基于自适应交互式多模型的永磁同步电机无感控制

目的改善包装印刷机器的控制性能,减少包装印刷机器所用传感器数量和电机控制系统成本,减小包装印刷机械装置故障率和电机体积,针对传统扩展卡尔曼滤波算法中模型可能不匹配实际工况的问题,提出一种自适应多模型无感控制策略。方法基于传统扩展卡尔曼滤波,引入多模型,在输入环节依靠状态转移概率矩阵实现多个模型间的交互,并借助隐马尔可夫模型,设计多模型的状态序列和观测序列,将观测得到的矩阵对多模型交互环节的状态转移概率矩阵进行迭代更新,提高模型面对环境扰动时的匹配程度。结果Matlab/Simulink仿真结果表明,改进后的算法使转速的估计精度得到显著提升,同时在面对环境扰动时,其抗扰动能力显著提高。结论与传统扩展卡尔曼滤波算法相比,改进算法提高了系统控制精度,提高了动态性能和鲁棒性,改进后算法更适合应用于包装印刷机械。

基于扩展卡尔曼滤波的交互式多模型跟踪算法研究

在辅助驾驶系统中,行人轨迹跟踪一直是一项有挑战性的任务,因为行人的回波信号中往往存在着许多干扰噪声。此外,行人在运动过程中可能会做出突然转身或其他改变方向的行为,这将直接导致行人运动轨迹呈现出非线性特征。针对上述问题,文中提出一种基于扩展卡尔曼滤波的交互式多模型跟踪(IMM-EKF)方法,适用于毫米波雷达对行人进行轨迹跟踪。首先,在扩展卡尔曼滤波算法(EKF)的基础上重构状态预测协方差矩阵,来补偿EKF非线性化过程中引入的误差;然后将改进的EKF作为交互式多模型算法(IMM)中的滤波器,根据行人运动特性选择匀速模型和协调转弯模型作为跟踪模型,利用所提出的IMM-EKF算法进行轨迹跟踪。实验结果表明,所提出的滤波算法较典型的EKF和改进的EKF算法,在跟踪滤波精度方面均有所提升,同时具备更优的跟踪鲁棒性。

基于多模型融合的中长期径流集成预测方法

中长期水文预报是流域水资源规划与合理配置的重要依据。为提高中长期径流预测精度,提出了一种基于多模型融合的水库中长期径流集成预测方法。该方法将ARMA、BP、LSTM、RF和SVR等5个异质预测模型进行融合,同时采用超参数优化方法确定各模型的最优参数。将其用于青海省龙羊峡水库的中长期径流预报中,结果表明,通过Stacking融合算法建立的集成预测模型相较于单一模型,取得了更高的预测精度(R2值由0.71提升至0.82)。此方法可为提升流域中长期径流预测精度提供一定参考。

基于交互式多模型因子图的自适应组合导航算法

针对复杂城市环境下因外部干扰或传感器故障而引起的传统车载导航系统定位精度下降的问题,提出了一种基于因子图的交互式多模型车载导航算法。基于因子图优化算法建立了IMU/GNSS/LIDAR组合导航系统模型,引入了交互式多模型对子系统传感器量测进行建模并构建变量节点,利用模型概率更新来优化传感器权重,并依据因子图非线性优化和增量平滑理论实现车载导航系统的解算与更新。实验结果表明:相比于自适应因子图算法,所提算法在复杂城市环境下的定位精度提高了26.2%。

基于多度量多模型图像投票的织物表面瑕疵检测方法

为解决自动化生产线上织物表面瑕疵检测准确率低和计算速度慢的问题,利用织物表面具有周期纹理的特性提出了一种改进的RANSac检测方法,即多度量多模型图像投票。首先将输入图像裁剪为尺寸一致的子图,计算出子图多维度量的输出值矩阵;然后与改进RANSac计算出的无瑕疵背景的多维度量标准值分别对应作差,采用投票得出每张子图的基础分;再将其在4个记数模型下得到的综合评分排序,根据顺序和偏移量在输出端得到外点所代表的瑕疵子图。实验结果表明:在自采样的织物瑕疵数据集上,选择单度量和单模型的预测精度平均可达到90.9%,平均预测时间达到0.139 s,综合多度量多模型投票的平均预测精度可达到92.7%。该算法不需要大量前期数据进行训练,适用于纯色和条纹状织物的实时表面缺陷检测。

