一种应用于二进制传感器网络的目标跟踪算法

针对采用集中式粒子滤波方法解决二进制传感器网络目标跟踪问题存在的实时性较差和网络能量消耗大的缺点，提出了一种基于动态分簇的分布式粒子滤波算法。以随着目标运动而动态变化的簇为信息处理结构，簇头节点收集簇成员的单跳测量信息，实时对目标状态进行估计，非簇内节点进入休眠状态以节省能量。仿真表明，合理设置簇转换距离和激活半径，算法的跟踪精度与集中式粒子滤波方法相当；在不影响跟踪效果的情况下，可适当减小簇转换距离和激活半径，从而节省网络能量。     

神经网络模糊预测优化控制在VAV系统中的应用

将神经网络、模糊控制与非线性预测优化控制结合起来,提出了神经网络模糊预测优化控制方法,采用前馈神经网络作为预测模型,利用贝叶斯正则化方法对模型进行了辨识,以自调整模糊控制器作为优化控制器,通过多步预测方式,系统的优化性能指标综合考虑温度偏差最小和能耗最小这两方面因素,应用该方法对制冷工况变风量空调系统的送风温度和回风温度（室内温度）进行了仿真控制研究。控制结果表明了该方法的有效性,控制效果良好,并且可以达到节省能耗的目的。

Abstract：

Artificial neural network,fuzzy control and nonlinear optimal predictive control were combined.The algorithm of neural network nonlinear fuzzy predictive optimal control was proposed.Feed-forward neural network was adopted as the predictive model of the cooling VAV system.The model was identified by the method of Bayesian regularization.The self-adjusting fuzzy controller was adopted as optimal controller.The algorithm was applied in the cooling VAV system with multi-step predictive method.Indoor temperature and supply air temperature was controlled aimed at minimum temperature deviation and minimum energy consumption by this scheme in Matlab.Simulation results illustrate the effectiveness of this technique,and in the meantime illustrate that this technique can save energy consumption.     

基于能量最优的无人驾驶汽车路径跟踪控制

动力总成控制对无人驾驶汽车的动态性能和经济性起着重要的作用。为了提高车辆在路径跟踪过程中的动力性和经济性,提出了一种基于能量最优化的路径跟踪控制策略。控制策略分为两部分,在上层控制器中使用非线性模型预测控制来计算所需要的动力参数和前轮转角。下层控制器采用基于电机能耗数值最优的方法进行设计。该方法可以确保电机一直运行在效率最优状态,并可根据电机状态动态调节无级变速器以满足车辆动力需求。仿真结果表明,控制方案具有良好的跟踪性能和节能潜力。     

考虑盲区的多移动传感器地面目标检测跟踪调度方法

针对地面目标检测跟踪任务以多移动传感器系统为调度对象，提出一种考虑盲区的传感器调度方法。首先，建立了目标检测模型，基于贝叶斯风险理论给出了目标检测损失的计算方法以评估检测性能。然后，考虑多普勒盲区和视野盲区的影响，建立了目标跟踪模型，并给出了基于盲区信息辅助的目标跟踪算法以应对盲区出现时目标状态估计问题。最后，建立了传感器优化调度模型，结合检测损失、跟踪精度、传感器能耗等因素建立了目标优化函数。仿真结果表明，所提调度方法能够有效解决多移动传感器协同调度问题，所得的最优调度方案可在兼顾检测性能、跟踪性能和控制能耗的同时，使整体作战收益达到最佳。     

基于多Agent粒子群优化的多步SVR模型预测控制

提出一种基于多Agent粒子群优化支持向量回归机（support vector regression, SVR）参数的优化算法,并利用该算法建立多步预测控制模型,对非线性系统进行预测控制。通过预测控制的机理推导出满足滚动优化目标函数的多步预测输出的控制律。将该模型与基于遗传算法优化的RBF神经网络预测控制器、基于粒子群优化的多步SVR模型预测控制器和基于遗传算法优化的多步SVR模型预测控制器进行比较分析,仿真结果表明该预测控制模型优于其他控制器,具有良好的预测性能,可有效的对非线性系统进行预测控制。     

