列主元SVD-QR方法修剪策略参数调整的D-FNN算法研究

针对动态模糊神经网络,提出了列主元SVD-QR方法修剪策略与参数调整的新算法。其中采用列主元SVD-QR方法修剪策略从给定的规则库中提取最重要模糊规则,使得网络结构不会持续增长,避免了过拟合及过训练现象;采用扩展的卡尔曼滤波方法把全局算法划分成线性和非线性部分,线性和非线性参数可以分别被更新,从而可以达到快速的学习速度。通过对血压的控制来验证所提出算法的有效性,结果证明了列主元SVD-QR方法修剪策略参数调整的D-FNN算法具有良好的性能。     

基于SVD_TLS及EKF算法的动态自组织模糊神经网络

提出了将奇异值分解总体最小二乘法(SVD_TLS)及扩展卡尔曼滤波(EKF)相结合的动态自组织模糊神经网络.首先给出了STD_DSFNN的结构及各层的含义;其次,用EKF算法学习非线性参数,SVD_TLS算法学习线性参数的同时提取重要模糊规则;最后,通过典型的Machey-Glass时间序列预测实例验证SVD_TLS及EKF相结合的动态自组织模糊神经网络(STE_DSFNN),同时与DFNN、ANFIS及UKF_DFNN相对比,结果表明STE_DSFNN网络结构更紧凑,具有更好的泛化能力.     

基于自回归各态历经模型参数辨识的模糊双卡尔曼滤波算法的储能电池荷电状态估算

扩展卡尔曼滤波(extended Kalman filter, EKF)算法在电池荷电状态(state of charge, SOC)估算领域广泛应用。但作为一种基于模型的算法,电池模型误差影响SOC估算的精度。为了抑制电流的幅值与阶跃电流因素对模型误差的影响,提出一种动态修正观测噪声协方差的模糊双卡尔曼滤波(fuzzy dual Kalman filter, FDKF)算法。该算法首先将一阶电阻-电容(resistor-capacitance, RC)等效模型转换为自回归各态历经(autoregressive exogenous, ARX)模型的形式,用卡尔曼滤波(Kalman filter, KF)算法更新转换后模型的参数,且在SOC估算的过程中获取电流与电流变化量的数据,并通过建立模糊控制系统调整观测噪声的协方差值来抵消模型误差。结果表明:FDKF算法在某储能工况下估算误差的最大值为0.39%,小于EKF算法的3.92%和双卡尔曼滤波(dual Kalman filter, DKF)算法的1.12%,可见FDKF该算法能够有效地提升SOC估算的精度。     

基于非线性动态系统辨识的D-FNN算法研究

D-FNN的基本思想是构造一个基于扩展的RBF神经网络,它可以看成是一个TSK模糊系统,也可以看作是基于归一化的高斯RBF神经网络。D-FNN算法中,不仅参数可以在学习过程中调整,同时,也可以自动确定模糊神经网络的结构。非线性参数是由训练样本和高斯宽度直接决定的,只需一步训练就可以达到目标。由于修剪策略的应用,网络的结构不会持续增长,因而确保了系统的泛化能力。使用D-FNN对非线性动态系统辨识进行了仿真,并与相关算法作比较,从而发现了D-FNN算法的有效性和高效性。     

Application of Dynamic Self-organizing Fuzzy Neural Network in Dynamic System Based on SVD ILS and EKF Algorithm

提出了将奇异值分解_总体最小二乘法（SVD_TLS）及扩展卡尔曼滤波（EKF）相结合的动态自组织模糊神经网络．首先给出了STD_DSFNN的结构及各层的含义;其次,用EKF算法学习非线性参数,SVD_TLS算法学习线性参数的同时提取重要模糊规则;最后,通过典型的Machey-Glass时间序列预测实例验证SVD_TLS及EKF相结合的动态自组织模糊神经网络（STE_DSFNN）,同时与DFNN、ANFIS及UKF_IFNN相对比,结果表明STE_DSFNN网络结构更紧凑,具有更好的泛化能力．     

一种改进的基于扩展的RBF模糊神经网络

针对Wu Shiqian等提出的动态模糊神经网络（D-FNN）,在参数估计时,对中心的调整直接采用输入数据会导致网络收敛速度慢、乏化能力不好的情况,提出一种改进的基于RBF的动态模糊神经网络（RBDFNN）.该网络采用连续学习的方法和分级学习的思想,在进行前提参数的估计时,高斯隶属函数的中心动态调整充分考虑了宽度调整对中心的影响,算法能自动地确定模糊规则.仿真实验表明,算法在收敛速度和乏化能力方面优于原来的算法.     

