基于自适应优化选择-抗差自适应卡尔曼滤波混合模型的GNSS+5G组合定位

PNT系统的构建是通信和导航领域的关键课题。发展能够兼容集成不同类型PNT手段,提供具备较好的弹性和环境适应性的综合PNT体系已成为当前刻不容缓的重要任务。5G和北斗系统的出现和发展,为PNT体系走向更综合、更弹性提供了新的思路。据此,本文提出了一种基于GNSS+5G组合数据的自适应优化选择-抗差自适应卡尔曼滤波(AOS-RAKF)算法,以实现城市复杂环境中的高精度定位估计。该算法主要由两个模块组成,即基于AOS的5G基站测量数据优化和基于AOS-RAKF算法的GNSS+5G组合定位。其中,基于AOS的5G基站测量数据优化模块通过自适应优化选择因子实现更好的观测数据重选。GNSS+5G组合定位模块利用优化后的5G数据和GNSS建立耦合结构模型,再利用RAKF方法实现移动车辆的高精度定位。半实物仿真测试结果表明,复杂城市环境下与使用原始测量数据的GNSS、单5G、传统的GNSS+5G组合定位相比,本文AOS-RAKF方法显著提高了定位精度。

基于卡尔曼滤波的GA-PSO-SVM室内定位算法

为了提高智能手机室内定位的精确度,本文建立行人运动曲线模型,并提出了一种融合卡尔曼滤波与参数优化支持向量机(SVM)的室内定位算法。首先,采用智能手机进行加速度计与陀螺仪数据采集;其次,引入卡尔曼滤波算法,对陀螺仪数据中包含的高斯白噪声进行去噪处理;最后,通过遗传算法(GA)与粒子群优化(PSO)算法优化支持向量机参数,建立室内定位模型,用于对陀螺仪数据预测中,陀螺仪数据中包含的常值漂移进行抑制。通过智能手机采集的室内数据进行实验,结果表明:本文提出的定位模型较直接使用微电系统(MEMS)传感器数据进行定位,定位精度有明显提升,其中平均误差降低了1.50m,能够满足室内定位服务需求。

基于改进无迹卡尔曼滤波的滑坡监测算法

在露天矿开采过程中滑坡坍塌是开采过程中常见的问题,滑坡是影响露天矿边坡安全生产的重要因素,露天矿边坡稳定性研究与治理是矿山技术工作中不可缺少的组成部分。因此,提出一种基于改进灰狼算法优化的无迹卡尔曼滤波算法,解决无迹卡尔曼滤波对模型不确定性的鲁棒性差和在系统达到平稳状态时,容易丧失对突变状态的跟踪能力的问题。传统灰狼算法(GWO)易陷入局部最优、后期收敛速度慢等问题,因此提出非线性控制参数组合调整策略,形成改进的灰狼优化算法,运用改进的灰狼优化算法对无迹卡尔曼滤波进行实时优化。结果表明所提算法误差小、精度高,具有良好的预测效果。

基于卡尔曼滤波的小波去噪和IWOA-ELM的颈肩肌肉疲劳分类方法

针对采集的表面肌电信号噪声干扰多,以及缺少颈肩肌肉疲劳状态划分标准和分类模型的问题,本文提出了一种基于联合去噪和优化极限学习机的颈肩肌肉疲劳分类方法。首先,使用AnyBody建立颈肩骨骼肌肉生物力学模型,根据肌肉pH值和RPE劳累感知量表划分肌肉疲劳状态。采集6名健康青年人斜方肌上束疲劳状态下的表面肌电信号。然后,结合卡尔曼滤波和改进的小波阈值函数进行联合去噪,提取均方根、积分肌电值、平均功率频率、中值频率、瞬时平均频率、瞬时中值频率6个特征参数。最后,使用改进鲸鱼优化算法优化极限学习机的权值和阈值,建立IWOA-ELM颈肩肌肉疲劳分类模型。实验结果表明,联合去噪算法效果更佳,IWOA-ELM模型训练集准确率为96.3%,测试集准确率为97.5%,均方根误差为1.108,对于不同受试者分类模型准确率均高于95%,因此本文提出的联合去噪算法和IWOA-ELM模型在颈肩肌肉疲劳分类方面具有优势。

卡尔曼滤波改进虚拟同步机控制研究

虚拟同步发电机(VSG)通过模拟同步发电机的动态特性为电网提供惯性支持,但是VSG系统中通信传输过程的噪声会影响精度,从而造成频率抖动。针对上述问题,在传统的VSG控制系统上加入卡尔曼滤波环节,形成一种新型的抗扰控制方式。在控制中利用遗传算法将卡尔曼滤波器的协方差矩阵Q和R作为遗传算法的个体编码,设计适应度函数来评估不同参数组合下的滤波效果,以提升VSG系统的性能。仿真结果表明,所提出的控制策略能够有效提高运行稳定性,消除机端频率抖动。

