基于多神经元算法的旅游规划智慧交互模型研究

文章研究了神经元网络模型的多神经元算法,并基于该算法设计旅游规划智慧交互模型,建立旅游规划智慧交互系统,最后通过实验验证了算法的有效性。

基于交互式多模型自适应滤波AUV定位算法

为实现自主水下航行器(AUV)有效定位,针对现有单模型滤波定位算法滤波误差大、定位精度低等问题,提出一种基于交互式多模型自适应滤波AUV定位算法(IMAF)。该算法采用平滑高斯-半马尔可夫模型描述AUV运动状态,结合AUV动力学状态方程构建机动和非机动交互式运动模型;再利用平滑高斯-半马尔可夫模型状态转移概率实现AUV不同运动状态的转换进而实现自适应定位。仿真实验表明,所提算法与基于条件最小化非线性滤波算法、单模型的扩展卡尔曼滤波算法和卡尔曼滤波算法相比,AUV定位精度分别提升了53.6%,62.1%和83.5%。

基于改进自适应IMM算法的高速列车组合定位

针对列车高精度定位问题,该文提出基于改进自适应交互多模型(IMM)的高速列车高精度组合定位方法。首先,根据列车定位需求和各传感器特点,设计了卫星接收器、轮轴测速传感器、测速雷达以及单轴陀螺仪4种传感器的组合定位方案。然后,针对IMM融合滤波算法因先验信息不准导致固定参数设置不当的问题,引入Sage-Husa自适应滤波和转移概率矩阵(TPM)自适应更新集成为自适应IMM算法。针对多模型切换的滞后问题,利用子模型似然函数值能快速反映模型变化趋势的特点,将似然函数值设为判定标志,并引入判定窗对TPM矩阵元素进行修正,有效提升了模型的切换速度。最后,基于改进自适应IMM算法对4种传感器定位信息进行融合滤波,实现高速列车的高精度组合定位。仿真结果表明:改进后的算法相比其他自适应IMM算法提升定位精度1.6%~14.7%,并且能通过提高模型间切换速度来有效降低位置误差峰值,同时具备较好的抗噪性能。

面向用户偏好的动态网页数据交互式查询算法

为提高网页数据查询速度、精度及工作效率,提出一种面向用户偏好的动态网页数据交互式查询算法.首先,构建用户偏好模型,增加偏好组合的演化个体适应性,综合计算适配值;其次,为防止数据冗余和重复,基于兴趣相似性,分离相似度高的查询数据和重复数据,识别出网络数据的性质;最后,利用粒子群优化算法寻找最优的动态网页数据交互式查询方案.实验结果表明:在数据集基数影响下,该算法的查询结果集质量在0.95以上;在查询最大维数影响下,该算法的查询结果集质量在0.96以上,表明其查询使用时间短、结果集精度高、自适应能力强.

基于交互多模型(IMM)的航空器冲突探测算法

航空器之间的冲突预测预警是空中交通管制活动中的重要组成部分。针对广播式自动相关监视(ADS-B)航迹的监视精度低、目标跟踪模型与目标运动模型匹配速度较慢以及碰撞概率预测困难的问题,提出一种基于交互多模型(IMM)的航空器冲突概率预测算法。利用高斯分布积分的近似解析解来计算两航空器瞬时冲突概率。根据飞机匀速运动模型和转弯的动力学模型,仿真计算一段时间内两机冲突概率的变化。结果表明,可以通过交互式多模型(IMM)处理ADS-B数据,交互式多模型(IMM)相比其他模型计算结果具有一定时延,但计算所得的两航空器冲突概率预测值更精确。通过仿真对比各运动模型预测的两航空器冲突概率计算结果,证明了该算法的实用性。

交互性视角下AIGC时代算法传播的转型研究

AIGC带来了算法传播的交互转型,内容生成逐渐依赖人工智能程序。相比于传统媒介时代的传播生态,AIGC呈现出从人人交互到人机交互的变化,带来了内容生成与内容获取的自动化、模型化。传统媒介时代记者基于新闻采写的亲身实践活动让位于“人类+AIGC”协同式内容生成,创作流程也从过去的直接创作转变为根据用户输入的提示词进行交互式创作。在形式上,AIGC展现出跨媒介形式进行内容创作的能力。算力的提升与数据的开放共享助推人机交互饲喂大模型走向完善,但非人类实体所进行的自动化内容生成也带来“无机社会”威胁。通过网络传播人机交互的关系研究,可辩证分析内容生成技术跃迁下的交互性,为算法传播的转型提供新思路。

