视频监视中的运动目标跟踪算法

提出了一种新的运动目标跟踪算法。通过预测运动目标下一时刻的位置以及缩小目标搜索范围来提高跟踪速度。该算法使用运动目标加速度运动位移方程预测下一时刻目标可能出现的位置,使用预测位置误差方程估计运动目标搜索范围,并使用IIR滤波器对目标运动速度、加速度等参数自适应地修正。实验证明,该算法即使当运动目标做加速运动时,也可准确地预测运动目标的位置,缩小目标搜索范围,进而提高目标跟踪速度。     

基于神经网络再建模的模糊PID控制器精简化研究

针对模糊控制算法的计算复杂性和实时性能差的问题,以模糊PID控制器为研究对象,利用神经网络的万能函数逼近能力,通过神经网络二次建模,精确的逼近已知的模糊PID控制器,从而减少运算量,实现实时控制.然后,给定不同的输入信号,分别用模糊控制器和等效神经网络模型控制同一个被控对象.结果表明,控制效果非常相似.因此,用精简的神经网络模型来代替模糊控制器,可减少计算的复杂性,避免维度灾难,提高实时性能.     

修剪技术与参数调整的动态模糊神经网络设计

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:采用修剪技术与参数调整,从而可以获得重要的规则以及更新前提参数的中心和宽度.这一思想等价于把全局算法分解为一系列解耦的算法.最后通过对函数逼近来验证动态模糊神经网络逼近能力的有效性.仿真结果表明,由于使用了修剪技术与参数调整使得动态模糊神经网络具有紧凑的系统结构、强大的泛化能力以及快速的学习速度.     

时间序列的小波神经网络预测模型的研究

针对非线性时间序列,建立了小波神经网络预测模型,通过计算小波分解和小波级数,达到最优的逼近效果．经实例验证,该方法能有效地提高预测精度,避免了人工神经网络模型的固有缺陷.     

基于遗传算法的BP神经网络时间序列预测模型

神经网络能以任意精度逼近非线性函数 ,以神经网络为基础的时间序列预测模型能很好地反映非线性系统发展的趋势 ,但神经网络训练速度慢、易陷入局部极值。针对这种情况 ,用具有良好的全局搜索能力的遗传算法来改进神经网络时间序列预测模型 ,提出了一种将遗传算法和BP算法相结合的学习算法来训练BP神经网络 ,并将该神经网络时间序列预测模型应用于某时间序列的预测。     

基于FCM的小波神经网络模型在径流预测中的应用

针对径流变化存在的季节性差异,提出了一种在对预报因子集进行模糊聚类分析基础上构建径流预测模型的新方法:先通过模糊C-均值聚类将历史径流数据进行分类,然后利用小波神经网络分别建立预报因子集与观测值之间的局部预测模型,文中采用网络模型分类识别器,可自动搜寻相适应的局部网络模型进行预测.以西南某水库2006年日平均入库来流的计算实例对简单小波神经网络预测模型和文中所建的融合模型进行了比较.     

一种带加速度补偿的H∞次优滤波目标跟踪算法

提出一种带加速度补偿的H∞次优滤波跟踪算法。该跟踪算法通过不断调整H∞滤波器的参数γ来逼近H∞最优滤波器。同时,引入一个加速度估计器和一个机动检测器,加速度估计器通过目标最近三点的位置来估计目标当前加速度值,机动检测器用来检测目标是否机动,当检测到目标机动时,则启动加速度估计器计算加速度,并利用该值对目标状态估计值进行补偿。从而使得该跟踪算法不仅对目标机动具有鲁棒性,而且所得到得估计误差方法最小。仿真结果表明,所提出的目标跟踪算法对高机动目标有良好的跟踪效果。     

基于改进粒子群-模糊神经网络的短期电力负荷预测

为了提高短期电力负荷预测精度,提出了改进的粒子群-模糊神经网络混合优化算法.用改进的粒子群训练神经网络,实现了模糊神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统模糊神经网络法、BP神经网络法、粒子群-BP算法和粒子群-模糊神经网络方法,该优化算法克服了神经网络和粒子群优化方法的缺点,改善了模糊神经网络的泛化能力,提高了电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.2%以内.该算法可有效用于电力系统的短期负荷预测.     

