CI算法在两传感器融合稳态Kalman滤波器中的应用

针对两传感器稳态Kalman滤波器的信息融合,目前有三种常用的加权分布式融合算法:按标量加权、按对角阵加权和按矩阵加权,但它们都需要得到局部稳态滤波误差互协方差阵后才能计算出融合结果。而协方差交集算法在相关度未知的情况下,也能得到一个改进的估值,因此文中将协方差交集算法应用到两传感器稳态Kalman滤波器的信息融合中,在互协方差阵未知的情况下,此方法也能得到较好的信息融合结果,并通过仿真进行了验证。

基于VMDT-POA-DELM-GPR的两阶段短期负荷预测

针对传统负荷预测方法精度不高的问题,为准确捕捉到负荷数据波动的规律,提出了一种两阶段负荷预测方法。第1阶段首先用变分模态分解(VMD)对原始负荷序列进行分解,得到分解处理后的残差分量,再采用时变滤波经验模态分解(TVF-EMD)方法进行特征提取;然后对全部子序列分别建立深度极限学习机(DELM)模型,同时利用鹈鹕优化算法(POA)进行参数寻优,叠加各子序列的预测值得到初始负荷预测值。第2阶段采用POA-DELM模型对误差分量进行预测;然后将第一阶段中所有子序列预测值和误差预测值作为特征输入到高斯过程回归(GPR)模型中,得到负荷最终的预测结果。结果表明,两阶段模型的均方根误差(RMSE)、平均绝对误差(MAE)分别为对比模型的4%~77%、4%~76%,而平均百分比误差(MAPE)仅为0.0678%,可有效提高电力负荷的预测精度。

基于噪声顺序解相关的两阶段Kalman滤波融合

针对传统两阶段Kalman滤波只能处理单一或部分复杂噪声情形,在充分考虑多雷达跟踪系统的误差噪声有色建模和四类噪声相关性建模基础上,建立一种基于噪声顺序解相关的两阶段Kalman滤波融合算法。首先给出能有效避免噪声相关性耦合化的噪声解相关顺序,进而应用等价变换技术来获得有色噪声、过程噪声和测量噪声三者间不相关的目标跟踪融合模型,最后应用平方根分解和单位下三角阵求逆技术来实现多雷达量测噪声相关系统的集中式Kalman滤波融合,并通过4个仿真实验验证了该算法对复杂噪声情形的有效性和高精度。

基于两阶段自适应优化的双目立体匹配算法

针对局部立体匹配算法在弱纹理区域匹配准确度低的问题,提出一种在代价初始化和代价聚合两阶段自适应优化的立体匹配算法。首先,在代价初始化阶段,通过双阈值线性约束条件构造像素点的十字支撑窗口,并依据十字支撑最短臂长构造自适应函数融合AD及Census特征测度;其次,在代价聚合阶段,利用十字支撑水平扩展及形态学处理的方法构造自适应滤波窗口,并通过区域滤波实现代价聚合;最后,通过视差选择及视差优化得到最终的视差图像。Middlebury平台测试结果表明:该算法与传统的AD-Census融合立体匹配算法相比,图像集的整体匹配误差减小了3.95%,在非遮挡区域的匹配误差减小2.17%;与传统区域滤波立体匹配算法相比,该算法在弱纹理区域可以取得更好的立体匹配效果。

噪声相关带偏差线性系统的滤波融合算法

传统线性两阶段Kalman滤波算法无法应对噪声相关情形,导致较低的实际应用性能。针对该问题,以线性系统中状态与测量噪声相关的多传感器偏差估计系统为对象,以基于模型等效变换技术的噪声相关两阶段Kalman滤波器为基本滤波器,分别在序贯分布式和并行式框架下建立两种两阶段Kalman滤波融合算法。其中,序贯分布式融合算法将多个局部两阶段Kalman滤波器的估计结果以序贯加权的形式进行融合;并行式融合算法分别对偏差滤波估计和无偏差滤波估计进行融合,再利用线性方程将融合后的结果进行组合,得到状态估计值。仿真结果表明:相比于两阶段Kalman滤波器和序贯分布式两阶段Kalman滤波融合估计器,并行式两阶段Kalman滤波融合估计器在滤波估计精度上具有更高的性能。

基于Wiener过程和Kalman修正的速率陀螺仪剩余寿命预测

建立了基于Wiener过程的非线性多阶段退化模型并提出了剩余寿命预测方法,首先建立非线性退化模型,结合退化试验数据,通过Gibbs采样算法进行模型参数估计,使用Kalman滤波算法修正模型随机系数,预测速率陀螺仪的剩余寿命。通过与传统方法及试验结果进行比较,证明了该方法更为准确有效,对速率陀螺仪等导弹装备的剩余寿命预测具有借鉴意义。

机动目标多传感器组网空间配准方法

针对存在传感器偏差的多传感器组网系统跟踪机动目标的问题,把目标状态与传感器偏差进行解耦估计,提出了一种基于交互多模型的两阶段扩展Kalman滤波(IMM-TSEKF)算法。由于传感器观测方程的非线性,文中采用了两阶段扩展Kalman滤波器(TSEKF),针对机动目标,把IMM算法与TSEKF算法相结合用于目标跟踪与空间配准。此外还对算法的时间复杂度进行了分析,并以螺旋机动战术弹道导弹为目标进行组网空间配准与目标跟踪。仿真结果表明,相比于常规的基于交互多模型的增广Kalman滤波(IMM-ASEKF)算法,该文算法在估计性能相当的情况下,减小了计算的复杂度,提高了计算效率,更易于工程实现。

基于滤波波束搜索算法的置换流水车间调度问题

【目的】研究解决置换流水车间中作业完成时间与常见到期日之间的绝对偏差最小化和中间库存最小化问题。【方法】首先,构建基于最小化绝对偏差和中间库存的混合整数线性规划模型,采用两阶段法对模型进行求解;其次,提出基于精英选择策略的滤波波束搜索算法(Filtered beam search algorithm,FBSA),将精英选择策略与FBSA融合,通过对有"希望"的迭代节点进行局部搜索和全局搜索,用以确定筛选出的最优解。【结果】通过实例仿真对基于精英选择策略的FBSA与其他智能优化算法在最优解偏差百分比、平均错误率、改进百分比等3个指标进行对比,结果显示该算法在求解所提问题时具有高效性和稳定性。【结论】基于精英搜索策略的FBSA对处理置换流水车间调度问题有着良好的效果与优势。