基于GPDA-IMM和时间管理的相控阵雷达多目标跟踪算法

多功能相控阵雷达具有灵活性强、跟踪能力强的优势。为了提高相控阵雷达目标跟踪器精确度,进行相控阵雷达能量调节和任务执行的科学管理,通过合理调整机动目标和非机动目标的回访率,进而实现搜索、跟踪时间资源管理。设计了广义概率数据关联-交互式多模型(Generalized Probability Data Association-Interacting Multiple Model, GPDA-IMM)算法,GPDA运算量小,IMM综合了无迹和容积卡尔曼滤波和粒子滤波多模型滤波的特点,且优化权重因子,达到了较好跟踪性能。最后,通过仿真平台模拟8个运动目标的现实场景,结合时间管理和目标跟踪调整回访率,进行大量的仿真实验,证明了算法对不同目标类型和机动状态的有效性和实用性。

基于IMM-BF的自适应扩张箱粒子机动目标跟踪算法

针对箱粒子滤波算法在杂波量测环境下跟踪机动目标精度不足和目标丢失的问题,提出一种基于交互多模型伯努利滤波的自适应扩张箱粒子机动目标跟踪(Interacting Multiple Model-Extended Box Particle-Bernoulli Filter, IMM-EBox-BF)算法,采用多个模型并行滤波,在预测步骤后引入自适应箱粒子扩张算法,在每个箱粒子分割成小箱粒子后自适应扩张小箱粒子区间长度,以提高对目标位置估计精度。在更新步骤,改进箱粒子收缩算法,增加对加速度分量的约束,以提高对目标速度估计精度。对仿真与实测数据的处理结果表明,在杂波量测和传感器发生漏检情况下,所提的IMM-EBox-BF算法与传统算法相比,位置跟踪精度提升了16.5%,具备更准确的目标估计精度和连续性。

GEO混合推力机动目标跟踪IMM算法

针对交互多模型(IMM)算法求解地球静止轨道(GEO)卫星混合推力机动目标跟踪问题时模型匹配难、模型转移概率近似平均和响应速度慢的问题,从交互模型集构建和模型转移概率自适应设计两个方面出发提出一种改进IMM算法。该方法通过考虑无机动、脉冲机动和有限推力机动三种模式,构建了覆盖目标机动状态的交互模型集,提高了模型与机动目标实际运行状态的匹配度;采用一种基于加速度估计自适应修正的模型交互概率修正方法,提升了算法对目标机动状态的响应速度和跟踪精度。仿真结果表明,所提算法是解决混合推力模式下的GEO机动目标跟踪问题的有效手段,在收敛速度和收敛精度等方面与传统方法相比有较大提高。

模型转移概率自适应的交互式多模型跟踪算法

该文利用量测中所包含的当前模式信息,实现了马尔可夫转移概率的实时估计,并将估计结果用于交互式多模型跟踪算法(IMM)的设计中,构造出参数自适应的交互多模型跟踪算法(PAIMM),有效降低了人为因素的影响。通过一个跟踪机动目标的仿真实例,说明PAIMM算法的有效性。

基于当前统计模型的有向图切换IMM算法

将当前统计模型和变结构多模型估计算法相结合,提出了一种新的用于跟踪机动目标的交互多模型算法,计算机仿真结果显示该算法能有效提高交互多模型估计器的费效比。

基于区间适应值交互式遗传算法的加权多输出高斯过程代理模型

融合了用户认知和智能评价的交互式遗传算法(Interactive genetic algorithm,IGA)是解决一类定性性能指标优化问题的有效方法,但是,评价不确定性和易疲劳性极大地限制了该算法解决实际问题的能力.基于用户已评价信息,采用合适的机器学习方法,构建用户认知代理模型是解决上述问题的常用方法之一.但是,现有研究成果均没有考虑用户评价不确定性对学习样本、代理模型的影响,以及模型拟合不确定性对基于适应值的进化操作有效性的影响.针对上述问题,本文提出基于加权多输出高斯过程(Gaussian process,GP)代理模型的交互式遗传算法.首先,在区间适应值评价模式下,提取学习样本的噪声特性,以确定相应学习样本对代理模型的影响度权重系数,构建两输出高斯过程代理模型;然后,利用代理模型提供的预测值及预测置信水平,给出一种新的个体适应值估计方法和个体选择方法;基于模型预测信息,实现模型更新管理.将所提算法分别应用于含噪函数和服装设计问题中,所得结果表明本文算法可更好地拟合和跟踪用户认知,减小对进化搜索的误导,更快找到用户满意解.

