多分类概率极限学习机及其在剩余使用寿命预测中的应用

针对多分类极限学习机(extreme-learning-machine,ELM)缺乏概率输出能力问题,提出一种基于sigmoid后验概率映射和Lagrange成对耦合法的多分类概率ELM(multi-class probabilistic ELM,MPELM)。采用成对耦合法将多分类问题分解成多个二分类问题,利用sigmoid函数将二分类ELM输出映射成概率输出。为融合所有二分类概率输出,推导基于Lagrange乘子法的多分类概率计算公式,最终求解被预测样本分属不同类别的概率。将MPELM用于剩余使用寿命(remaining-useful life,RUL)预测,实验结果表明,相比于多分类概率支持向量机(multi-class probabilistic support vector machine,MPSVM),MPELM耗时高于MPSVM,但MPELM所需优化参数少,预测精度高于MPSVM;与基于Hastie成对耦合法的MPELM相比,两者预测精度相近,本文MPELM的测试耗时较少。     

基于邻域跟随与辨识的无人机集群控制与规避策略

针对已有方法在集群系统控制上的特点,采取融合和改进的手段首先研究了三维空间理想全通信条件下的集群控制问题,通过将局部规则与势场法融合产生了一种新的引力斥力函数,并结合软控制方法成功实现无人机的聚集和集群的飞行控制,对未知突发障碍在有限区域感知的基础上提出了应急避障策略;接着,针对电磁环境只有部分无人机能正常接收航迹信息的情况,采用“邻域辨识”的方法选定目标无人机进行跟随,实现期望的集群运动。仿真结果表明,提出的方法在控制集群运动方面灵活性强、一致性好、避障效果显著。     

多重渐消因子强跟踪SCKF及其在#br# 故障参数估计中的应用

针对非线性系统中不可观测故障参数估计问题,提出基于多重渐消因子强跟踪平方根容积卡尔曼滤波（multiple fading factors strong tracking square-root cubature Kalman filter, MSTSCKF）的状态和参数联合滤波算法。MSTSCKF基于强跟踪滤波器理论框架,通过引入多重渐消因子实时调整增益矩阵,克服平方根容积卡尔曼滤波（square-root cubature Kalman filter, SCKF）在故障参数变化函数未知或者突变时滤波精度下降甚至发散的缺点,并兼具SCKF在非线性拟合精度和数值稳定性等方面的优点。仿真结果表明,相比SCKF和强跟踪无迹卡尔曼滤波（unscented Kalman filter, UKF）,本文提出的方法具有更高的估计精度。