基于渐进无迹卡尔曼滤波网络的人体肢体运动估计

针对基于表面肌电信号(Surface electromyography, sEMG)的人体肢体运动估计建模困难的问题,提出一种渐进无迹卡尔曼滤波网络(Progressive unscented Kalman filter network, PUKF-net),来实现降低肢体运动与sEMG量测的建模难度以及提高肢体运动估计精度的目的.首先,设计深度神经网络从sEMG数据中学习肢体运动状态与sEMG量测之间的映射关系和噪声统计特性.其次,采用渐进量测更新方法对先验状态估计进行修正,减小运动估计的线性化误差,提高PUKF-net模型的稳定性.通过结合深度神经网络和渐进卡尔曼滤波的优势,使得PUKF-net具有良好的模型适应性和抗噪能力.最后,设计基于sEMG的人体肢体运动估计实验,验证了PUKF-net模型的有效性.相较于长短期记忆网络(Long short-term memory, LSTM)和其他卡尔曼滤波网络, PUKF-net在肢体运动估计中的均方根误差(Root mean square error, RMSE)下降了14.9%,相关系数R2提高了5.1%.

提高GPS定位精度的群调度滤波算法

为解决现行安全生产科技领域中全球定位系统(GPS)/惯性导航系统(INS)融合系统容易产生较大时变误差的关键问题,满足GPS定位信号的精度和信号数据处理时间的要求,提出1种群调度滤波算法,通过实验仿真,分别与模糊算法、机器学习算法及卡尔曼滤波网络算法进行比较研究。结果表明:群调度滤波算法兼顾了定位精度与数据处理时间,具有较大优势,可在航空安全、船舶安全、应急监测、灾后抢险等安全科技领域广泛应用。

神经网络辅助的GPS/MEMS-INS组合导航算法

在GPS/MEMS-INS(Micro-electromechanical System-Inertial Navigation System)组合导航中,当载体处于恶劣环境下或者载体处于大机动运动情况下,会导致GPS失锁。此时单独工作的低精度MEMS-INS会由于其位置和速度误差随着时间的变化而迅速积累最终无法导航。针对此问题,设计了一种结构简单易于实现的神经网络辅助的GPS/MEMS-INS组合导航系统。通过模拟实验,与标准卡尔曼滤波(KF)和无迹卡尔曼滤波(UKF)框架下组合导航相比,所提出的结构简单容易实现的神经网络辅助的组合导航系统具有较高的稳定性,并且组合导航整体过程中经纬度与速度精度均提高了65%左右。

神经网络校正的EKF在水下被动目标跟踪中的应用研究

对于水下目标被动跟踪,通常采用扩展卡尔曼滤波算法进行目标状态估计,但在目标跟踪过程中,由于目标运动的不确定性及系统噪声的影响,此时对目标的状态估计通常难以获得较高的精度.针对以上问题,本文提出一种由BP神经网络来校正扩展卡尔曼滤波的被动目标跟踪算法.利用BP神经网络的学习能力,将卡尔曼滤波过程中的滤波增益、滤波值与预测值之差、滤波值与量测值之差作为BP神经网络的输入,学习得出卡尔曼滤波的滤波误差,并利用此误差值对滤波过程进行在线校正.仿真表明,BP神经网络辅助校正扩展卡尔曼滤波的方法,对滤波过程的可靠性和精确度都有了提升.

机载电子系统设备的智能故障诊断系统设计

探讨了动态机载电子设备智能故障诊断系统建设的主要问题,设计了基于现代无线通信网络的智能故障预测诊断系统的总体结构及解决方案,对其中的关键技术进行了论述,尤其是无线通信协议、机载电子设备的故障预测模型及智能故障诊断专家系统等,为该系统后期研发奠定了基础。

基于SCKF的Elman递归神经网络在软测量建模中的应用

针对具有强非线性、复杂的化工过程软测量建模,提出一种基于平方根容积卡尔曼滤波(SCKF)的递归神经网络方法.基于Elman递归神经网络,首先构建状态空间模型,然后应用SCKF算法进行训练,所有网络的权值将作为系统的状态进行更新.容积卡尔曼滤波(CKF)通过三阶Spherical-Radial容积准则生成容积点,利用容积点逼近状态的后验分布,使得高维非线性滤波中的多变量积分数值求解成为可能.在CKF的基础上,SCKF采用预测及后验误差协方差矩阵的平方根因子进行递推运算,进一步改进了算法的数值稳定性.将该方法应用于脱丁烷塔底部丁烷组分含量以及硫回收装置尾气中SO2和H2S含量的软测量动态建模实例中,在同等条件下,还与基于EKF、SCKF的前馈神经网络,基于EKF的递归神经网络等其它方法对比.结果表明,本文的方法能够获得很好的建模精度,显示出其有效性.