一种融合点线特征的视觉里程计架构设计与定位实现

基于视觉的同时定位与地图构建（SLAM）技术是实现移动机器人自主导航的关键.当机器人处在陌生环境中时,通常会利用周围目标的点特征来估计导航相机的位姿,并利用光束法平差来估计相机位姿和特征空间位置.但如果环境中的特征信息不丰富,则无法准确估计相机轨迹,且欧式坐标与反深度信息下的光束法平差部分条件下不收敛.为此,提出了一种在缺少特征点的环境下通过收集深度相机信息,同时利用点特征与线特征融合的视觉里程计,构建了融合视差角光束法平差与基于线特征的光束法平差的策略,从而使重投影误差达到最小化.最后与其他基于特征的SLAM系统进行比较,实验结果表明,在缺少特征点的真实环境中,系统位姿估计的性能与准确度得到提升.      

基于BFGS修正的高斯牛顿光束法平差解算方法

针对高斯牛顿(Gauss-Newton, GN)方法求解光束法平差模型时对初值准确度要求高、应用场景受限的问题, 提出基于拟牛顿法BFGS (Broyden-Fletcher-Goldfarb-Shanno)修正的高斯牛顿算法——BFGS-GN 法。当高斯牛顿法的信息矩阵失去正定性后, 使用BFGS算法对法方程进行补充修正, 可从根本上消除高斯牛顿方法对初值敏感的数学缺陷。在数据集上的实验结果表明, BFGS-GN算法对不同类型的初值具有鲁棒性, 在初值较好的情况下, 所提方法与高斯牛顿法具有相同的精度和迭代效率; 在初值较差的情况下, 高斯牛顿方法 因发散而失效, BFGS-GN算法仍可以收敛到较高的精度。     

复杂信号环境下的鲁棒卡尔曼滤波算法

该文提出一种有效减小全球导航卫星系统接收机在复杂信号环境下定位误差的鲁棒卡尔曼滤波算法。该算法对基于高斯白噪声模型的传统Kalman进行了改进,引入了污染分布,并提出了一种基于加权组合正态分布模型下的滤波算法。同时利用矩估计理论对算法中的污染率给出了一种在线估计方法。通过模拟数据和真实采集信号的测试证明,本文提出的算法可在线对污染率进行准确稳定的估计,抑制粗差的效果明显优于传统Kalman滤波算法,定位误差显著减小。     

基于高斯混合模型的无线传感器网络定位算法

针对距离误差对定位结果的影响,提出一种基于高斯混合模型的无线传感器网络定位算法.该算法将高斯混合模型方法引入到无线传感器网络的定位问题中,通过高斯混合模型分析找出误差较大的距离信息并将其剔除,对剩余距离信息使用三边测量定位法进行定位求解,同时结合加权定位算法进行位置估计.仿真实验结果表明,改进算法能提高定位精度,且定位结果更稳定.     

结合互信息熵差测度的高斯混合模型图像分割

从分割图像与原图像的内在联系出发,提出了一种基于高斯混合模型与互信息熵差结合的分割算法--GMM-DMI算法.利用期望极值化方法确定高斯混合模型的各分量参数,以互信息熵差为模型选择准则,计算前分割图像与当前分割图像的互信息熵差,互信息熵差达到最小时即为最优解.实验结果表明,本算法所得到的目标图像的区域保持形状且定位性能好.     

一种基于混合高斯模型运动目标检测新算法

针对传统的混合高斯模型算法检测时存在较多噪声的不足,提出了一种基于混合高斯模型与三帧差法相结合的运动目标检测算法。该算法首先分别通过混合高斯模型算法和三帧差法各获得一幅前景图像,然后将两幅图像进行逻辑或运算;再对获得的图像进行自适应中值滤波处理,并利用连通域阈值面积去噪法除去剩余的噪声,最终提取出运动目标。实验仿真结果表明,利用该方法可以有效地提高运动目标的检测率。     

AUV同时定位与跟踪算法研究

为了提高自治水下航行器的水下适应能力,对比目标跟踪与协同导航的概念,并仿照同时定位与制图方法,提出了基于EKF-SLAM框架和FastSLAM框架的自治水下航行器同时定位与跟踪算法.根据装备在携带低精度自定位传感器AUV上的声纳传感器持续探测非合作目标并估计目标航迹的同时,利用探测到的AUV与目标间的相对信息修正其自身航位推算带来的累积估计误差,从而提高AUV的自定位精度,AUV的定位和目标的状态估计同时进行,且要满足一定的精度.仿真比较了所提出的两种算法的精度,并验证了算法的有效性和一致性.     

