基于四元数互补滤波的无人机姿态解算

针对无人机低成本姿态解算这一基本问题,考虑到传统姿态算法运算量大、不易调试,采用微惯性单元(MEMS)测量无人机原始姿态数据,采用基于四元数的互补滤波算法,有效降低姿态解算的运算量,实现MEMS各传感器的信息融合。从理论上证明了基于四元数的互补滤波器的稳定性,分析了滤波器的性能。采用无人机真实数据验证了算法的有效性,解算得到的俯仰角、滚转角精度小于1°,航向角精度小于2°。与传统姿态算法比较,本算法简单有效、运算量小、易于调试。     

紧藕合导航系统中的GDOP估算方法

提出一种针对低成本GPS/SINS（global positioning system/strap-down inertial navigation system）紧耦合导航系统的快速选星方法,充分利用SINS的输出估算几何精度因子（GDOP）,避免大量迭代带来的时间消耗,在卫星失锁后或星座分布发生变化时实现快速选星;并在该方法的基础上设计并实现紧耦合导航系统中量测噪声方差阵的在线修正,提高了组合导航系统滤波估计的精度. 试验结果表明,本文方法弥补了传统GPS/SINS紧耦合导航系统中选星时间消耗代价过大、收敛精度较低的问题,并可相应降低设备成本.      

基于粒子滤波的多导心电信号的T波交替分析算法

对于多导心电信号中非稳态和非高斯的T波交替(Twavealternans,TWA)现象的分析,现有的方法都存在稳健性差的问题.提出了一种基于粒子滤波的多导联TWA分析方法,根据多导联TWA的分析框架,对经过预处理后得到的多导联ST-T段数据首先进行主成分分析,然后采用粒子滤波的方法对变换后每个通道进行TWA检测和对重构后的各导联进行TWA幅值估计,从而实现多导联T波交替的分析.仿真实验结果表明,当交替信号与噪声的比小于-15dB,多导联的粒子滤波方法的估计TWA幅值准确度高,并且没有出现TWA的漏检和误检情况.同时,对非稳态和非高斯的TWA具有很好的稳健性和抗噪性能.     

K近邻隶属度的P-PHD滤波多目标状态提取

在P-PHD滤波多目标状态提取中,传统的K-Means聚类方法存在需要提取峰值、聚类时间长、类簇边缘易被侵蚀等问题。针对此问题,在对一般聚类算法的研究的基础上,进一步提出了一种基于K近邻隶属度P-PHD滤波多目标状态提取算法。该算法首先通过量测与粒子的关联性,根据距离来进行量测筛选剔除虚警量测信息,估计真实目标量测类别,然后利用K近邻隶属度将粒子分配给各个估计的真实量测类别,重新分配粒子集,在新粒子集直接提取目标状态信息,从而避免粒子峰值提取过程,降低了算法的时间复杂度。仿真实验表明,所提算法与传统P-PHD滤波以及其它改进聚类算法的P-PHD滤波相比,具有状态提取精度高以及运算时间短的优点。     

融合标签相似度的 k 近邻 Slope One 算法

Slope One 协同过滤算法被广泛应用于个性化推荐系统中。标签是一种描述项目特性的重要形式,针对Slope One 算法推荐精度不足的问题,将标签信息融合到 Slope One 算法当中。同时参考 k 近邻算法思想,选取阈值过滤后的 k 近邻项目参与平均评分偏差计算,提高计算效率的同时增加预测精度。使用评分相似度和标签相似度作为权重修正线性回归模型。通过线性加权融合预测结果,进一步提升推荐质量。将算法应用于 MovieLens 数据集,与传统加权 Slope One 算法相比,平均绝对偏差下降4．8％,召回率和准确率分别提高32．1％和26．3％。     

二维粘性不可压缩流动的Fourier-Chebyshev拟谱逼近

该文构造了计算二维粘性不可压缩流动的Fourier-Chebyshev拟谱格式,严格证明了其广义稳定性和收敛性,并给出了数值结果,该文的理论分析为此类混合逼近的误差估计提供了一个框架。     

预报林木生长的Kalman滤波器

<正>根据林木生长的随机性和动态性,用CAR模型自动辩识机辩知林木生长“多对多”动态系统的阶、参数。然后把得到的差分方程组变换成状态矩阵方程,在此基础上对林木生长动态进行Kalman滤波和实时预报,并给出了预报精度。     

基于Kalman滤波的白噪声估计理论的推广

应用Kalman滤波方法和射影理论,将现行的白噪声估计理论推广到一般的随机系统,其中系统噪声在相邻时刻是相关的,且系统噪声和观测噪声在相同和相邻时刻也是相关的。提出了统一的最优和稳态白噪声和拟白噪声估值器。一个仿真例子说明了其有效性。     

Spline wavelet overlapped peaks analysis

The proposed method of spline wavelet overlapped peaks analysis is based on the model of wavelet multifrequency channel decomposition. If the suitable optimal wavelet basis and frequency scale value are selected, the useful information can be extracted from noised overlapped signal. Then, according to the linear relationship between individual components in blurred version, multiple linear regression in low frequency domain is employed to resolve highly overlapped peaks. The results show that even signal-to-noise (S/N) decreases to 0.2, relative errors of peak intensity are less than 12% and the sum of square deviations Q is less than 0.3.     

无需初始状态先验统计知识的最优状态估计

为获得系统状态的最优线性无偏估计（ＢＬＵＥ）,Ｋａｌｍａｎ滤波算法要求事先知道系统状态的均值与方差,但此要求往往难以满足．今放弃这一要求而考虑离散线性时变多输入多输出（ＭＩＭＯ）随机系统的状态估计问题．若系统是完全可重构的,则本文所给新的滤波算法便将给出系统状态的ＢＬＵＥ．对于即使不可观测的完全可重构确定性系统,该新算法也能给出其无差估计．