基于规则产生准则与修剪策略的D-FNN算法研究

提出了一种D-FNN结构及其学习算法,该D-FNN的结构基于径向基神经网络。模糊规则的产生由输出误差或可容纳边界的有效半径决定。修剪技术的应用,使得网络结构能够保持紧凑,学习速度快,确保系统的泛化能力。对所提算法作了详细探讨,并与相关算法作比较,从而发现了D-FNN的独特思想。编写了D-FNN的仿真程序,对具体案例进行了仿真。结果表明,D-FNN具有紧凑的结构和优秀的性能。     

滑动窗与修剪技术的动态模糊神经网络方法研究

 提出了一种新型的动态模糊神经网络算法,该动态模糊神经网络的结构基于扩展的径向基网络。其算法的最主要特点是：使用滑动窗技术保持固定长度的数据来调整参数,避免了数据饱和;使用了修剪技术,使得网络结构不会持续增长,避免了过拟合及过训练现象,因而确保了系统的泛化能力。最后通过对血压的控制来验证动态模糊神经网络的逼近能力及所提控制方案的有效性。由仿真结果表明使用滑动窗与修剪技术的D-FNN控制器具有良好的性能。     

多无人机协同障碍规避控制方法

为有效地解决不确定动态环境下多无人机协同障碍规避问题,提出一种联合扩展卡尔曼滤波和模型预测控制的控制器设计方法。首先构建分布式无人机协同障碍规避体系架构、无人机的运动模型及其通信拓扑。采用扩展卡尔曼滤波(EKF)预测动态障碍物的轨迹,并设计一种信息补偿规则。然后,基于模型预测控制(MPC)方法,设计障碍规避控制器。仿真结果表明:EKF方法能够准确地预测动态障碍物的轨迹;无人机之间通过协作,可以有效地降低预测误差。     

高斯激活函数特征值分解修剪技术的D-FNN算法研究

 提出了一种D-FNN的新算法。其算法的最主要特点是：D-FNN选择高斯函数作为网络的激活函数和模糊系统的隶属函数,该算法不仅具有强大的全局映射泛化能力,而且在细化局部方面也有效;使用特征值分解修剪技术使得网络结构不会持续增长,可获得更为紧凑的D FNN结构,避免了过拟合现象。最后通过对Hermite多项式逼近能力来验证所提方案的有效性。仿真结果表明使用特征值分解修剪技术和高斯激活函数的D-FNN具有良好的性能。     

基于多新息卡尔曼滤波算法的锂电池SOC估计

针对锂离子电池荷电状态(SOC)较难准确获取的问题,依据锂电池等效电路模型,建立起各参数与SOC的联系,利用脉冲放电的数据对模型进行参数辨识.通过Mat-lab/Simulink验证了模型的正确性和精确性.将扩展卡尔曼滤波算法(EKF)融合多新息理论,建立了多新息扩展卡尔曼滤波算法(MIEKF)估计电池SOC的方法,该方法通过对旧信息的重复使用提高了EKF的估计精度.在美国城市道路循环工况(UDDS)下分别采用EKF和MIEKF算法来估计锂电池SOC,两者估计的最大误差分别为0.0176、0.0087.实验数据表明MIEKF算法估计电池SOC更准确.     

基于SCKF的4旋翼无人机的姿态估计

获得准确的姿态角对于无人机的控制来说是十分重要的.考虑到平方根容积卡尔曼滤波算法(square-root cubature Kalman filter,SCKF),既能够克服扩展卡尔曼滤波(EKF)方法因线性化带来的误差,具有更好的非线性滤波功能,又在传统容积卡尔曼滤波方法中加入了平方根技术,从而能够有效提高数值计算的稳定性,并降低了算法的复杂度.该文将SCKF算法应用于4旋翼无人机的姿态估计中,提出了一种新的4旋翼无人机的姿态估计方法,并进行了仿真实验.实验结果表明:该方法相比传统的EKF方法滤波精度更高,相比较传统的容积卡尔曼滤波(CKF)、无迹卡尔曼滤波(UKF)方法计算时间更短.     

用于弹道目标跟踪的有限差分扩展卡尔曼滤波算法

针对目前常用的滤波算法不能同时做到精确和高效跟踪目标的缺点,提出一种有限差分扩展卡尔曼滤波(FDEKF)算法用于再入阶段的弹道目标跟踪.该算法应用有限差分运算得到滤波的验前、验后误差协方差矩阵,避免了非线性函数求导运算,以及Jacobian阵和Hessian阵的计算,降低了计算难度,扩大了应用范围,增强了滤波过程的收敛性.Mome Carlo 数值仿真表明,FDEKF算法与扩展卡尔曼滤波(EKF)算法和无味卡尔曼滤波(UKF)算法相比较,在跟踪精度上比EKF算法提高了约20%,与UKF算法相当,在计算复杂度上比EKF算法稍有增加,但比UKF算法低约39%.这说明FDEKF算法在计算量增加不多的情况下,滤波精度有显著提高.     

