程引入到粒子滤波当中,驱使粒子不断向高似然区域移动,提高了粒子群的整体质量.为了解决标准果蝇优化算法易陷入早熟的问题,将遗传算法中的交叉、变异操作自适应地应用到果蝇优化算法寻优过程当中.首先通过交叉操作改善粒子分布,当果蝇优化算法陷入局部最优时,再采用柯西变异扰动,促使算法快速跳出局部极值并继续搜索全局极值.通过非线性模型仿真以及目标跟踪实验表明该算法有效提高了非线性系统状态估计精度,具有较好的稳定性,同时降低了状态估计所需的粒子数量.     

一种抗非视距误差的组合定位算法

为解决移动机器人在NLOS 环境下定位系统误差大和稳定性差的问题,提出一种抗NLOS误差的N-CTK组合算法。首先在Chan-Taylor协同算法基础上,融入卡尔曼滤波算法,提出一种CTK组合定位算法,然后基于TDOA测量值构建NLOS误差模型,引入NLOS误差转化因子,融合扩展卡尔曼滤波算法,并结合所提CTK组合算法,最终获得标签的估计值。实验测试表明：LOS环境下误差为6cm时,N-CTK组合算法相比CTK组合算法的累积分布函数提高了13.5%,NLOS环境下误差为15cm时,N-CTK组合算法相比CTK组合算法的累积分布函数提高了55%,定位精度明显提高。     

粒子群优化平方根强跟踪CKF及应用

提出一种粒子群优化平方根强跟踪容积卡尔曼滤波算法,并将其用于水下应答器辅助航位推算组合导航系统. 以强跟踪滤波器为理论框架,结合容积卡尔曼滤波器,设计了平方根强跟踪容积卡尔曼滤波器. 提出一种改进的粒子群算法,将粒子两两为一对分成若干对,每进化一次后,比较两个粒子的代价函数值,代价函数值较优的粒子,搜索方向侧重于群体历史经验,代价函数较差的粒子,搜索方向侧重于自身历史经验. 将改进的粒子群算法用于求取强跟踪滤波器的渐消因子. 仿真结果表明在系统模型不准确的情况下所提算法依然能够有效跟踪状态变化,比传统的容积卡尔曼滤波器具有更高的滤波精度和稳定性.      

求解非线性约束优化问题改进的粒子群算法

采用粒子群算法处理约束优化问题时，由于约束条件使得解空间成为非凸集合，粒子容易陷入局部最优，因此在搜索过程的不同阶段，提出变步长因子的粒子群算法，实验证明改进的算法在精度与稳定性上明显优于采用罚函数的粒子群算法和遗传算法等其他一些算法。     

粒子群算法在金融风险模型中的研究与改进

在一种非线性金融风险模型中引入粒子群算法,针对粒子群算法在迭代后期搜索能力不高、粒子容易陷 入局部最优的问题,基于对惯性权重的优化以及对每个粒子个体位置变异,提出一种改进后的粒子群算法。 利用粒子群算法选择最优控制参数,以最大程度降低金融系统的总风险值。仿真结果表明,改进后的粒子群算 法在全局最优以及搜索速度方面优于传统的粒子群算法。