基于自适应EKF的感应电机无传感器控制

针对传统EKF(TEKF)需要长时间试凑噪声协方差矩阵且噪声特性变化时估算性能下降甚至发散的问题,提出了一种基于极大似然估计准则和有限记忆指数加权的自适应EKF算法(EW-MLE-AEKF)。在使用新息序列进行自适应调整时,系统容易因新息序列的不准确而发散,为此可以利用后验残差序列对噪声协方差矩阵Q和R进行实时调整来提高系统的稳定性。同时在加窗方法的基础上使用了有限内存指数加权算法来提高近期数据的权重,加快了估计的收敛速度。仿真和实验验证了算法在电机系统中的可行性,结果证明该算法避免了噪声矩阵的试凑过程,能够适应噪声的变化,提高了滤波精度且系统稳定性强。

基于改进自适应扩展卡尔曼滤波的高精度姿态解算

针对传统自适应扩展卡尔曼滤波的姿态角度解算精度低的问题,分析了Sage-Husa自适应滤波原理,设计了一种改进加权的测量噪声协方差矩阵,提出一种优化自适应滤波过程的扩展卡尔曼滤波方法(WAEKF)。该方法以自适应扩展卡尔曼算法为基础,通过设置不同的权重值更新测量噪声协方差,对测量噪声进行自适应滤波,实现姿态角度的有效解算。实验结果表明,该方法相较于传统的自适应扩展滤波算法大幅提高了姿态角的解算精度,其航向角的均方根误差和平均绝对误差分别降低了84.23%,78.28%。

荧光造影图像序列的噪声滤波

通过对视网膜血流荧光造影图像分析, 将自适应加权平均方法与顺序统计滤波器相结合, 构造了扩展自适应加权平均(EAWA)滤波器. EAWA滤波器是一个灵活的滤波器模型,它通过设计关键像素和权值分布函数, 以达到特定滤波效果. 在此模型基础上, 针对荧光造影图像, 建立了高亮度保持(HIP)滤波器. 实验结果表明, HIP滤波器不仅可以有效地滤波,又可以保持高亮度点的亮度不被退化.

改进的自适应加权中值滤波算法

在分析了自适应算法和中心加权算法的原理和优势后,提出了一种改进的自适应加权中值滤波(IAWMF)算法。采用扩展边缘的方式,使原图像的所有像素点能够用噪声检测因子进行噪声检测,对含有噪声的图像采用自适应窗口(N×N)的中心加权算法进行滤波,可以有效降低邻域噪声点对滤波图像质量的影响。仿真结果表明:改进算法在高浓度椒盐噪声条件下获得的实验效果峰值信噪比(PSNR)、均值平方误差(MAE)、均值绝对误差(MSE)显著优于其他算法,在降噪和保持细节中取得很好的平衡。

QAR数据的数据融合算法

分析了QAR数据中影响飞机性能衰减的主要因素,采用自适应加权数据融合算法和扩展卡尔曼滤波算法对相关性能参数进行了状态参量的估计,并验证了自适应加权融合算法在外界环境影响较小时的便捷性和外界环境影响过大时的局限性.引入扩展卡尔曼滤波算法,加入高斯噪声的计算,提高了状态估计值的精确度,为航空公司改善飞机运行提供了参考.

基于加权自适应递推最小二乘法与EKF的锂离子电池SOC估计

为了实现锂离子电池荷电状态(SOC)的精确估计,建立锂离子电池的二阶等效模型,提出基于加权自适应递推最小二乘法与扩展卡尔曼滤波(ARWEKF)的锂离子电池SOC估计方法。通过静态和动态工况下的仿真和试验进行验证,结果表明:ARWEKF算法的估计精度高于扩展卡尔曼滤波(EKF)算法和基于遗忘因子的递推最小二乘法(FFRLS),其模拟仿真的最大绝对误差为1.36%,均方根误差为0.42%,静态工况试验下的AE为0.67%,RMSE为0.21%,动态工况试验下的AE为1.86%,RMSE为0.56%。

基于综合特征的单样本人脸特征提取

为了有效地提取单训练人脸样本的特征,提出了一种新的人脸局部特征描述方法,改进了局部二进制模式的方向性描述单一的问题,并且加入了像素间变化趋势幅度的描述,称之为局部综合模式(Local Comprehensive Patterns,LCP)。首先对人脸样本图像进行分块,然后每个的分块子图像进行改进LCP算子运算;其次考虑到每个子块的特征对整幅人脸图像的贡献度不一致,提出了贡献度图谱(Contribution Map,CM);最后根据贡献度图谱对每个子块的改进LCP描述进行自适应加权融合形成最终的人脸描述特征,最后在ORL和Yale B库上进行了有效性的测试,与现有的多种算法进行比对,所提出的算法对于非限定环境下人脸的识别有良好的效果。