神经网络校正的EKF在高超声速目标跟踪中的应用

针对临近空间高超声速目标高度非线性、强耦合、高机动、时变参数、和独特气动特性等特点,综合运用军事运筹学理论与方法、系统建模技术、神经网络技术以及计算机仿真等,提出基于神经网络校正的扩展卡尔曼滤波(EKF)算法,并在高超声速目标跟踪中进行了应用研究。采取神经网络的学习能力来克服卡尔曼滤波发散问题,通过卡尔曼滤波后加一级误差处理环节使滤波收敛。仿真结果表明:该算法在目标发生较大机动时仍能保持较高的跟踪精度。     

基于蚁群优化FEKF算法的汽车状态估计

针对汽车状态估计过程中观测噪声时变问题,提出一种双重迭代自适应滤波算法—蚁群优化模糊逻辑扩展卡尔曼滤波(FEKF)算法.建立考虑Fiala轮胎模型的汽车二自由度非线性动力学模型,利用模糊逻辑对扩展卡尔曼滤波(EKF)算法估计过程中的观测噪声水平进行在线修正,同时引入蚁群优化算法对模糊逻辑中的输入输出隶属度函数进行优化,得到的双重迭代算法对处理强时变观测噪声水平下滤波估计过程具有很强的自适应性.最后通过建立虚拟仿真试验来验证该蚁群优化FEKF新算法的估计精度,结果显示,蚁群优化FEKF算法相比较于FEKF算法估计精度更高,鲁棒性更强.     

EKF定位跟踪算法研究

为了处理机动目标跟踪过程中的非线性问题,提出了一种基于运动模型的扩展卡尔曼滤波(EKF)算法,该算法精度可以逼近最优估计,适用于任何可用状态空间模型表示的非线性系统。通过仿真表明利用运动模型的扩展卡尔曼滤波方法可以有效地抑制非视距误差(NLOS)对定位精度的影响,从而得到更高的定位跟踪效果。     

动力锂电池荷电状态的联合估计与实验研究

针对动力锂电池常用的荷电状态(SOC)估计算法存在的扩展卡尔曼滤波法精度低、无迹卡尔曼滤波法收敛速度慢等问题,在动力锂电池的Randles等效模型的基础上,通过脉冲放电实验对模型参数进行辨识;并设计了一种基于迭代扩展卡尔曼滤波(IEKF)与无迹卡尔曼滤波(UKF)联合估计的SOC估计法。在电池实验平台上设计模拟工况实验,实验分析表明:该算法的SOC初值修正速度快于EKF和UKF,计算量比UKF小,且稳态误差不超过1.5%,相对扩展卡尔曼滤波(EKF)提高了40%,是一个收敛快、计算量少、静差小的迭代估计算法。     

基于在线加强模糊神经网络精度的开关磁阻电动机位置角检测

模糊神经网络ANFIS(自适应模糊推理系统)是开关磁阻电动机无位置传感器检测位置角的一种智能化新技术.针对其精度越高、规则数越多的缺点,提出了一种使用扩展卡尔曼滤波在线加强检测精度的训练算法,并对模糊神经网络的各项参数进行修正,Matlab/Simulink仿真结果证明了该方法的有效性.     

基于高斯函数与分级学习的D-FNN算法研究

D-FNN基本思想是构造一个基于扩展的RBF神经网络,它可以看成是一个TSK模糊系统,也可以看做是基于归一化的高斯RBF神经网络。该文提出的算法,学习前,模糊神经网络不需要预先确定,在学习的过程中,参数估计与结构辨识同时进行,并根据系统精度要求及模糊规则的重要性,自动地产生或者删除一条模糊规则。在学习速度、系统结构和泛化能力方面进行了仿真实验,仿真结果表明D-FNN具有更简洁的结构和优良的性能。     

基于中心差分卡尔曼滤波的航天器视觉相对导航算法研究

在航天器视觉相对导航过程中,量测方程的非线性特性会影响航天器相对位姿的估计精度.分析了扩展卡尔曼滤波方法(EKF)将非线性模型线性化时存在的缺点,研究了中心差分卡尔曼滤波方法(CDKF),提出用中心差分卡尔曼滤波方法来解决视觉导航中两航天器的相对位姿估计问题,并给出了EKF与CDKF的仿真结果.仿真结果表明在相同条件下,CD-KF算法比EKF具有更高的精度和稳定性,该方法能够在航天器视觉相对导航中应用.