一种基于多模型融合的隐蔽隧道和加密恶意流量检测方法

高级持续威胁APT攻击为了躲避检测,攻击者往往采用加密恶意流量和隐蔽隧道等策略隐匿恶意行为,从而增加检测的难度。目前大多数检测DNS隐蔽隧道的方法基于统计、频率、数据包等特征,这种方法不能很好地进行实时检测,从而导致数据泄露,因此,需要根据单个DNS请求进行检测而不是对流量进行统计后再检测,才能够实现实时且可靠的检测,当系统判定单个DNS请求为隧道流量,便可做出响应,进而避免数据泄露。而现有的加密恶意检测方法存在无法完整提取流量特征信息、提取特征手段单一、特征利用少等问题。因此,文章提出了基于多模型融合的隐蔽隧道加密恶意流量检测方法。对于DNS隐蔽隧道,文章提出了MLP、1D-CNN、RNN模型融合的检测方法并根据提出的数学模型计算融合结果,该方法能够对隐蔽隧道实时监测,进一步提高检测的整体准确率。对于加密恶意流量,文章提出了1D-CNN、LSTM模型的并行融合的检测方法,并行融合模型能够更加全面地提取特征信息,反应流量数据的全貌,进而提高模型的检测精度。

基于多模型自适应方法的智能汽车路径跟踪控制

路径跟踪控制是智能汽车的一项核心技术,跟踪效果的精确性和在各种路面附着条件下的鲁棒性是该技术的两大关键要素。但汽车动力学模型的不确定性,尤其是轮胎侧偏刚度的摄动使这两者难以同时得到满足。针对这一问题,将多模型自适应理论引入到智能汽车运动控制中处理不确定性系统的控制。首先,推导了多模型自适应控制律,提出了凸包构架下各个顶点的子模型对真实模型的自适应逼近律,并通过李雅普诺夫函数证明了所提出自适应律的收敛能力。在此基础上建立了汽车动力学模型和车辆-路径联合模型,并由多个顶点子模型构建可覆盖汽车轮胎侧偏刚度摄动范围的凸多面体,利用汽车动力学模型求解自适应率,通过车辆-路径联合模型,基于线性二次型方法(linear quadratic regulator,LQR)求解各个顶点的子模型处的反馈控制律,并通过所得出的自适应权重进行加权。基于Carsim/Simulink的联合仿真结果表明,所提出的多模型自适应路径跟踪控制器在保证鲁棒性的同时克服了传统鲁棒控制方法的保守性问题,与基于名义模型的LQR控制器和鲁棒保性能控制器相比,在高附着路面和低附着路面上都可以取得更好的控制效果,很好地解决了路径跟踪控制中精确性与鲁棒性之间的两难问题。最后,通过快速原型测试平台对算法进行了进一步的实验验证。结果表明,所提出的多模型自适应算法实时性良好,具有较好的工程应用潜力。

基于Ghost-SE-Res2Net的多模型融合语音唤醒词检测方法

语音唤醒词检测(WWD)是语音交互中的关键技术,选择合适大小的检测窗对WWD性能的影响很大。提出一种新的多模型融合方法,通过融合小检测窗和大检测窗的检测结果来提高WWD性能。多模型融合方法包含两个分类模型,分别使用小检测窗和大检测窗,均基于轻量化的挤压与激励残差网络(SE-Res2Net)模块,即GhostSE-Res2Net,SE-Res2Net结构的多尺度机制可显著提升WWD的能力。在Ghost-SE-Res2Net中,首先使用Ghost卷积替换SE-Res2Net中的普通卷积以降低模型参数量,然后使用注意力池化层替换SE-Res2Net中的全局平均池化层进一步提升WWD能力。在实际检测时融合连续3个小检测窗模型的检测结果的最大值和1个大检测窗模型的检测结果,来判断唤醒词是否被触发。在训练时引入困难样本挖掘算法,选择性地学习较难检测的唤醒词信息以提高分类模型的检测性能。在包含2个唤醒词的Mobvoi数据集上评估系统性能,实验结果表明,在每小时0.5次错误唤醒的情况下,该系统在2个唤醒词上的错误拒绝率分别为0.46%和0.43%,实现了与先进基线相似的性能,并且系统参数量比基线少31%。