阵元非均匀高斯白噪声背景下的近场声源定位研究

为解决非均匀高斯白噪声背景下常规近场声源定位算法精度低的问题,提出一种基于噪声协方差矩阵估计的近场声源定位,预白化MUSIC算法,该方法首先从阵列输出数据中估计出噪声协方差矩阵,再利用估计出的噪声协方差矩阵预白化阵列协方差矩阵,从而提高常规算法的估计性能.仿真结果表明,在非均匀高斯白噪声背景下的近场声源定位中,预白化MUSIC算法定位性能高于常规MUSIC和Capon算法的估计性能.     

基于遗传-神经网络的电机故障诊断

本文采用非线性最小二乘法中的LM(Leven-berg-Marquardt)算法,结合遗传算法进行电机故障诊断的方法,并应用于电机故障的仿真实验,性能明显优于单一的算法结构.1神经网络模型及算法本文采用的LM算法是一种利用标准数值优化技术的快速算法,是高斯-牛顿法的改进形式[1].LM算法网络     

基于时延差特征参数判别的牛顿迭代振源定位搜索算法

 时差定位系统的定位精度, 主要受时间差测量和传感器几何分布的影响。由于受环境的复杂性、目标的移动性和定位的实时性制约, 时延差准确与否一直是困扰研究人员的问题。本文提出一种基于信号特征参数判别的时延差误差估计方法, 应用该方法分别对牛顿迭代搜索定位算法的搜索初值和结束条件进行了改进:首先利用各传感器的特征信息, 确定各传感器信号的信度;其次, 选择3 个可信度高的传感器进行目标定位, 其结果作为牛顿迭代搜索的初值, 避免了传统方法确定初值的复杂繁琐的计算;第三, 将各传感器的信度作为牛顿迭代搜索结束条件的权值, 使得结束条件更合理、更贴近实际。实验证明了本算法定位精度高、鲁棒性强。     

基于遗传算法和高斯牛顿法的超声回波信号参数估计

在超声回波信号参数估计中,如果高斯牛顿法选取的迭代初值接近参数向量的真实解,则容易找到最优解;如果初始值远离最优解,则高斯牛顿法不收敛或者只收敛到局部最优解。针对高斯牛顿法对迭代初值敏感的问题,提出了遗传算法和高斯牛顿法结合的参数估计方法。该方法充分利用遗传算法善于进行全局搜索和高斯牛顿法善于进行局部快速搜索的优点,首先使用遗传算法求出超声回波信号的参数初值,然后利用这组初值进行高斯牛顿法迭代搜索。仿真结果表明,基于遗传算法和高斯牛顿法相结合的方法,具有收敛速度快、精确度高的特点。     

一类基于Levenberg—Marquardt算法的神经PID控制研究

传统的比例积分控制器具有一定的局限性,尤其是当被控对象会有非线性、不确定性和时变特性,常规的PID控制器往往难以发挥作用,甚至会失稳．利用神经网络进行复杂过程的PID控制可以很好地解决上述问题．Levenberg—Marquadt（LM）算法是梯度下降法与高斯一牛顿法的结合,就训练次数与精度而言,它明显优于共轭梯度法及变学习率的BP算法,适用于PID控制．得到了在线自适应神经网络PID控制算法,该算法改善了传统BP算法,实现了现有PID控制器控制方法．     

一种基于遗传算法和LM算法的混合学习算法

针对遗传算法与神经网络结合方式中存在的早熟收敛、泛化能力弱等问题, 提出一种交替使用遗传算法和Levenberg Marquardt算法优化神经网络的混合学习算法（GALM算法）. 该算法先通过遗传算法粗调得到一组全局最优近似解, 再以该近似解为初值, 交替使用遗传算法和LM算法优化神经网络训练, 直至发现满意的网络参数. 实验结果表明, 新算法提高了网络的学习能力和收敛速度.     

