周期检测策略对基于Markov模型的PFS计算的影响

为准确评估安全仪表系统(SIS)的安全失效概率(PFS),在传统Markov模型基础上,提出一种新的计算模型。考虑周期检测覆盖率,以及周期检测导致的系统安全失效概率的周期检测策略,构建SIS的PFS新计算模型;并以加氢工艺热高压分离器液位控制SIS为例,应用该模型计算不同周期检测策略下该系统的安全失效概率。结果表明:该模型能够解决PFS计算过于理想化的问题;相较于理想检测策略,该模型对现场SIS的PFS计算更准确,且为SIS提供了一定的安全裕度。

改进权值计算的EPF算法及在目标跟踪中的应用

扩展卡尔曼粒子滤波(EPF)在预测阶段通过EKF选取重要性函数而优化了粒子选取,但是传统EPF算法中粒子权值一般是通过正态分布的概率密度函数计算的。此方法没有突出不同噪声粒子的权值差别,在计算中引入了较大的相对误差。通过在更新阶段对权值计算所依赖的概率密度函数做出改进,得到改进的EPF算法。同时采用实际目标跟踪数据进行仿真对比实验,结果验证了此方法有效可行,并且减小了预测误差。

EKF、UKF、PF目标跟踪性能的比较

雷达系统的非线性目标跟踪已被人们广泛重视。扩展卡尔曼滤波器(EKF)是将卡尔曼滤波器(KF)局部线性化,其算法简单、计算量小,适用于弱非线性、高斯环境下。不敏卡尔曼滤波器(UKF)是用一系列确定样本来逼近状态的后验概率密度,在高斯环境中,对任何非线性系统都有较好的跟踪性能。粒子滤波器(PF)是用随机样本来近似状态后验概率密度函数,适用于任何非线性非高斯系统。文中通过仿真实验,对三者的性能进行了仿真比较,结果证明在复杂的非高斯非线性环境中,粒子滤波器的性能明显优于另外两种滤波器,但计算复杂,耗时长。

改进的多模型粒子PHD和CPHD滤波算法

多模型粒子概率假设密度(Probability hypothesis density,PHD)滤波是一种有效的多机动目标跟踪算法,然而当模型概率过小时,该算法存在粒子退化问题,而且它对目标数的泊松分布假设会夸大目标漏检对其势估计的影响.针对上述问题,本文提出一种改进算法.该算法并不是简单地对模型索引进行采样,而是用粒子拟合目标状态的模型条件PHD强度,在不对噪声做任何先验假设的前提下,通过重采样实现存活粒子的输入交互,提高了滤波性能.在此基础上,进一步将算法在Cardinalized PHD(CPHD)的框架下加以实现,提高其目标数估计精度.仿真实验表明,所提算法在滤波性能和目标数估计精度方面均优于传统的多模型粒子PHD算法,具有良好的工程应用前景.

一种改进的基于蚁群优化的粒子滤波算法

针对传统粒子滤波算法中粒子匮乏以及粒子多样性丧失的问题,提出了一种基于蚁群优化的改进粒子滤波算法。该算法利用蚁群算法优化粒子滤波的重采样过程,使粒子在更新权值后,利用转移概率向权值较优粒子的位置移动,以防止权值较小的粒子在多次迭代后退化消失;同时,设置转移阈值,以抑制权值较优粒子间的转移,从而同时解决了粒子匮乏以及粒子多样性丧失的问题。实验结果表明,该算法具有较高的预估精度和较好的鲁棒性。

基于修正IMM的风机变桨系统故障诊断方法

针对交互式多模型(IMM)故障诊断方法固定模型转移概率导致的诊断准确性、速度下降和估计精度损失问题,提出了一种基于模型转移概率和模型概率修正的故障诊断方法,并与粒子滤波(PF)结合实现了风机变桨系统传感器的多故障诊断。在非模式切换阶段,采用后验模型概率梯度信息设计模型转移概率的修正函数,以抑制噪声对IMM估计精度的影响;在模式切换阶段,采用模型概率反转的策略快速切换模型,弥补模型软切换导致的诊断延迟和错误诊断。通过仿真实验证明所提方法的准确性、模型切换速度以及状态估计精度都得到了较好的提升。