多模型耦合的流域水土流失监测方法研究

濑溪河流域存在严重的水力侵蚀,同时伴随着水土流失分布点多线长面广的特点。而现有模型几乎只考虑了流域尺度上的坡面和河流侵蚀过程,或者是坡面和流域尺度的基本结合,导致对土壤侵蚀全过程的物理模拟产生高度不确定。为此提出不同尺度模型相互耦合的水土流失监测体系,从三级顺序“坡-沟-河”结构,全面反演流域水沙的时空动态迁移过程。基于多模型耦合体系的流域应用表明:①单一模型在濑溪河流域都表现出良好的适用性和准确性。RUSLE模型预测结果与实际侵蚀规律高度吻合,SWAT模型参数率定的纳什效率系数(NSE)和决定性系数(R^(2))均达到0.6以上,模拟预测结果鲁棒性较好。②不同侵蚀模型的特征反演相互关联程度都达到极显著相关水平。WEPP和SWAT模型间R^(2)为0.96,RUSLE和WEPP模型间R^(2)为0.77,RUSLE和SWAT模型间R^(2)为0.58,分析表明坡面、细沟和河道尺度下的侵蚀物理过程是紧密耦合的。③多模型耦合的水土流失全过程风险评价较单一模型更为全面。通过对土壤侵蚀物理过程的空间耦合,实现流域土壤侵蚀、细沟冲刷和河道沉积等相关侵蚀过程的整体性评价,利于从不同尺度全面反演流域水沙输移的时空动态迁移过程和预测侵蚀风险发生规律。

基于多模型融合策略的温室番茄光合速率预测方法

温室番茄光合速率的准确预测对于番茄的生长和产量评估具有重要意义。然而,由于温室环境的复杂性和多变性,传统的光合速率预测模型往往难以满足精准预测的需求。因此,为了进一步提高预测模型的准确性和稳定性,本研究提出了一种基于多模型融合策略的温室番茄光合速率预测方法。首先,采集温湿度、光照强度、CO_(2)浓度不同组合下的番茄光合速率,构建样本集,并采用五折交叉验证法(Cross-Validation)对数据进行预处理。以预处理的数据为基础,分别基于粒子群优化支持向量机(PSO-SVR)、布谷鸟优化极限学习机(CS-ELM)和北方苍鹰优化高斯过程回归(NGO-GPR)算法建立番茄光合速率预测模型对光合速率进行初步预测,然后采用Stacking算法通过基于决策树的集成学习模型(XGBoost)组合各基础模型的预测结果,进而实现多模型融合。仿真分析结果表明,与单一预测模型相比,基于多模型融合的光合速率预测模型充分发挥了各基础模型的优势,可以进一步提高光合速率预测的准确性和稳定性,该模型验证集MAE为0.569 7μmol/(m^(2)·s),RMSE为0.721 4μmol/(m^(2)·s)。因此,本文提出的方法在温室作物光合速率预测方面具有一定的优势,可为温室番茄等作物光环境优化调控提供一定的理论基础和技术支撑。

基于强化学习的多模型融合光伏发电功率预测方法

为进一步提高超短期光伏发电功率预测的精度,提出一种基于强化学习的多模型融合光伏发电功率预测方法。首先,采用局部离群因子算法检测、剔除异常点,并用多层感知机回归算法进行修补,解决数据异常问题;然后,将数据分为训练集、验证集与测试集,在训练集中训练支持向量机回归(SVR)、多元线性回归(MLR)、贝叶斯岭回归(BRR)、卷积-长短期记忆(CNN-LSTM)与基于粒子群算法优化的门控循环单元(PSO-GRU)模型,并在验证集对训练得到的模型进行验证,分别选出最佳的模型作为子模型;最后,在测试集中使用5个子模型进行预测,并将各预测结果用强化学习的方法进行融合,将融合值作为最终的预测结果。实验结果表明,该预测方法的平均绝对误差、均方误差、均方根误差与相对误差相比单模型方法以及其他传统的融合方法均有显著降低,验证了该方法的有效性。

