基于隐马尔可夫模型的动态规划检测前跟踪算法

传统的动态规划检测前跟踪(dynamic programming track-before-detect, DP-TBD)算法能有效实现对匀速直线运动目标的检测跟踪,但其忽略了目标帧间状态转移概率,因此在对机动目标进行检测跟踪时容易受噪声干扰,产生错误的状态关联。对此提出了一种基于隐马尔可夫模型的DP-TBD算法。该算法利用隐马尔可夫模型对目标的运动过程建模,用一系列隐状态表示目标转弯速率并利用隐马尔可夫模型的隐状态估计理论实现对转弯速率的估计和预测,进而得到当前目标状态的预测值,根据此预测状态与下一时刻回波数据分辨单元间的距离来计算转移概率。然后将转移概率应用于DP-TBD算法的能量积累过程中以提高检测跟踪性能。仿真实验基于机动目标,给出了所提算法的检测跟踪性能,并与传统的DP-TBD算法、方向加权DP-TBD算法以及线性最小二乘DP-TBD算法进行了分析比较,验证了该算法的有效性。     

基于DRL和自由步态的六足机器人运动规划研究

为提高六足机器人在非结构环境下的通过率和运动性能,提出一种基于DRL和自由步态规划器的多接触运动规划算法。自由步态规划器获取目标状态下可达落足点从而输出最优步态序列;利用DRL训练得到六足机器人在随机生成的梅花桩环境中的质心运动策略。为了保证机器人在运动过程中相邻状态之间的可达性,利用状态转移可行性模型对状态转移可行性进行判定,实现六足机器人在不同宽度沟壑梅花桩环境下的落脚点规划。仿真与样机实验表明：多接触运动规划算法能够让机器人快速平稳地从起点到达目标区域,并自动调整步态模式以应对不同环境下随机分布的梅花桩。     

合金热挤压中基于混杂模型的突变预测与仿真

通过研究合金热挤压过程中的突变现象与观测参数之间的关系,提出了一种观测值增量估值模型,在此基础上构建了一种基于增量估值模型的混杂系统,实现对挤压过程连续状态和离散状态的有效辨识;其中,针对连续状态的辨识,为了对参量进行有效检测,将参量设计为增量加速度向量,根据观测量瞬间变化时原有稳定系统观测模型与实际情况不匹配,从而导致新息序列统计特性发生变化的事实,构造了一种增量向量检测器;针对离散状态的辨识,采用隐马尔科夫模型,结合混杂模式转换概率矩阵,构建了一种离散状态辨识器。最后,基于新提出的混杂系统模型,设计并实现了一种有效的突变预测算法,仿真实验结果表明,新算法具有良好的突变预判性。     

认知无线电网络中授权用户参数估计

针对认知用户在频谱切换过程中无法实时地获取授权用户到达率与服务率的问题,提出了基于隐式马尔可夫模型的参数估计算法。首先利用排队论对授权用户队列进行建模与分析,推导出授权用户队列状态转移概率;其次利用能量感知算法检测授权用户队列真实状态,获得可观测序列值;然后利用隐式马尔可夫模型描述两种随机过程,即授权用户队列状态变化随机过程和可观测序列随机过程;最后利用forward-backward算法估计隐式马尔可夫模型,从而获得授权用户到达率与服务率。仿真结果表明,该方法能够实现实时的、较为精确的估计,从而实时地为认知用户选择频谱切换策略提供依据。     

基于粒子滤波优化的滚动式时间序列多步预测

针对复杂的应用环境下,时间序列建模不易准确,多步预测精度不高的问题,提出基于粒子滤波（particle filter, PF）优化的滚动式时间序列（roll time series, RTS）多步预测算法(PF_RTS)。采用Box-Jenkins方法对时间序列滚动自适应建模,所建模型作为粒子的状态转移方程,利用粒子滤波算法实时动态修正预测数据,逼近状态的最优估计。本文算法具有自学习能力,适合实时应用。仿真结果表明,本文算法需要的先验知识少,提高了预测的精度。     

时变转移概率IMM-SRCKF机动目标跟踪算法

给出了一种交互多模型(interacting multiple model,IMM)算法中Markov转移概率矩阵在线修正的方法,并将平方根容积卡尔曼滤波器(square-root cubature Kalman filter,SRCKF)引入到IMM算法中,提出一种时变转移概率的机动目标跟踪IMM-SRCKF算法。该算法利用当前量测中包含的模式信息,对IMM算法中的转移概率矩阵进行实时递推估计,避免了常规IMM算法中转移概率先验确定的困难,提高了模型切换速度和跟踪精度;同时,SRCKF以目标状态协方差的平方根进行迭代更新,确保了滤波过程中协方差矩阵的对称性和半正定性,改善了数值精度和稳定性。仿真实验结果表明,该算法对机动目标的跟踪性能优于常规的IMM及IMM-CKF算法。     