具有参数自适应的交互式多模型算法

动态多模型估计 (SMME)广泛应用于结构和参数的不确定 /变化的估计问题中 ,比如目标跟踪和故障诊断与隔离 .然而由先验信息选定的滤波参数是模式切换与模式未切换情况下的折衷 .针对SMME ,本文通过在每个滤波循环开始处起始多个状态预测器实时地辨识滤波参数 ,包括模式切换概率和基于模型的过程噪声方差 .考虑到交互式多模型 (IMM)是SMME中比较有效的方法 ,我们将上述的参数辨识与IMM相结合 ,提出了一种自适应IMM(AIMM ) .在跟踪一个机动目标的仿真中 ,AIMM表现出了比IMM更高的估计精度 .

交互式多模型算法性能分析

广泛应用于目标跟踪和故障诊断的动态多模型估计 (SMME)假设模式的切换服从马尔可夫过程 .对马尔可夫切换概率 (MTP)的非MonteCarlo分析有助于深入了解SMME的机理 ,发现参数寻优的法则 ,设计或发展新的自适应多模型估计器 .然而由于SMME的复杂性 ,非MonteCarlo分析很难给出 .本文针对SMM中著名的交互式多模型 (IMM)估计器 ,通过将IMM看作是输入交互和子滤波器串联 ,分析了具有m个参数的MTP矩阵 ,给出了六条不依赖于应用环境及子滤波器设计的结论 .部分结果也适用于一阶广义伪贝叶斯算法 (GPB1) .

交互式多模型算法的模型集设计

针对交互式多模型(IMM)算法中模型集的设计问题,提出一种模型集设计方法.在已知真实模式概率分布函数的情况下,根据要求的模型数目,等概率划分模式空间,在每个等概率模式空间上,利用方差的含义获得最大范围地覆盖模式空间的模型集,并给出一个例子说明模型集的设计方法.应用Monte-Carlo仿真,将所设计的模型集用于IMM算法进行目标跟踪.仿真结果显示跟踪精度高,表明了该模型集设计方法的有效性.

新息滤波交互式多模型噪声辨识算法

预先或在线获取系统噪声的统计特性，往往是有效设计一个估计器或控制器的先决条件．早期关于噪声辨识的工作主要针对平稳或统计特性缓变的噪声过程．本文提出一种混合系统噪声辨识新算法，该算法将新息滤波与交互式多模型算法结合起来，前者降低了权概率系数对量测噪声的敏感程度，而后者则是基于混合系统模态的马尔可夫链过程实现多模型的动态交互与动态切换．仿真结果证明了本文新算法的有效性．

交互多模型算法的无人机控制系统故障诊断

交互多模型算法是一种广泛用于各种结构与参数变化的动态系统自适应估计的有效方法。在建立无人机控制系统传感器和执行器的全局故障和局部故障模型的基础上,应用此方法对传感器和执行器的各种软硬故障进行诊断,应用所建立的数学模型与方法,对无人机传感器和执行器的局部与全局故障进行了仿真计算。在仿真过程中发现,与一般的多模型方法相比,此方法能够更加准确可靠地诊断故障,无延迟报警,算法简单。仿真结果验证了该方法的有效性。

交互式多模型算法过渡过程的仿真分析

交互式多模型(IMM)是混合估计理论中比较优越的算法。混合系统假设模式的切换能够瞬时完成。然而由于量测噪声和滤波系统惯性的作用,混合系统的模式切换具有过渡过程,对于实际运动模式切换存在漏检与误报。本文利用Monte Carlo仿真分析了两模型IMM算法过渡过程的滤波残差的统计特性,研究结果对于分析和改进算法具有重要的意义。

基于“当前”统计模型的交互式多模型算法

提出了一种基于"当前"统计模型的交互式多模型算法。在交互式多模型算法框架内,计算"当前"统计模型的概率,自适应地调整"当前"统计模型中目标加速度,使其能够反映目标的机动特性,充分发挥了"当前"统计模型和交互式多模型算法的优点,扩大了"当前"统计模型的应用范围,提高了"当前"统计模型的自适应性。Monte Carlo仿真结果表明了该算法的有效性。

机动目标跟踪的交互式多模型自适应滤波算法

采用“当前”统计模型、匀加速模型以及匀速模型 ,运用交互式多模型算法的思想 ,提出了一种用于机动目标跟踪的交互式多模型自适应滤波算法。基本思路是上述三种模型并行工作 ,利用马尔可夫切换系数在它们之间进行切换 ,目标状态估计是上述三种模型交互作用的结果。蒙特卡罗结果表明该算法不仅克服了上述三种模型各自的缺点 ,提高了对机动目标的跟踪精度 ,同时具有全面自适应跟踪能力。