RBF网络在线辨识算法与应用研究

提出了一种确定RBF网络中心向量的动态递推算法 ,介绍了RBF网络线性层连接权值的递推最小二乘算法 ,利用这些算法对蒸发器过热度进行了在线辨识 ,同时对网络结构和算法的参数变化对辨识精度的影响进行了研究 .仿真结果表明该算法辨识速度快、精度高 ,可用于在线控制 .     

平交路口多相让自适应控制的实时OD递算模型

平面交叉口多相位自适应信号控制需要依据其进口道实时OD流量设置配时参数,以适应变化的交通需求．为此,笔者建立了描述平面交叉口动态交通需求的多变量动态线性模型及其递推算法．该模型基于交叉口进出口断面的流量观测数据,以进口道的分流概率矩阵为状态参数,利用贝叶斯预测方法,对时变OD矩阵进行联线估计．对一特定的T型交叉口交通状态的计算机仿真表明该模型和算法具有较好的精度,能用于交叉口多相位自适应信号控制．     

基于粒子群算法和平方根平淡卡尔曼滤波的北斗导航系统定位估计算法

为提高北斗定位系统(BDS)的估计精度,克服传统平淡卡尔曼滤波(UKF)算法中可能因状态量协方差矩阵失去正定性而导致滤波器发散的问题,将平方根平淡卡尔曼滤波(SRUKF)算法应用于BDS定位估计.在此基础上,为进一步提高SRUKF算法的性能,引入粒子群优化(PSO)算法,提出基于PSO和SRUKF算法的BDS定位估计(PSO-SRUKF)算法.结果表明,PSO-SRUKF算法可以降低系统噪声和测量噪声特性估计不准确带来的误差,有效提高了BDS定位精度和稳定性.     

预测控制中逆矩阵的递推求解算法

在各种自校正预测控制算法中，计算最优即时控制时均需在线进行矩阵求逆运算．作者针对各类预测控制算法中需求逆矩阵的普遍情形，采用矩阵分解方法，推导出一种可适用于各类预测控制算法的逆矩阵在线递推求解算法．本算法比传统增广矩阵求逆算法的计算量小，且适用性广，因而采用该算法可显著提高各种自校正预测控制算法的实时性．     

一种基于卡尔曼滤波的改进多用户检测算法

总结了DS-CDMA系统的异步高斯信道模型和多径衰落信道模型,重点讨论了用状态空间方程表述多径衰落信道模型的方法,并采用卡尔曼滤波的递推算法求出每个用户每条路径上的状态估计。针对期望用户,对属于同一个码元的所有状态估计求和,接着进行最大比合并再判决。最后对两种信道模型进行算法仿真,分析其收敛性和抗“远-近”效应的性能。结果表明本文给出的算法收敛速度快,并且能有效地抑制“远-近”效应。     

含未知输入非线性系统的扩展平方根容积卡尔曼滤波算法

针对工程实际应用中存在的未知输入会导致经典的非线性滤波器状态估计精度下降甚至滤波发散的问题,提出了一种基于最小方差无偏估计(minimum variance unbiased estimation, MVUE)准则的扩展平方根容积卡尔曼滤波(extended square-root cubature Kalman filter, ESRCKF)算法。首先,结合上一时刻未知输入估计值对状态一步预测值进行修正,得到含未知输入条件下的状态预测值。其次,设计新息并采用加权最小二乘(weighted least squares, WLS)法获取当前时刻未知输入的无偏估计。最后,通过最小化协方差矩阵的迹,同时采用拉格朗日乘子法和舒尔补引理得到系统状态的最小方差无偏估计。仿真结果表明,相比于现有的非线性滤波算法,ESRCKF算法提高了在处理含未知输入非线性系统时的状态估计精度,并能同时实现系统状态和未知输入的最优估计,验证了该算法的有效性。     