A BP neural network based information fusion method for urban traffic speed estimation

Obtaining comprehensive and accurate information is very important in intelligent traffic system (ITS). In ITS, the GPS floating car system is an very important approach for traffic data acquisition. However, in this system, the GPS blind areas caused by tall buildings and tunnels could affect the acquisition of traffic information and depress the system performance. Aiming at this problem, we developed a novel method employing a back propagation (BP) neural network to estimate the traffic speed in the GPS blind areas. When the speed of one road section is lost, we can use the speed of its related road sections to estimate its speed. The complete historical data of these road sections are used to train the neural network, using Levenberg-Marquardt learning algorithm. Then, the current speed of the related roads is used by the trained neural network to get the speed of the road section without GPS signal. We compare the speed of the road section estimated by our method with the real speed of this road section, and the experimental results show that the speed of this road section estimated by our method is better.     

一种融合视觉与IMU信息的车载激光雷达三维地图构建与定位方法

针对激光雷达非匀速运动畸变问题,提出一种融合视觉惯性里程计和激光雷达里程计,进行三维地图构建与定位(simultaneous localization and mapping, SLAM)方法.经预处理和时间戳对齐后的数据,应用视觉估计和惯性测量单元(inertial measurement unit, IMU)预积分对视觉进行初始化,通过约束的滑窗优化和视觉里程计的高频位姿,将传统雷达匀速运动模型改进为多阶段匀加速模型,从而降低点云畸变.同时,利用列文伯格-马夸尔特(Levenberg-Marquardt, LM)方法优化激光里程计,提出一种融合词袋模型的回环检测方法,最终实现三维地图构建.基于实车试验数据,通过与LEGO-LOAM(lightweight and ground-optimized lidar odometry and mapping on variable terrain)方法的结果对比,本文方法在平均误差和误差中位数上分别提升了16%和23%.     

基于改进距离向量算法的无线传感网定位研究

为了解决传统距离向量-跳段(DV-Hop)定位算法的精确度受限问题,提出了一种基于跳段大小校正和定位优化的改进DV-Hop算法。根据参考节点之间实际距离和估计距离的差异,计算出整个网络中有效的跳段大小,未知节点和参考节点之间的跳段添加了校正值,而接收信号强度指示(received signal strength indicator,RSSI)的数值用于校正单跳的距离,应用莱文贝格-马奈特(Levenberg-Marquardt,LM)算法来估计每个传感器的优化位置。在求值的过程中,研究了影响距离向量-跳段定位精确度的各种因素。仿真结果表明,与传统的DV-Hop和一些现有的改进算法相比,提出算法的定位精度有所提高。     

基于假设检验的NLOS确定及最小残差定位算法

针对室内非视距传播会降低定位精度的情况,提出基于假设检验的NLOS确定算法,并在此基础上提出基于粒子群优化算法的最小残差定位算法.通过联合信号接收强度模型和到达时间模型,利用假设检验的方法确定当前信号是否受到非视距污染.仿真结果表明,与标准差分析法相比,所提出的方法具有计算量小、不需要太多的传播模型参数等特点,具有较高的正确率.在确定信号传播环境后,在非视距干扰比较严重的情况下,提出了基于粒子群优化算法的最小残差定位算法,定位精度优于加权最小二乘法和Fang氏算法.     

局域定位系统拟应用于工程测量系统自定位法

提出了一种系统自定位方法.该方法采用控制点坐标进行约束,按照非线性最小二乘的Levenberg-Marquardt算法求解系统自定位参数.以双发射站为例,给出了新的系统自定位参数的解算模型.通过试验证明此方法是可行的,解算模型是正确有效的,其系统自定位精度完全能够满足工程测量的要求.     

一种基于神经网络的非线性卫星HPA预失真器

卫星通信中放大器使用的行波管(TWT)会引起信号的非线性畸变,对通信质量造成较大影响.为解决这种不利影响,在放大器前端采用非线性预失真,能较理想地消除放大器的非线性.由于神经网络能够对非线性函数进行较好地拟合,可以将其引入预失真器的设计.为简化神经网络中的LM算法,提出了一种采用LMS算法的系统模型,并建立新的自适应预...     

一种基于综合目标函数的神经网络学习算法

为提高多层前向神经网络的学习速度和算法的稳定性,提出一种基于综合目标函数的改进学习算法.该算法在误差平方和目标函数中引入一个辅助约束项构成综合目标函数,并利用综合目标函数训练网络的输出层权值,采用牛顿法推导出训练输出层权值的递推公式.辅助约束项隐含有对网络输出平滑性的约束,提高了学习算法的稳定性.利用该算法对不同非线性函数生成的样本数据的学习结果表明,新算法的收敛速度、精度均优于Karayiannis等人的二阶学习算法.