助训练策略下的多模型软测量建模

由于复杂工业过程中存在强非线性、多阶段耦合以及有标签样本数量偏少的情况,传统的全局软测量模型难以精确描述整个过程。为此,提出一种助训练策略下的多模型软测量建模方法。该方法采用模糊C均值聚类算法挖掘样本集中的相似性样本并建立若干子模型;通过引入助训练策略,形成基于主、辅学习器的协同训练框架,并设计置信度评估机制淘汰误差样本的同时扩充子模型的建模空间;进而将模糊隶属度作为D-S证据理论的概率分配函数计算出子模型权重,对子模型的输出进行融合以得到最终的模型预测结果。通过对脱丁烷塔工业过程的实际数据进行建模仿真,结果表明此模型具有良好的预测性能。

高超声速滑翔飞行器多模型鲁棒跟踪方法

针对高超声速滑翔飞行器(HGV)具有机动能力强、机动样式多变、机动时机不确定等特点,提出了一种基于有向图变结构多模型的鲁棒跟踪(CHF-DSVSMM)方法。考虑到高超声速滑翔飞行器的跳跃滑翔运动特性,建立了包括自适应非零均值衰减震荡(ANMDO)模型、“当前”统计模型(CSM)等机动模型的模型集。针对固定结构多模型算法存在模型相互竞争、运算时间长的缺点,设计了基于有向图结构的切换准则自适应地改变模型集构成,提高模型匹配性。对于地基雷达探测中存在闪烁噪声的问题,采用容积Huber-based滤波方法进行状态估计。仿真结果表明,所提算法与现有方法相比具有更高的跟踪精度,并对闪烁噪声具有良好的鲁棒性。

机动目标跟踪的交互多模型泊松多伯努利混合滤波

满足共轭先验性质的泊松多伯努利混合(Poisson multi-Bernoulli mixture,PMBM)滤波器将目标状态分为泊松和多伯努利混合两部分,分别对这两部分进行预测和更新,具有较高的跟踪精度和较快的运行速度。在多目标机动场景下,使用单一模型不足以描述目标的运动,将导致跟踪性能的下降。针对这一问题,提出了一种交互多模型(interacting multiple model,IMM)PMBM滤波器,充分利用模型之间的交互信息,可以有效实现多机动目标的跟踪。同时,该算法采用序贯蒙特卡罗(sequential Monte Carlo,SMC)方法实现PMBM滤波,可应用于非线性场景。仿真结果表明,所提的IMM-SMC-PMBM算法可以有效地在非线性环境下跟踪数目变化的多机动目标,与IMM-SMC概率假设密度(probability hypothesis density,PHD)滤波器相比具有更好的跟踪精度和稳定性。

基于Vision Transformer多模型融合的视觉闭环检测算法

针对闭环检测在图像特征表示方面存在信息丢失的问题,提出一种基于Vision Transformer (Vi T)与卷积神经网络进行多模型融合的特征提取算法。首先,将输入图像进行特征提取,然后将高维的图像特征向量进行核主成分分析(KPCA)降维,构建成新的图像特征表示;同时,提出了一种新的范围匹配算法,通过相应的范围框架去限制并选择范围进行特征匹配。实验结果表明:所提算法相比于其他的算法,有着更高的准确率和匹配速率,达到了更好的鲁棒性与实时性的要求,证明了该算法在闭环检测上的有效性。

考虑坐标耦合的三维变结构多模型机动目标跟踪方法

在3维空间机动目标跟踪过程中,目标运动先验未知和坐标耦合误差会引起运动模型-模式失配,而模型-模式失配会引起状态估计有偏。该文根据目标运动速度正交条件修正状态转移矩阵,利用原始-对偶正则约束空间测量到球面可行域,结合自适应转弯率模型和无迹卡尔曼滤波(UKF),进行模型状态滤波并融合状态估计的一致输出,推导3维变结构多模型无迹卡尔曼滤波(VSMMUKF)算法。实验结果表明,相比多模重要性无迹卡尔曼滤波(MIUKF)算法,VSMMUKF计算量相当,能够更准确地拟合3维空间点目标机动运动。相比于交互多模型最大最小粒子滤波(IMM-MPF)算法,VSMMUKF跟踪固定翼无人机(UAV)的滤波精度提升了2.8%~59.9%,整体算法负担减小了1个数量级。