基于正六边形区域划分的无线传感器网络动态目标跟踪

针对无线传感器网络(WSNs)目标跟踪应用中的跟踪精度与能耗问题,提出一种能量均衡消耗的目标跟踪协同算法。该算法以正六边形网格作为分簇模型,能动态地唤醒无线传感器网络中合适的簇对目标状态进行估计。同时引入了虚拟簇头的概念用于优化簇头选举策略。仿真分析表明:所提出的算法与簇内集中式算法相比不仅具有相当的估计性能,并能有效降低对簇头节点的性能要求。除此之外,通过自适应动态簇头选举策略,有效地均衡了各簇中节点能量消耗,提高了系统的健壮性。

基于XFEM和改进人工蜂群算法的结构内部缺陷反演

将扩展有限元法与智能优化算法相结合,基于结构的实际响应值反演出结构内部缺陷信息。传统人工蜂群算法在一定程度上朝着任意的方向搜索,为了避免出现搜索的局部最优现象,该文在传统人工蜂群算法中嵌入了加权平均数突变和交叉算子,将这种改进算法用于单个圆形、椭圆形缺陷和两个不规则缺陷的反演分析,并研究了该算法在测得值有误差情况下的适应性。研究得到:这种改进人工蜂群算法能准确反演出结构的真实缺陷信息;改进人工蜂群算法相比于传统人工蜂群算法收敛速度更快且不易出现局部最优,且定位准确,鲁棒性较强。

基于加权多新息AEKF的锂电池SOC在线估算

为实现大功率锂离子电池荷电状态的实时准确估算,以三元锂离子电池为研究对象,提出了一种加权多新息理论与自适应扩展卡尔曼滤波相结合的算法。利用多个时刻的残差和卡尔曼增益对估计值进行校正,并根据所包含的信息量为每个残差配置不同的权重。通过对系统噪声协方差和误差协方差的实时更新,自适应地调节和修正当前估计值。为验证算法合理性,采用二阶RC等效电路模型来表征电池动态特性,并在不同工况下进行实验验证。实验结果表明,在DST和BBDST工况下的估算均方根误差分别为1.31%和1.23%,验证了所提出算法具有良好的精度和收敛性。加权多新息自适应扩展卡尔曼滤波算法为锂电池的精确状态估算和广泛应用提供了理论基础。

固定指数加权模糊自适应EKF研究及其应用

为了改善扩展卡尔曼滤波(EKF)算法在机动目标跟踪中的跟踪性能,文中研究了一种固定指数加权模糊自适应扩展卡尔曼滤波技术,通过监视理论残差和实际残差的协方差一致程度,应用模糊推理系统不断调整滤波协方差,对扩展卡尔曼滤波器(EKF)进行在线自适应控制,最终实现最优估计。仿真结果表明,改进的算法稳定性高,精度得到明显改善,用于弱机动目标跟踪效果较好。

利用渐消自适应EKF算法进行PDR-WiFi融合定位

针对基于指纹库的WiFi定位存在的点位重积、回跳,行人航位推算算法中误差积累的问题,提出了并实现了通过一种自适应加权扩展卡尔曼滤波对两种定位算法进行松耦合。首先给出了WiFi无线定位和行人航位推算进行位置解算的原理,采用渐消因子的自适应加权EKF算法实现了两者的融合,最后通过实测数据验证算法的有效性。试验表明,该方法在保持了WiFi定位单次定位高精度的特性的同时,继承了航位推算的连贯性,不仅减少了WiFi定位所存在的重复堆积点以及回跳点,并在一定程度上削弱了行人航位推算所存在的积累误差,提高了融合算法的效率,大大提高了室内定位的精度与稳定性。

采用自适应加权扩展LBP的单样本人脸识别

提出了一种采用自适应加权扩展LBP(AWELBP,adaptively weighted extended local binarypattern)的单样本人脸描述方法,首先对单样本的人脸图像进行多尺度分块,对子块的图像进行扩展均匀LBP算子运算,同时同步生成图像局部熵图谱(LEM,local entropy map),计算每一子块对整体人脸图像纹理描述的贡献度图谱,根据贡献度图谱对每个子块的LBP直方图进行自适应加权,最后将各子块的LBP直方图进行连接形成人脸特征。本算法在ORL、Yale、Yale B人脸库上对部分遮挡、表情变化、光照变化等环境进行测试,并与传统算法以及与多种LBP改进算法进行比较,结果表明该算法对部分遮挡、表情变化和光照等环境下单样本人脸描述具有较好的效果。

改进的Sage-Husa自适应滤波算法在MEMS航姿参考系统中的应用

针对经典Kalman滤·波和扩展Kalman滤·波融合算法存在的计算量大、精度低、实时性差的缺点,引入了改进的Sage-Husa自适应扩展Kalman滤-波算法。该算法对经典扩展Kalman滤波算法进行了自适应改进,并在此基础上利用加权渐消记忆法获取了遗忘因子,并通过预测残差得出了最优解。同时,用调整有偏增益估计的措施来保证系统噪声预测方差矩阵与噪声预测方差矩阵的对称性和正定性,对滤波器发散进行了有效的抑制,减少了算法的计算量。实验结果表明,该算法有效改善了可靠性、精确性及自适应能力。