区域计算机联锁系统安全性分析的动态故障树模型与方法研究

目前,国内外关于动态冗余系统安全性分析的主要方法是Markov模型。对于区域计算机联锁系统,使用Markov模型进行分析时,其状态空间规模较大,致使其建模及求解过程十分繁琐。为了解决这个问题,本文从系统失效的角度建立区域计算机联锁系统动态故障树模型,采用概率近似法求出系统的安全失效概率和危险失效概率,并将所得结果与Markov方法所求指标进行比较。研究结果表明,故障树概率近似法和Markov方法计算结果十分接近,但计算过程简单且对存储量要求小。说明对于低失效率和短维护时间的铁路信号安全苛求系统,采用故障树概率近似法计算有关安全性能指标切实可行,避免了利用Markov方法求解的繁琐过程,为复杂冗余动态系统的安全性分析与计算提供了新的解决方案。

基于随机摄动再采样的粒子概率假设密度滤波器

作为概率假设密度滤波的典型实现方式,粒子概率假设密度滤波器无需线性高斯等先验假设,因而在多目标跟踪中得到了广泛的应用。为解决粒子退化问题并保持粒子规模,该滤波器引入了重采样机制,然而,该重采样机制易引起粒子多样性耗尽,导致粒子贫化问题产生。为解决这一问题,该文提出一种新的基于随机摄动再采样的粒子概率假设密度滤波器。首先,全面分析了粒子概率假设密度滤波因粒子贫化问题导致目标失跟的过程。然后设计了一种随机摄动再采样算法,该算法在重采样导致粒子多样性缺失时,根据源粒子的位置与复制次数随机产生相应数目的新粒子,并对源粒子进行删减,其可在保留源粒子信息的前提下保持粒子的多样性。最后,该文将该算法纳入概率假设密度滤波框架,提出了一种新的粒子概率假设密度滤波器。仿真结果表明该滤波器在不显著增加运行时间的前提下能够克服粒子贫化问题,相比标准的粒子概率假设密度滤波器具有更好的跟踪性能。

基于联合多目标概率密度模型的多目标检测前跟踪算法

针对多目标环境下的检测前跟踪问题,提出了基于联合多目标概率密度(JMPD)模型的检测前跟踪(TBD)算法。JMPD模型同时模拟目标数目及其联合状态,采用粒子滤波递归估计JMPD实现目标数目及其状态的估计。仿真实验表明,所提算法在较小的延时检测的情况下,能准确估计目标的出生及消亡,并且航迹跟踪精确稳定,实现了对多个微弱目标的检测及跟踪。

基于随机Petri网的乘积形式解存在判定

给出了一个判定基于随机Petri网(SPN)的乘积形式解存在的定理。利用该判定定理,可以发现两部件自动组装生产线模型具有乘积形式解,据此可画出该模型的状态空间图,然后根据局部平衡方程,就可得到此模型任意状态的稳定概率。

基于随机有限集的SLAM算法

提出一种基于随机有限集的同步定位与地图创建算法,该算法利用随机有限集对环境地图和传感器观测信息建模,建立联合目标状态变量的随机有限集。依据Bayesian估计框架,利用概率假设密度滤波的粒子滤波实现对机器人位姿和环境地图进行同时估计。新算法避免了数据关联过程,并能更加自然有效地表达同步定位与地图创建(simultaneous localization and mapping,SLAM)问题中多特征-多观测特性及多种传感器信息。在仿真实验中,利用FastSLAM2.0算法和新算法进行对比,实验结果验证了新算法的优越性。

基于随机Petri网的乘积形式解存在的一个充分条件

目前,判定一类随机Petri网(SPN)是否具有乘积形式解还没有比较好的方法。在这篇文章里给出了一个基于随机Petri网的乘积形式解存在的判定定理,它对于判定一些SPN模型是非常有用的。利用这个定理,可以发现两部件自动组装生产线模型具有乘积形式解,然后画出该模型的状态空间图,根据局部平衡方程,就可以得到此模型任意状态的稳定概率。

基于故障树的SIS可用性分析

安全失效概率(PFS)是衡量安全仪表系统(SIS)性能优劣的重要指标之一。在阐述SIS表决结构的设计特性及其可用性关系基础上,研究了基于故障树SIS表决结构的可用性关系,并通过具体实例进行验证。研究结果表明:表决结构故障树可用性与设计特性不能完全相符,更加准确的可用性模型尚需进一步研究。