基于TVFEMD和多模型融合的变压器油中溶解气体体积分数预测方法

油中溶解气体分析可以反映变压器的运行状态,对其体积分数精准预测可以为变压器早期故障判别和预警提供理论支撑。为此提出了一种基于时变滤波经验模态分解和多模型融合的变压器油中溶解气体体积分数预测方法。首先,通过时变滤波经验模态分解将气体体积分数序列分解为多个子序列,降低其非平稳性;其次,利用多模型融合策略,将4种不同单模型的预测结果进行融合重构,因单模型权重系数对预测结果有显著影响,利用改进黏菌算法对权重系数进行优化,以提高预测精度;最后,通过算例验证表明,相比于传统的预测模型,所提方法具有更高的预测精度,可以更好地预测油中气体体积分数的变化趋势。

基于变分贝叶斯算法的多模型车载组合导航算法

在行车过程中强机动引起全球卫星导航系统(GNSS)量测噪声产生野值,表现出厚尾特性导致常规状态估计精度下降的问题,为此提出一种基于变分贝叶斯的SINS/GNSS组合导航信息融合方法。构建车载组合导航系统模型,采用Student’s t分布对量测异常情况下噪声建模,并用变分贝叶斯的方法对系统状态和隐变量进行求解,实现对模型参数的后验估计。针对城市行车存在GNSS测量失效的问题,利用交互式多模型算法实现了GNSS量测中断情况下的SINS/GNSS和SINS/OD子系统的动态交互融合。通过跑车实验进行验证,实验结果表明,所提算法可有效抑制GNSS量测野值噪声对SINS/GNSS/OD组合导航系统的影响,与传统交互式多模型算法相比,具有较高的精度和鲁棒性。

四驱车辆交互式多模型自适应无迹卡尔曼滤波路面附着系数估计

路面附着系数对车辆动力学控制性能有重要影响,为准确实时估计路面附着系数,提高算法在不同路面及工况下的估计精度与收敛速度,本文针对分布式四轮驱动车辆,结合7自由度车辆动力学模型和Dugoff轮胎模型,提出了一种基于交互式多模型的自适应无迹卡尔曼滤波(IMM-AUKF)路面附着系数估计方法,首先将改进的Sage-Husa噪声估计器引入到无迹卡尔曼滤波(UKF)算法中,构建了自适应无迹卡尔曼滤波(AUKF)观测器,以对测量噪声进行实时更新并保证其协方差矩阵的正定性,同时提高新观测数据的权重,并增强算法的实时跟踪精度和稳定性;然后通过选择不同的观测变量,分别构建了车辆纵向行驶工况AUKF观测器和横纵向耦合工况AUKF观测器,并利用交互式多模型(IMM)算法进行观测器模型的切换,进而实现算法在车辆不同行驶工况下路面附着系数的准确估计。高附、低附、对接以及对开等路面仿真试验及实车道路试验结果表明,所提出的IMM-AUKF算法相比于传统的UKF算法,具有更高的估计精度与更快的收敛速度,能够适应不同工况下路面附着系数的实时准确估计。

基于多模型融合的细粒度图像分类算法

针对细粒度图像分类中单模型方法泛化能力不足问题,提出了一种用于细粒度图像分类的动态权重多模型融合方法。该方法使用基于注意力机制的网络模型作为参与融合的子模型,同时在模型训练过程中,提出了权重自适应调整算法。该算法能够根据子模型在每次训练中的实际表现和自适应的调整其权重值,保证模型整体达到最优状态。实验结果表明:相较于传统的单模型方法,此方法在提升分类效果的同时模型性能也更加稳定,而且在复杂背景分类任务中表现优异,现实意义更强。