基于特征选取与树状Parzen估计的入侵检测

针对目前网络空间安全形势快速变化带来的新风险和新挑战, 提出一种基于相关性分析的特征选取和树状Parzen估计优化的入侵检测方法。首先, 通过基于相关性分析的数据特征选取方法对数据维度进行压缩。其次, 对原始数据集进行特征筛选, 生成新的特征子集。最终, 使用序列模型优化算法中的树状Parzen估计算法对随机森林算法进行模型优化。实验结果表明, 相比其他应用机器学习算法的入侵检测方法, 所提方法在提升综合性能的同时拥有更高的检测效率, 有效地提升了入侵检测技术的实用性。     

检测低信噪比运动目标的改进DP算法

研究了用于检测低信噪比目标的动态规划(dynamic programming, DP)算法。鉴于传统各DP算法对低信噪比运动目标的检测能力较弱的问题,提出了一种改进算法。该算法利用二阶Markov模型描述目标的状态转移过程,并在此基础上将DP的目标寻优过程改进为一系列二维寻优的嵌套。这样,在充分考虑目标的各种运动可能性的前提下,改进算法仍能具有较小的目标搜索范围,从而改善了DP对低信噪比运动目标的检测性能。     

基于隐马尔可夫模型的OTH雷达模式识别和目标定位

针对超视距雷达目标探测中的多模传播问题,提出了基于隐马尔可夫模型的Viterbi算法,以传播模式为状态序列,以斜距为观测序列对每一次雷达重访下的每个回波进行模式识别,并在此基础上提出了利用Bayes线性模型的方法对每次雷达重访下的目标位置进行估计.通过蒙特·卡洛模拟,结果表明该方法在不同的雷达操作频率和电离层存在扰动的情况下都具有具有很高的正确性.     

用于战术意图识别的动态序列贝叶斯网络

针对意图规划过程的层次性和序列性,提出了序列贝叶斯网络(series Bayesian network, SBN)模型,并将动态贝叶斯网络(dynamic Bayesian network, DBN)模型和SBN模型结合起来,构建了动态SBN(dynamic SBN, DSBN)模型进行规划识别,模型的DBN部分用于由特征序列推理元意图,SBN部分用于由序列意图逐层推理父意图。推导了模型的算法,分析了模型在规划识别问题中的表达和推理能力。实验表明,DSBN模型能够有效根据特征序列识别战术意图。     

基于小波网络的水下机器人执行器故障诊断

针对水下机器人系统的不确定性使得对其进行建模比较困难的特点,提出采用一种改进的小波网络进行水下机器人运动建模。该网络通过学习,调节小波函数的伸缩和平移以及网络连接权,既能逼近函数的整体轮廓,亦能捕捉函数变化细节,使得函数的逼近效果较好。通过比较模型的输出(运动状态估计值)与实际测量值来产生残差,分析残差提取故障判断准则,从而进行执行器故障诊断。仿真试验验证了该方法的有效性。     

基于贝叶斯序贯推理的自适应调制识别算法

提出了一种时变衰落信道下的自适应调制识别算法,设计出一种新的动态状态空间模型,来刻画信号调制方式与时变信道增益的时变特性,并引入一阶有限状态马尔可夫(finite state Markov channel,FSMC)模型来描述衰落信道;基于上述,新算法采用贝叶斯序贯推理法,充分发掘利用了其中所隐含的信道动态相关特性,实现对调制方式和时变信道增益的联合估计。仿真结果表明,新算法性能相比于传统ALRT算法有极大提升,且增加采样点数或者降低多普勒频移值都会使算法性能得到改善。     

红外运动小目标检测算法研究

红外探测器受到各种外因、内因的干扰,导致成像模糊,噪声干扰大,使红外运动小目标检测技术成为一直难以实现突破的尖端技术难题,本文提出综合运用基于小波变换的高频信息提取算法、基于灰度形态学梯度的边缘检测算法和以圆形性特征量作为判决准则的边界提取算法的红外运动小目标检测算法。     

基于反面选择原理的智能融合故障检测模型及其应用

针对反面选择算法用于故障检测所存在的局限性,提出了一种基于反面选择原理的智能融合故障检测模型.该模型利用人工免疫系统的反面选择原理来构建神经网络检测器,通过训练将系统的异常模式信息存储在分布的检测器中,根据检测器的激活来发现系统的故障.通过混沌时间序列的异常检测仿真实验,研究了模型参数对故障检测性能的影响.最后以发动机压气机失速检测实验为例,证实该方法对失速信号的模式特征具有较强的分辨能力,同时表明神经网络检测器比常规的二进制编码检测器具有更好的故障识别能力.     

