A kind of Generalized Learning Model

1　IntroductionSymboliclearning,connectivelearning,fuzzylearningandevolutionarylearningarethepresentfundamentalmethodsformachinelearning[1～3].Eachofthemhascharacteristicsandadvantages,andcancarryoutmachinelearningtasksincertainregioneffectively.Howe...     

基于卡尔曼滤波的二次型神经网络学习算法及收敛性分析

提出了二次型多层前馈神经网络的卡尔曼滤波学习算法,并证明了该算法的收敛性。与文献［２,３］中的学习算法和经典的误差反向传播学习算法相比,新的学习算法具有更快的学习速度、良好的泛化能力,并且对学习率有很好的鲁棒性,不容易陷入局部极小点。仿真实验结果表明了新算法的有效性。     

地面站数传系统的RBFNN模型及算法

针对难以建立精确数学模型的地面站数传系统,提出改进梯度迭代学习的径向基神经网络建模方法。改进梯度学习算法通过训练样本相关性矩阵的主成分分析确定网络隐含层初始节点数;改进迭代过程中网络参数的梯度信息计算方式,加快了迭代收敛速度;并增加结构调整过程,实现对网络规模的精简。通过采集地面站数传系统输入-输出数据,将改进梯度学习算法应用于网络离线训练,并给出具体实现步骤。地面站数传资源配置优化实例验证了模型具有较高泛化能力,且算法稳定性较佳。     

Pulsar/CNS integrated navigation based on federated UKF

In order to improve the autonomous navigation capability of satellite, a pulsar/CNS (celestial navigation system) integrated navigation method based on federated unscented Kalman filter (UKF) is proposed. The celestial navigation is a mature and stable navigation method. However, its position determination performance is not satisfied due to the low accuracy of horizon sensor. Single pulsar navigation is a new navigation method, which can provide highly accurate range measurements. The major drawback of single pulsar navigation is that the system is completely unobservable. As two methods are complementary to each other, the federated UKF is used here for fusing the navigation data from single pulsar navigation and CNS. Compared to the traditional celestial navigation method and single pulsar navigation, the integrated navigation method can provide better navigation performance. The simulation results demonstrate the feasibility and effectiveness of the navigation method.     

基于遗传算法和种子概念的本体概念提取算法

本体学习技术是利用本体工程技术和机器学习技术等众多学科技术来实现本体(半)自动构建的一项技术。通过研究中文本体学习这一领域存在的问题,提出了基于遗传算法和种子概念的本体概念提取算法。介绍了当前基于非结构化数据源的本体概念主要提取算法,在遗传算法和种子概念的基础上,设计了一种基于非结构化数据源的本体概念提取算法。实验证明,本算法在特定领域本体学习方面取得了良好的效果。     

基于四元数平方根UKF算法的SINS/GPS紧组合导航系统研究

在较大初始姿态误差角下,针对SINS/GPS紧组合导航系统扩展卡尔曼滤波（extenthed Kalman filter, EKF）算法定位精度下降的问题,提出了一种基于四元数的平方根无迹卡尔曼滤波（square root unscented Kalman filter, SRUKF）算法。为解决SRUKF算法中四元数正交规范化的限制,通过构造姿态矩阵代价函数将四元数预测均值问题转化为代价函数最小时的四元数向量求解问题,保证了均值四元数的规范化;利用乘性四元数误差表示四元数预测值与均值之间的距离,求取四元数的预测协方差矩阵,保证了算法的合理性。在此基础上,给出了SINS/GPS紧组合系统四元数平方根无迹卡尔曼滤波算法的具体步骤。在较大初始姿态误差角下的仿真实验结果表明,与EKF算法相比,该算法精度更高,稳定性更强。     

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。     

调制型光纤捷联系统系泊状态标校方法

针对舰船系泊状态特有的运动环境及惯性器件偏差对捷联系统导航精度的影响,提出一种单轴四位置旋转调制方案并建立该系统误差方程。研究了直观分析系统参数可观测性的解析方法,并运用谱条件数法计算出惯性测量单元（inertial measurement unit, IMU）在静止和旋转状态下各状态量的可观测度,利用分离位置回路的卡尔曼滤波模型实现了器件偏差的现场估计。数值仿真显示,单轴四位置转停方案可以有效地提高惯性器件偏差的可观测度,大大提高了系泊状态下惯性器件偏差的估计精度。     

3-DOF混联拟人臂动力学建模与迭代学习控制

采用Lagrange方法建立了一类新型3P6R平面3-DOF串-并混联拟人臂的标称动力学模型。针对该机构的重复轨迹跟踪问题,考虑其不确定性,充分利用其已知动力学部分,提出了一种集中参数自适应-闭环迭代学习控制器。在每个迭代周期内采用自适应算法学习由未建模动态、外部干扰及摩擦力等多种因素造成的集中不确定性上界,进而逐次补偿由其造成的误差;闭环变系数迭代学习算法保证了该系统在迭代域内收敛,实现了完全轨迹跟踪。严格的证明及仿真结果验证了此控制器的有效性。     

基于学习进化的机器人同时定位与地图创建

利用学习与进化结合的思想,改善基于粒子滤波的SLAM算法。在对学习与进化的关系深入分析的基础上,针对基于粒子滤波的SLAM算法,提出将滤波过程分成学习和进化两个阶段,分别给出相应算法解决粒子有效性与多样性的问题,缓解二者之间的矛盾,改善了SLAM算法的效果,增强了算法的鲁棒性,也验证了学习与进化的关系。最后,通过多次Monte-Carlo仿真实验结果表明了该算法的有效性。