反舰可见光弹对水面目标的边缘检测算法

针对反舰导弹通过可见光锁定水面目标问题进行研究是十分必要的.利用目标梯度变化以及目标边缘灰度变化均方值,通过该均方值对目标运动造成的偏差和边缘模糊的综合分析,运用极值估计对断裂的边缘进行补偿.并通过Simulink和导弹逼近仿真实验,验正了对目标边缘的有效检测.     

基于动态人工势场法的路径规划仿真研究

基于工作环境中目标、障碍物、机器人均为动态的考虑,提出了改进的人工势场构建方法,将各物体的相对速度和加速度因素引入势能函数中.作用于机器人的虚拟力不但驱使其与运动的目标点暂时保持相同的位置,而且趋向于保持相同的速度和加速度,即相同的运动趋势,以达到动态跟踪目标的目的.基于MATLAB平台的仿真结果验证了本算法的可行有效性.     

车辆半主动悬架系统模糊神经网络控制研究

悬架系统对车辆平顺性具有重要的影响,通过预瞄控制在后轮处提前预测路面不平度,用于解决半主动悬架模糊神经网络控制存在的时滞问题。建立了1/2车辆模型和路面输入模型,设计了基于预瞄控制的半主动悬架模糊神经网络控制结构,并进行了白噪声输入仿真分析。结果表明：预瞄控制后的车身加速度峰值和标准差比被动系统分别减少了61.61%和44.28%,比模糊控制的悬架系统分别减少了21.23%和21.20%;预瞄控制后的质心加速度峰值和标准差比被动系统分别减少了35.21%和57.81%,比模糊控制的悬架系统分别减少了7.83%和20.10%。后轮处车身加速度和质心垂直加速度均有明显减小,较好改善了悬架系统适应道路的性能,有效缓和了车辆的振动和提高了汽车的行驶平顺性。

Abstract：

Suspension system has important effect on vehicle ride comfort.Wheelbase preview control method could be used to forecast the road surface roughness at the front wheel,and to be used to solve the delay problem in fuzzy neural network controlled semi-active suspension system.The 1/2 vehicle model and road input model was established,and the fuzzy neural network control structure based on wheelbase preview control theory was designed.The white noise input simulation was carried out and the results show that the peak and standard deviation of body acceleration are separately decreased by 61.61% and 44.28% compared with passive suspension system,and are 21.23% and 21.20% compared with fuzzy controlled suspension system;on the other hand,the peak and standard deviation of vertical acceleration at CG are separately decreased by 35.21% and 57.81% compared with passive suspension system,and are 7.83% and 20.10% compared with fuzzy controlled suspension system.The body vertical acceleration at rear wheel and the vertical acceleration at CG are significantly decreased to adapt to the suspension performance,which helps to effectively easy the vehicle vibration and to improve the vehicle ride comfort.     

组网雷达系统对于高加速机动目标的精确跟踪研究

针对多基地雷达系统跟踪近距离高加速机动目标的场合,提出了一种并行扩展卡尔曼滤波算法。该算法首先建立起组网雷达群跟踪目标运动形态的观测模型,然后将三维加速度矢量引入到目标的运动模型中,通过并行计算的方式,在对加速度进行合理估计的基础上对量测数据进行卡尔曼滤波跟踪分析,获得目标的精确轨迹。仿真结果表明,该算法不仅能快速精确计算目标的位置和速度,而且具有很好的瞬态特性和稳态特性。     

Neural fuzzy inference network approach to maneuvering target tracking

In target tracking study, the fast target maneuver detecting and highly accurate tracking are very important.And it is difficult to be solved. For the radar/infrared image fused tracking system, a extend Kalman filter combines with a neural fuzzy inference network to be used in maneuvering target tracking. The features related to the target maneuver are extracted from radar, infrared measurements and outputs of tracking filter, and are sent into the neural fuzzy inference network as inputs firstly, and then the target's maneuver inputs are estimated, so that, the accurate tracking is achieved. The simulation results indicate that the new method is valuable for maneuvering target tracking.     