基于C语言的“穷举”与“递推”算法的研究

结合实际问题对"穷举"和"递推"算法的基本思想进行分析,研究算法的实现方法,借助C语言将算法转化为可执行的程序代码。"穷举"算法的关键是找到数据的测试范围和测试标准,并对测试标准的转化技巧、测试范围的控制方法进行了阐述。"递推"算法的归结到对递推初值、递推法则、递推次数三个条件的研究,并从顺推、逆推两个方向分别进行了阐述。     

改进的多层递阶回归算法在进出口贸易中的应用

用改进的多层递阶回归算法建立数学模型，并以此来精确预测未来进出口贸易总额的数值大小，根据对未来进出口贸易总额的预测值，制订相应的政策和采取有效措施来发展进出口贸易。     

双向不敏卡尔曼滤波的无源定位算法

针对不敏卡尔曼滤波算法在单站无源定位的应用中受初始状态误差和可观测条件等影响易产生滤波发散、收敛精度低、收敛速度慢的问题.提出一种双向平方根不敏卡尔曼滤波的无源定位算法.充分利用了平方根不敏卡尔曼滤波算法数值稳定性高的优点,采用后向平滑算法逐次修正状态估计值,从而提高了定位算法对初始状态的鲁棒性.试验结果验证了该算法的有效性.     

基于CKF-SLAM改进的无人水下航行器动态目标跟踪算法研究

针对容积卡尔曼滤波(cubature Kalman filter, CKF)同步定位与建图(simultaneous localization and mapping, SLAM)算法在动态目标跟踪(object tracking, OT)的应用中,存在算法实时性不高、计算复杂以及对动态目标物跟踪精度较低的问题,提出基于平方根容积卡尔曼滤波SLAM的无人水下航行器(unmanned underwater Vehicle, UUV)目标跟踪算法(SRCKF-SLAM-OT).该算法将CKF-SLAM-OT中复杂的计算部分,利用3阶容积准则选取一组相同权值的容积点来近似计算,再利用数值积分法计算非线性方程模型的后验状态估计平均值和方差,并对协方差矩阵的平方根因子进行更新.仿真结果表明：SRCKF-SLAM-OT算法简化了计算量和改善了数值精度,提高了UUV在未知水下环境中自身定位的精度和动态目标物跟踪的能力.     

基于推广Kalman滤波的机载无源定位改进算法

研究空中运动观测平台对地面辐射源目标的纯方位信息定位算法,提出改进的二阶EKF定位算法以提高定位估计精度.用推广Kalman滤波算法代替传统的最小二乘定位算法.充分利用观测平台的运动信息建立了可观测的观测方程,并采用二阶EKF算法解决了在观测误差较大的情况下导致的非线性误差较大的问题.采用Monte Carlo仿真比较LS,EKF和二阶EKF 3种方法的性能.证明用这种方法可以达到更好的估计精度,能够将目标位置定位在更小的概率椭圆内.概率误差椭圆缩小了30%.     

结合卡尔曼滤波和Mean Shift的抗遮挡跟踪算法

针对卡尔曼滤波和Mean Shift算法结合后对严重遮挡和遮挡后复出失效且实时性差的问题,提出一种基于卡尔曼滤波和Mean Shift动态结合的改进算法. 通过在算法中加入Bhattacharyya系数进行遮挡程度判断,并根据遮挡系数的阈值选择使用卡尔曼滤波或线性预测法更新Mean Shift迭代起点. 实验结果表明,该方法能成功实现大范围连续遮挡和目标复出情况下红外目标的跟踪,并且迭代次数和跟踪时间分别减少了9.68%和17.58%,提高了跟踪的鲁棒性和实时性.      

