基于粒子滤波与层级形状描述的红外目标跟踪

提出了一种基于粒子滤波和层级形状描述的红外目标跟踪新方法。在粒子滤波理论框架下,观测概率模型的建立是影响红外目标跟踪性能的重要因素,而红外目标描述是建立观测概率模型的基础。针对红外成像特性,以梯度直方图和空域金字塔技术为基础,建立层级梯度直方图,实现红外目标的层级形状描述。通过计算参考目标的层级梯度直方图与目标样本的层级梯度直方图之间的Bhattacharyya距离,建立观测概率模型。两种不同场景特性的红外目标跟踪实验和对比实验分析都表明该方法是有效的、稳健的。     

网络化防空导弹体系集中式拦截联盟形成方法

集中式拦截联盟(CIC)形成是网络化防空导弹体系(NADMS)中的新问题,旨在确定目标、火力节点以及制导节点三者之间的最优匹配关系,以使得体系整体作战效能最大.根据问题背景,建立了CIC的约束优化问题模型,并选择收敛速度较快的粒子群优化(PSO)算法对模型进行求解.针对PSO的局部收敛问题,从认知心理学角度将人类特有的创造性思维(CT)引入粒子速度更新公式中,通过提升单个粒子的搜索能力来提高整个群体的寻优质量.基于CT过程经典的四阶段模型构建了算法框架,改进了PSO的速度更新公式.根据CIC问题特点,制定了编码策略及相关变量的离散化运算规则.实验结果证明了算法在CIC问题求解质量和收敛速度方面的优越性.     

基于粒子滤波器的移动目标定位算法

在实时定位系统中,为了获得较准确的定位,常常需要使用粒子滤波器对测量值中的非高斯噪声进行处理.然而,现存的基于粒子滤波的定位算法大多只是将其用于处理计算出的坐标值,而很少用于处理原始测量值.本文比较分析了粒子滤波器的不同应用层次对定位精度的影响,并采用NanoLOC开发套件和WiFi开发套件进行了定位实验.结果表明,将粒子滤波器应用于原始测量值能获得更好的定位精度.     

一种新的窗函数法设计余弦调制滤波器组系统

针对用传统的窗函数法,设计滤波器组存在设计复杂、性能不理想等缺点,提出了一种新的余弦调制滤波器组设计方法。该方法采用了一种在理想滤波器的过渡带内插样条函数的窗函数法设计原型滤波器,放松精确重构的限制条件,将余弦调制滤波器组的设计问题转化为无约束的目标函数的优化问题;再用量子粒子群优化算法优化目标函数,求得最优参数通带截止频率,设计出有限冲激响应（finite impulse response, FIR）原型滤波器。仿真实验表明,用本文算法设计的余弦调制滤波器组在幅度失真、混叠失真、信噪比、重构误差等方面都明显优于用传统的“砖墙式”理想滤波器设计的余弦调制滤波器组,用本方法设计的余弦调制传输复用器在通信系统中的应用也有很好的性能。     

自由漂浮空间机器人载体姿态扰动最优轨迹规划

针对机械臂运动产生的航天器载体姿态扰动,提出一种基于粒子群优化算法的自由漂浮空间机器人载体姿态扰动最优轨迹规划方案。对系统角动量守恒方程进行分析,给出了载体姿态扰动最优轨迹规划的目标函数。采用高阶多项式逼近机械臂关节角轨迹,将多项式系数作为优化参数。为保证规划算法的收敛性,采用带有收缩因子的粒子群优化算法进行轨迹寻优。仿真结果表明,在完成位姿调整任务的同时,载体姿态扰动得到了有效的抑制,验证了所提方法的有效性。     

粒子滤波在电子航标节点跟踪中的应用

提出一种高斯粒子滤波求解基于RSSI测距定位的无线传感器网络电子航标节点定位的非线性方程组算法.该算法在每次递推产生新的粒子时充分考虑了当前时刻的量测,使得该算法能很好地利用最新的量测信息.仿真结果表明该算法的节点估计均方误差在3 m以内.可见,它在解决非线性机动目标跟踪问题时有比较好的跟踪性能和滤波结果     

基于多目标优化策略的结构损伤识别智能算法

针对结构损伤识别问题, 提出一种基于多目标优化策略的结构损伤识别智能算法. 该算法利用极端学习机为损伤参数指标与每一阶频率建立非线性函数表达式, 先将结构的每一阶实际测量频率与函数表达式相减, 再把形成的每个表达式作为优化目标, 进而得到结构损伤识别的高维多目标优化模型. 为提高模型的求解精度, 提出了灰色多粒子群协同的多目标优化算法. 实验结果表明, 该方法能较好地处理结构损伤识别问题.     

基于惯性权重指数递减的粒子群优化算法求解绝对值方程

利用惯性权重指数递减的粒子群优化算法求解一类不可微的NP难的绝对值方程问题. 该算法通过调整惯性权重的动态变化能有效克服基本粒子群算法在后期局部搜索能力差、 易陷入局部最优解的缺点. 数值试验表明, 在求解具有唯一解或多个解的绝对值方程时, 该算法精度高, 迭代次数少.     

基于自适应粒子群算法的重油热解模型参数估计

通过构造一个合适的目标函数,将化工模型参数估计问题转化为一个多维数值优化问题,然后提出一种参数自适应调整和维变异的改进粒子群优化算法来求解该问题。该算法首先利用佳点集方法初始化种群以保证粒子的多样性。惯性权重和学习因子随进化过程自适应调整,从而协调算法的全局和局部搜索能力。为了避免算法陷入局部最优,对收敛度最小的维进行变异。几个标准测试问题的实验结果表明该算法具有较强的全局寻优能力。最后将改进粒子群算法应用到重油热解模型参数估计中,并与基本遗传算法(SGA)和粒子群优化算法(SPSO)进行比较。研究结果表明:本文得到的平均相对误差为5.62%,比SGA和SPSO分别低1.08%和0.50%。