认知无线电网络中基于SVD算法的无线麦克风信号的检测

在无线区域网中,作为授权用户的无线麦克风信号的低功率和窄带宽使得这种信号的检测非常困难。提出了基于奇异值分解的无线麦克风信号检测方法。对由接收信号形成的Hankel矩阵作奇异值分解,通过检查奇异值来检测无线麦克风信号的存在并估计该信号的中心频率,进而可以设置保护频带;非授权用户可以使用保护频带之外的频率资源,从而改善频谱效率。仿真结果证明了基于SVD的频谱检测算法具有更好的检测性能和很高的频率估计精度。

基于粒子群优化粒子滤波的声呐目标检测前跟踪

针对传统固定粒子数粒子滤波算法计算量大、复杂环境下声呐微弱目标检测与跟踪鲁棒性不强的问题,提出基于粒子群优化(PSO)算法的粒子滤波检测前跟踪方法(IPSO-PF-TBD)。该算法在滤波预测与步骤更新之间加入PSO算法,结合预测信息和更新完成的粒子分布状态进行优化,将粒子集合转移到后验概率密度较大的区域,并充分利用声呐回波信号中目标粒子的权重信息设置粒子自适应采样策略,通过检测前跟踪(TBD)技术的数据帧间能量累积和目标检测,提高目标检测前跟踪的性能。仿真试验结果表明,提出的检测前跟踪处理方法对低信噪比及快速机动等复杂环境下的目标进行跟踪时,在位置估计精度和误差值方面明显优于粒子滤波(PF)和PSO-PF算法,具有一定研究和应用价值。

函数单向S_(P_F)-粗集与它的概率特征

基于函数S-粗集,结合函数迁移的随机性,提出了函数单向SPF-粗集概念,并给出它的数学结构。研究了函数单向SPF-粗集概率特性。证明了在概率的意义下,函数单向SPF-粗集是函数S-粗集,函数单向S-粗集的推广;函数S-粗集,函数单向S-粗集是函数单向SPF-粗集的特例。

基于粒子滤波的检测前跟踪算法的改进

针对基于粒子滤波的检测前跟踪(PF-TBD)技术在弱目标的跟踪定位中,目标检测概率较低的问题提出改进。首先,对重要性密度函数进行重新构造,在只包含弱目标的运动模型预测数据的基础上,将实际观测数据与其一起构成的后验概率密度函数作为改进后的重要性密度函数。其次,在满足该后验概率密度函数的分布中,选取一定数目的粒子,在对目标的下一状态估值中,采用MMSE算法,推导出满足最小均方误差的表达式,而且通过引入概率粒子滤波算法,在计算上避开了积分运算。通过仿真实验表明,改进的PF-TBD算法不仅计算简单,而且提高了弱目标检测概率。

基于故障树的汽轮机振动保护联锁方式可靠性分析

文章介绍了某公司发电机组振动保护要求,总结六种常用的振动保护联锁方式,采用故障树的分析方法对各种联锁方式的可靠性进行定量分析,计算出各种联锁方式的平均需求失效概率PFDavg和安全失效概率PFS,以指导各品牌TSI系统设计选择最优的联锁方式,为提高机组的整体可靠性提供了数据支持。

A novel SMC-PHD filter based on particle compensation

As a typical implementation of the probability hypothesis density(PHD) filter, sequential Monte Carlo PHD(SMC-PHD) is widely employed in highly nonlinear systems. However, the particle impoverishment problem introduced by the resampling step, together with the high computational burden problem, may lead to performance degradation and restrain the use of SMC-PHD filter in practical applications. In this work, a novel SMC-PHD filter based on particle compensation is proposed to solve above problems. Firstly, according to a comprehensive analysis on the particle impoverishment problem, a new particle generating mechanism is developed to compensate the particles. Then, all the particles are integrated into the SMC-PHD filter framework. Simulation results demonstrate that, in comparison with the SMC-PHD filter, proposed PC-SMC-PHD filter is capable of overcoming the particle impoverishment problem, as well as improving the processing rate for a certain tracking accuracy in different scenarios.

基于粒子滤波和数据关联的多目标跟踪算法

针对图像序列中低信噪比条件下的点状多目标跟踪问题,在已获得各个目标初始信息的基础上,结合粒子滤波和联合概率数据关联(JPDA),研究了一种基于单帧检测的实时多目标跟踪算法。介绍了其基本思想和具体算法实现步骤,并在MATLAB仿真环境下实现了该跟踪算法。实验仿真结果表明,该算法能够准确跟踪作任意轨迹运动的多个点状动目标,具有良好的实时性与准确性。