基于变分贝叶斯估计方法的双尺度自适应Kalman滤波

针对Kalman滤波在对敌目标估计应用中遇到的量测和过程噪声均未知且时变的情况,提出了一种利用变分贝叶斯估计的双尺度自适应滤波方法。解决了2个关键问题：一是针对量测和过程噪声协方差的共轭后验分布提出了相对转移概率指标,设计了启发式的自适应噪声估计窗口,实现了稳态精度和时变响应性能的综合提升,能适应敌方目标机动性高且统计特性变化快的特点;二是设计了在不同时间尺度上估计过程噪声和量测噪声的协方差方法,解决了在同一时间尺度上使协方差估计值发生严重偏差且增大滤波误差的问题。仿真表明,所提方法能快速跟踪目标状态噪声统计特性的变化并保证估计精度。     

基于平淡卡尔曼滤波器的微小卫星姿态确定算法

针对扩展卡尔曼滤波（EKF）在线性化过程中会引入误差的问题,采用平淡卡尔曼滤波器（UKF）进行了系统滤波器设计;提出一种构建虚拟观测量的方法,并分析了其噪声特性．虚拟观测量与高精度器件量测量搭配可实现对姿态的校正．以太阳敏感器、微电子机械系统（MEMS）陀螺、磁强计为姿态敏感器件,构建了定姿滤波器并用STK（Satellite Tool Kit）数据进行了仿真．结果表明,所提出方法能有效地提高定姿性能,采用UKF的系统定姿误差与EKF相当,但收敛时间、稳定性要优于EKF．     

推广卡尔曼滤波法应用于同步机参数估计和电力系统动态等效

本文提出一类用推广卡尔曼滤波技术，在线估计同步机参数和电力系统动态等效的方法。在电机参数估计中，对不同运行方式下的估计效果，初值设置对收敛的影响，量测参量的选择作了探讨。在动态等效计算中，采用一简单确定性的单机无穷大系统去动态等效一未知的两机系统。分析了不同运行方式下动态等效的效果，并对等效主特征根和原型主特征根作了验证，这一方法可为在线测试参数，状态观测和动态等效提供手段。     

卡尔曼滤波方法在驼峰勾车溜成速度控制系统中的应用

本文提出了用于铁路驼峰自动化的一种新的卡尔曼滤波算法。该算法合理地解决了有色噪声“白化”问题,正确地确定了模型嗓声、量测噪声的统计特性,改进了现有滤波方法,提高了滤波精度。     

应用卡尔曼滤波改善地震资料处理的性能

卡尔曼(Kalman)滤波理论建立于六十年代初期,七十年代后期国外许多学者为将它用于地震资料处理做了许多研究工作。但在我国做这方面工作的人还不多,发表的文章和研究成果很少。本文论述了卡尔曼滤波理论并给出一些提高资料处理中的估值的精度和分辨率的例子。希望以此促进我国在这方面的研究工作。     

基于最优信息融合卡尔曼滤波的预测控制算法

针对噪声环境下的线性时不变系统,给出了基于最优信息融合卡尔曼滤波的预测控制算法.运用线性最小方差意义下的最优信息融合卡尔曼滤波方法获得状态估计,进而得到输出的N步超前预测值,最后通过最小化二次性能指标获得基于信息融合状态估计的控制输入.仿真实例验证了算法的有效性.     

基于卡尔曼滤波器的机动目标跟踪仿真

将卡尔曼（Kalman）滤波器的变维滤波算法应用于雷达数据处理中,对机动目标进行跟踪,得出机动目标的滤波数据曲线,并对目标进行了拦截仿真。仿真结果表明该方法能估计出目标的运动特征并对运动目标拦截成功。     

基于Kalman滤波和改进的MeanShift算法的目标跟踪

MeanShift算法因为简单性和稳定性在目标跟踪中得到广泛应用,但是当目标和背景的颜色模型比较接近时,传统的MeanShift算法由于缺少空间信息,且经典的相似性度量函数不易区别,导致跟踪失败。为了克服上述缺点,采用基于空间颜色特征和新的相似性度量的MeanShift算法,并提出一种融合Kalman滤波器和改进的MeanShift算法的目标跟踪方法。首先,利用改进的MeanShift算法计算出当前帧中目标的准确位置,然后使用Kalman滤波器去预测下一个初始搜索位置,用于下一帧中MeanShift迭代,最后实现对目标的跟踪。实验结果表明,该算法可以准确地跟踪目标,并且跟踪的准确率优于传统的MeanShift算法或者Kalman和传统Meanshift的融合算法。