基于改进的灰色预测的模糊神经网络控制

采用等维新信息和提高原始数据列光滑度的方法对灰色预测模型进行改进,具有预测更准确的效果,结合采用模糊神经网络控制的精确稳定性特点,提出一种改进的灰色预测的孵化模糊神经网络控制算法,将其应用在具有大滞后、强干扰的孵化过程中。仿真和实际结果表明,提出的控制策略能够有效克服时滞过程的超调问题,具有较强的鲁棒性和自适应性。

Abstract：

Grey Predictive model was improved by using ＂moving window＂ and increasing the smoothness of original data,which can predict accurately,by combining grey predictive model with fuzzy neural network control algorithm which is accurate and stable.A fuzzy neural network control algorithm based on improved grey predictive model was proposed to be applied in incubation process which is lag largely and strongly disturbed.Simulation and running results show that the proposed control strategy can effectively overcome the overshoot caused by delay and has better flexibility and robustness.     

D-FNN模型对中国FDI的预测

建立了动态模糊神经网络模型,并运用此模型对中国经济产生深远影响的FDI进行了预测。结果表明D-FNN在预测精度上表现优异,具有一定的实用性。     

基于M-ANFIS-PNN的目标威胁评估模型

目标威胁评估的目的是根据目标的属性和状态信息对目标的威胁程度进行定量估计,为后续作战决策提供辅助支持。现有威胁评估模型大多依赖于数值信息,难以有效处理包含定性、定量数据的目标特征信息。基于此,提出一种改进的自适应模糊神经推理系统模型。在自适应模糊神经推理系统的基础上,引入前件影响矩阵和后件影响矩阵对定性数据进行处理,使得定量、定性数据的影响同时作用于模糊规则的前件参数和后件参数;为了进一步提高模型的输出精度,将自适应模糊神经推理系统的输出层替换为多项式神经网络;通过基于Gower距离的近邻传播聚类算法对改进模型进行结构辨识,确定模糊规则的初始参数。仿真实例验证了所提方法的有效性与可行性,与其他混合属性数据建模方法相比,所提方法具有较高的预测精度,可为作战指挥决策提供有效的辅助支持。     

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。     

基于集成智能方法的电力短期负荷预测

将自组织(SOM)和反向传播(BP)两种神经网络结合起来, 并使用模糊理论, 建立了一种基于集成智能方法的日负荷预测智能模型, 该模型首先利用SOM网络的竞争学习能力将历史数据分成若干类别从而找出与预测日同类型的预测类别. 然后, 把温度、日类型等不确定性扰动因素分离出去, 利用BP算法的非线性函数逼近功能, 完成电力负荷的基本分量部分的预测工作. 在处理温度、天气情况、日类型等不确定因素对负荷的影响时, 采用模糊逻辑理论对负荷基本分量进行修正. 提出了一种基于进化树的自组织神经网络算法(SOETA), 该算法是一种无监督基于二叉树的自组织特征映射网络模型, 采用进化思想进行无监督学习, 具有灵活的拓扑结构和精确的模式识别. 本文以2007年厦门市的电力负荷数据为例, 试验结果表明, SOETA+BP+模糊理论的预测精度最优, 有效提高了电力短期负荷预测精度.     

A multiscale modeling approach incorporating ARIMA and anns for financial market volatility forecasting

The financial market volatility forecasting is regarded as a challenging task because of irreg ularity, high fluctuation, and noise. In this study, a multiscale ensemble forecasting model is proposed. The original financial series are decomposed firstly different scale components （i.e., approximation and details） using the maximum overlap discrete wavelet transform （MODWT）. The approximation is pre- dicted by a hybrid forecasting model that combines autoregressive integrated moving average （ARIMA） with feedforward neural network （FNN）. ARIMA model is used to generate a linear forecast, and then FNN is developed as a tool for nonlinear pattern recognition to correct the estimation error in ARIMA forecast. Moreover, details are predicted by Elman neural networks. Three weekly exchange rates data are collected to establish and validate the forecasting model. Empirical results demonstrate consistent better performance of the proposed approach.     

排刷式剥叶元件剥叶性能的BP 神经网络预测

由于剥叶性能直接影响到甘蔗收获机械的收割性能,为了客观有效地对剥叶性能进行预测,提出了BP神经网络预测方法.针对剥叶元件性能的特点,采用正交试验法构造训练样本,以保证网络具有较高的泛化能力,同时对该训练样本建立了回归分析模型,以检验BP网络模型的输出精度.在此基础上,利用已建立的神经网络预测模型对影响剥叶性能的各因素取值的不同组合进行仿真分析,以确定各因素取值的最优组合.结果表明,BP神经网络的预测模型比回归模型具有更高的输出精度,进行剥叶元件的性能预测与优化是可行且有效的.