基于A-DBSCAN的欠定盲源分离算法

为提升欠定盲源分离问题中混合矩阵的估计精度,在噪声环境下基于密度的空间聚类(density-based spatial clustering of applications with noise, DBSCAN)算法的基础上,提出一种自适应确定输入参数的DBSCAN算法(adaptive DBSCAN, A-DBSCAN)用于混合矩阵估计。针对DBSCAN算法邻域半径(Eps)及邻域点数(MinPts)依赖人为设定的问题,首先利用曲线拟合方法得出Eps,然后通过分析聚类输出类别数与噪声点数关系确定MinPts,并将其与混合矩阵估计模型相结合,最后通过最短路径算法实现源信号恢复。实验结果表明,提出的算法在估计混合矩阵和恢复源信号时,相关性能与对比算法相较均有明显提升。     

基于A-DBSCAN的欠定盲源分离算法

为提升欠定盲源分离问题中混合矩阵的估计精度,在噪声环境下基于密度的空间聚类(density-based spatial clustering of applications with noise, DBSCAN)算法的基础上,提出一种自适应确定输入参数的DBSCAN算法(adaptive DBSCAN, A-DBSCAN)用于混合矩阵估计。针对DBSCAN算法邻域半径(Eps)及邻域点数(MinPts)依赖人为设定的问题,首先利用曲线拟合方法得出Eps,然后通过分析聚类输出类别数与噪声点数关系确定MinPts,并将其与混合矩阵估计模型相结合,最后通过最短路径算法实现源信号恢复。实验结果表明,提出的算法在估计混合矩阵和恢复源信号时,相关性能与对比算法相较均有明显提升。     

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。     

Predictive Control with Velocity Observer for Cushion Robot Based on PSO for Path Planning

This paper proposes a novel model predictive control method with velocity estimation simultaneously constraining trajectory and velocity tracking errors for a cushion robot. The authors investigated a path planning method using improved particle swarm optimization(PSO) combined with Dijkstra's algorithm and obtained a real-time desired optimal motion path for obstacle avoidance.The authors designed a velocity observer to estimate the unmeasurable speed, while the asymptotic stability of the observer error system was established. A predictive controller with error-constrained performance was derived by solving a quadratic programming problem with incremental control. Simulation and experimental results confirm the effectiveness of the proposed method and verify that the error constraints adopted in the cushion robot provide safe motion while avoiding obstacles.     

基于辐射能量缩减约束的双机雷达协同目标跟踪方法

辐射能量减缩是提高机载雷达射频隐身性能的有效途径。针对目标跟踪过程中辐射能量的减缩量约束, 首先通过分析双机雷达协同的目标回波信噪比, 分别从双机与目标距离比和目标雷达散射截面积推导了其对雷达总辐射能量减缩值的贡献; 然后针对雷达目标跟踪过程中的采样间隔算法, 分析了基于滤波残差的递推法与其他两种方法的目标跟踪精度与仿真计算效率; 最后利用交互式多模型卡尔曼滤波算法与基于滤波残差的递推采样间隔法仿真, 验证了目标跟踪过程中双机雷达辐射能量的减缩量, 并仿真了有源无源协同目标跟踪对双机雷达总辐射能量减缩值的贡献。实验结果表明，本文设计的跟踪策略具有更佳的隐身性能。     

多传感器优化部署下的机动目标协同跟踪算法

针对资源有限的传感器网络中目标动态跟踪问题,提出了一种能够自适应选择跟踪传感器的机动目标协同跟踪算法。首先,采用粒子群优化算法优化传感器网络能耗与有效覆盖率,进行传感器位置部署;然后,以最大化候选传感器的Rényi信息增量与最小化传感器间信息传递能耗为适应度函数,采用二进制粒子群优化算法自适应选择最佳跟踪传感器组;最后,利用交互多模型粒子滤波对机动目标位置进行估计并进行分布式融合。仿真结果表明,与现有方法相比,该方法可在非高斯非线性环境下自适应选择最优跟踪传感器,显著提高目标跟踪精度,降低网络能耗。     