衰减记忆自适应滤波在惯导系统传递对准中的应用

针对滤波稳定性问题,提出了一种改进的衰减记忆自适应滤波算法。通过引入衰减记忆滤波矩阵,根据残差序列输出的互不相关性,在线自适应地调整衰减因子,从而使衰减记忆滤波工作在最佳状态。将该算法应用于惯导系统的传递对准过程,仿真结果表明在模型和噪声统计特性的先验信息不准确时,该算法优于传统的卡尔曼滤波。     

一种基于AR模型的大频偏估计算法

给出了一种适用于卫星通信的大频偏估计算法,文中称之为基于AR模型的大频偏估计算法。该算法结合相应的频率跟踪算法能够在低信噪比条件下实现多普勒频移远大于符号速率的信号捕获与跟踪。同时,还给出了该算法的计算机仿真与硬件实现。结果表明,该算法实现复杂度低,频率估计的准确高,适合于一般的非连续相位调制信号。     

基于自适应尺度变换-双稳态随机共振模型的BPSK信号检测算法

为提升在强噪声背景下对二进制相移键控(binary phase shift keying, BPSK)信号的检测性能, 针对主流方法在抑制噪声过程中信号受到一定程度的削弱、信号处理系统引入新噪声导致检测性能下降的问题,提出了基于自适应尺度变换双稳态随机共振模型的BPSK信号检测算法。对于经典的双稳态随机共振系统只能处理小幅度、低频段的周期信号的情况, 首先将双稳态随机共振系统进行尺度变换, 证明在高采样率条件下, 双稳态随机共振系统可应用于高频的BPSK信号, 并基于Neyman-Pearson准则设计了非线性阈值检测系统, 推导且定量表示出检测器的误码率, 以此作为反馈量, 自适应地调节系统参数, 构建了信号检测的完备流程。通过仿真实验验证了尺度变换的可行性以及所提算法的适用性, 为低信噪比条件下的弱BPSK信号检测提供了理论依据。     

中低轨卫星信号的多普勒频移估计与补偿

针对中低轨卫星信号的多普勒频移具有大范围快速时变的问题,基于航天动力学理论,计算出卫星和接收平台间的相对位置和速度,从而可预先估计卫星信号的多普勒频移.对频移估计的误差进行了分析,给出了一种多普勒频移的快速估计和实时补偿算法,同时也对卫星的可视时间段分情况进行讨论.计算机仿真和工程实践表明,该算法简单、实用,有利于对快变大频偏的卫星信号进行快速跟踪和解调.     

基于攻击者能力状态的入侵建模方法

为解决反应式容忍入侵系统中入侵模型的构建问题,提出了一个基于攻击者能力的入侵模型及相应的模型构建与描述算法。该模型以攻击者对系统操控能力的状态转移过程来描述入侵,首先在警报关联过程中发现入侵者的攻击逻辑并据此构建元攻击模型,然后将元攻击模型转化为一种简单的覆盖形式,并证明了元攻击、覆盖与攻击模型三者之间的一一对应关系,从理论上获得了该入侵模型的存在性与唯一性证明,提出了自动描述该模型的TIBC算法。最后,在警报关联系统中测试了该入侵模型及其构建与描述算法,获得了较高的识别率与较低的虚警率。     

飞行器被雷达发现概率的计算方法研究

给出了飞行器遭遇多雷达探测系统时被发现概率的计算方法。首先根据飞行器的RCS(RadarCross Section)模型、飞行航路、雷达系统的特征参数以及坐标,计算出各个分雷达对飞行器的探测次数以及各次探测的状态参数,进一步计算出各次瞬时探测概率。累积各次瞬时探测概率,计算出各个分雷达的发现概率。最后,根据数据融合准则,计算出多雷达探测系统对飞行器的发现概率。该方法充分考虑不同方位飞行器的RCS不同这一特点,比固定RCS的方法更加接近实战情况;用累积发现概率取代传统的瞬时探测概率,更能反映飞行器在整个航路上遭受探测的情况;把多个雷达视为一个探测系统,更适合于现代雷达探测系统的发展方向。实际算例表明该方法是有效和可行的。