Adaptive multi-feature tracking in particle swarm optimization based particle filter framework

This paper proposes a particle swarm optimization(PSO) based particle filter(PF) tracking framework,the embedded PSO makes particles move toward the high likelihood area to find the optimal position in the state transition stage,and simultaneously incorporates the newest observations into the proposal distribution in the update stage.In the proposed approach,likelihood measure functions involving multiple features are presented to enhance the performance of model fitting.Furthermore,the multi-feature weights are self-adaptively adjusted by a PSO algorithm throughout the tracking process.There are three main contributions.Firstly,the PSO algorithm is fused into the PF framework,which can efficiently alleviate the particles degeneracy phenomenon.Secondly,an effective convergence criterion for the PSO algorithm is explored,which can avoid particles getting stuck in local minima and maintain a greater particle diversity.Finally,a multi-feature weight self-adjusting strategy is proposed,which can significantly improve the tracking robustness and accuracy.Experiments performed on several challenging public video sequences demonstrate that the proposed tracking approach achieves a considerable performance.     

具有持续扰动的时滞系统的最优跟踪控制

针对在外部持续扰动下的线性时滞系统提出了一种最优跟踪控制的逐次逼近算法。首先将状态向量含有时滞的线性系统的最优跟踪问题转化为最优调节问题，然后利用逐次逼近算法，将既含有时滞项又含有超前项的两点边值问题转化为不含时滞项和超前项的线性两点边值问题族得到调节系统的最优控制律，然后可以通过截取最优控制序列的有限项得到调节系统的前馈-反馈次优控制律，最后再将最优控制问题转化为最优跟踪问题。     

基于标签随机有限集滤波器的多扩展目标跟踪算法

针对现有随机有限集(random finite set, RFS)扩展目标滤波器不能输出航迹的问题,提出了基于标签RFS滤波器的多扩展目标跟踪算法。该算法首先采用随机超曲面模型将目标建模为星-凸扩展形态,然后利用标签策略表征集合中的离散元素,结合基于延迟逻辑的多假设跟踪理论,采用N 次回扫策略对多帧量测进行平滑处理。仿真实验结果表明,该算法可以在目标跟踪过程中形成完整航迹并对目标扩展形态进行有效估计,特别是在低信噪比探测场景中,所提算法跟踪精度明显优于传统RFS滤波算法,进一步提高了滤波器的稳定性和有效性。     

光电成像制导中地面运动目标检测与跟踪

地面运动目标的自动检测与跟踪是对地精确打击光电成像制导中的核心任务。针对地面运动目标自动检测问题,提出了由粗到精的迭代全局运动补偿算法以补偿动平台引起的背景图像像素位移,基于变化能量测度的独立运动目标检测算法以及基于三帧序列图像的运动目标定位算法。针对地面运动目标跟踪问题,提出了融合运动特征和灰度直方图特征的粒子滤波器目标跟踪算法,实现可靠、稳定跟踪地面运动目标。利用实际航拍视频进行算法验证实验,比较了基于傅里叶-梅林变换 (Fourier-Mellin transform, FMT)、Kanade-Lucas-Tomasi (KLT) 特征跟踪、Harris角点和迭代全局运动补偿算法,验证了基于变化能量测度的独立运动目标检测算法和融合多特征的粒子滤波器跟踪算法的有效性。     

角闪烁噪声下的高斯和容积卡尔曼滤波算法

开展角闪烁噪声下的目标跟踪问题研究对提高传感器的探测性能具有重要意义,其中角闪烁噪声具有的非高斯特性是一个长期困扰研究者的难点。针对该问题,首先通过理论分析指出了容积粒子滤波(cubature particle filter,CPF)在角闪烁噪声下的性能缺陷。其次,基于高斯和滤波(Gaussian sum filter,GSF)框架和容积卡尔曼滤波(cubature Kalman filter,CKF)算法,提出了适用于角闪烁下的高斯和容积卡尔曼滤波(Gaussian sum cubature Kalman filter,GSCKF)算法,该算法将目标后验概率密度用高斯密度加权求和近似,通过多路并行的CKF实现状态预测与量测更新,同时利用模型降阶算法限制高斯分量数目的增长,能应用于非线性、非高斯条件的状态估计。最后,设计了仿真实验对GSCKF和CPF的跟踪精度、鲁棒性和计算复杂度进行了对比。     

基于机会约束规划的机会阵雷达功率资源管理算法

研究了在进行多目标跟踪时机会数字阵列雷达(opportunistic digital array radar, ODAR)的功率资源管理问题。针对复杂多变的环境和未知的目标信息所导致的不确定性,建立了基于随机和模糊机会约束规划(chance constraint programming, CCP)的多目标稳健功率资源管理模型。模型引入随机变量表征雷达总发射功率,引入模糊变量表征每个目标的RCS,以贝叶斯克拉美罗界(Bayesian Cramer Rao lower bound, BCRLB)作为目标跟踪精度的衡量标准,将随机模拟和模糊模拟都嵌入到遗传算法(genetic algorithm,GA)当中,从而预测出下一时刻满足给定置信水平的各目标最优的功率分配,然后根据求解出来的功率分配情况,利用无迹卡尔曼滤波器(unscented Kalman filter, UKF)进行目标跟踪。最后,通过仿真实验验证了算法的有效性和稳定性。     

基于改进MPC的协同自适应巡航控制策略研究

针对环境干扰、传感器噪声和跟随时变车速稳定性较差等问题,提出一种基于KF(kalman filtering)的改进MPC(model predictive control)算法。搭建CACC(cooperative adaptive cruise control)车辆间纵向运动学模型,并建立离散状态空间方程;利用KF对状态变量降噪,同时对预测模型进行鲁棒性设计;对不同工况下CACC控制目标进行分析,分别建立目标优化函数。通过搭建Simulink与CarSim联合仿真模型进行验证,结果表明,改进MPC算法能够提高城市与市郊工况下车辆的燃油经济性与驾乘舒适性,实现公路工况下对时变车速的稳定跟随。     

Dynamic shared segment protection algorithm with differentiated reliability in GMPLS networks

To improve the resource utilization ratio and shorten the recovery time of the shared path protection with differentiated reliability (SPP-DiR) algorithm, an algorithm called dynamic shared segment protection with differentiated reliability (DSSP-DiR) is proposed for survivable GMPLS networks. In the proposed algorithm, a primary path is dynamically divided into several segments according to the differentiated reliability requirements of the customers. In the SPP-DiR algorithm, the whole primary path should be protected, while in the DSSP-DiR algorithm, only partial segments on the primary path need to be protected, which can reduce more backup bandwidths than that in the SPP-DiR algorithm. Simulation results show that the DSSP-DiR algorithm achieves higher resource utilization ratio, lower protection failure probability, and shorter recovery time than the SPP-DiR algorithm.     

高斯粒子PHD滤波的多个弱小目标TBD算法

针对现有多个弱小目标检测前跟踪(track before detect, TBD)算法存在的跟踪精度低,算法复杂度高等问题,提出一种新的基于概率假设密度(probability hypothesis density, PHD)的TBD算法。所提算法通过高斯粒子滤波对PHD中的各高斯项进行递归运算、进行多帧能量累积,并提取高斯项的均值为目标的状态,达到检测与跟踪多个弱小目标的目的。算法在随机集滤波框架下完成未知数目的多个弱小目标跟踪,不仅充分利用粒子滤波的非线性估计能力,同时避免了传统算法利用模糊聚类进行目标状态提取所带来的跟踪精度低等问题。仿真结果表明,所提算法与传统方法相比,在降低算法复杂度的同时,对多个红外弱小目标具有更加良好的实时检测和跟踪性能。