自适应卡尔曼滤波与PSO-GA-BP算法的机器人误差补偿

采用七轴机器人设备夹持激光器的方式对某型号发射筒进行切割开孔加工。在加工过程中,因轨迹精度和绝对定位精度较低,容易对型号产品发射筒产生损伤和误差切割等问题,运用D-H算法建立七轴机器人理想模型,运用正逆运动学数值算法对理想模型进行验证,运用理想模型的理论位姿参数和激光跟踪仪的测量位姿参数基于Sage-Husa自适应卡尔曼滤波求解七轴机器人真实位姿坐标信息,得到理想位姿参数和真实位姿坐标信息的关节误差,然后结合粒子群优化-遗传算法-BP神经网络联合算法对七轴机器人建立误差预测模型,采用七轴机器人理论位姿参数作为输入样本,真实位姿与理论位姿的各关节角度差作为输出样本,通过库卡机器人Workvisual 5.0软件按照模型输出值对七轴机器人的各关节角度值进行补偿。经过仿真实验和加工,各关节误差补偿后的七轴机器人轨迹误差和绝对定位误差减小72%,满足工艺要求。

基于量子粒子群优化容积卡尔曼滤波的LANDMARC室内定位算法

针对噪声环境下,基于标准容积卡尔曼滤波的LANDMARC室内定位算法因噪声特性估计不准,引起滤波性能下降而导致定位误差较大的问题,提出一种基于量子粒子群优化容积卡尔曼滤波的LANDMARC室内定位算法。该算法首先建立基于LANDMARC定位框架下的运动目标动态模型,然后引入量子粒子群优化技术对容积卡尔曼滤波中时间更新过程的状态预测值进行优化,以降低因畸变噪声引起的误差;最后将改进的容积卡尔曼滤波算法应用到运动目标状态估计中。实验结果表明,所提算法定位误差均值为0.175 m,与相同环境下传统的LANDMARC算法、基于容积卡尔曼滤波的LANDMARC算法以及基于粒子群优化容积卡尔曼滤波的LANDMARC算法相比,定位精度和稳定性均有明显提高,且运算时间比基于粒子群优化的算法少,应用在室内定位中能够得到较为真实的目标移动轨迹。

基于果蝇优化算法的风功率预测数据可信度量化分析

针对风功率预测数据精度较低,可信度难以度量的问题,研究了基于果蝇优化算法的风功率预测数据可信度量化分析方法。采用一次指数平滑方法平滑处理风功率预测的历史风速数据,将完成平滑处理的数据输入LSSVM风功率预测模型中,该模型设置线性最小二乘系统作为支持向量机的损失函数。选取果蝇优化算法优化LSSVM风功率预测模型,设置风功率预测的均方根误差作为果蝇优化算法的适应度函数,获取LSSVM风功率预测模型的最优参数,量化分析了风功率预测数据可信度。实验结果表明,该方法预测风功率的均方根误差低于0.3,具有较高的风功率预测数据可信度。

优化卡尔曼滤波算法中的目标函数选择

针对优化卡尔曼滤波算法(optimized Kalman filter,OKF)中的目标函数选择问题,设计了两种适用于OKF算法优化的目标函数,证明了这两种目标函数是最优的,即当目标函数取最小值时,OKF算法中的滤波估计值Hkx⌒k|*k-1是(或概率意义下)系统真实状态Hkxk的最优估计。把上述目标函数应用于多模型卡尔曼滤波算法(multiple model adaptive Kalman filter,MM-AKF)中,设计了一种优化多模型卡尔曼滤波算法(optimizedmultiple model adaptive Kalman filter,OMM-AKF),OMM-AKF算法能够根据目标函数优化子滤波器的滤波估计值权值,从而能够得到系统真实状态的较优估计值。最后,通过仿真验证了上述理论的正确性和方法的有效性。

地下水动态监测网优化设计的有限元与卡尔曼滤波耦合算法

提出一种地下水流系统有限元与卡尔曼滤波耦合的模拟算法。该算法考虑了地下水运动的确定性和随机性特点 ,可用于地下水监测网的优化设计。应用该算法对大庆地区地下水动态监测网进行了分析 ,结果表明 ,大庆地区现有地下水位动态监测网难以达到监测目标 ,其最优地下水位动态监测网应由 88个监测孔组成 ,监测频率为每月 1次。

基于卡尔曼滤波与相位相关算法的机场周边远场图像全景拼接优化

目前针对机场周边远场环境,依靠单个摄像机的分散监控已经无法满足现行机场对于周边环境掌控的要求。因此提出了在远场环境下,使用单目摄像机匀速旋转360度得到的一系列周边图像去生成一张全景拼接图。然后运用卡尔曼滤波和相位相关算法对摄像机进行运动优化,最终实验得到了一个稳定实时的全景拼接图像。所以,此方法对于机场周边远场环境的监控能够做到实用可靠。

基于蛙跳算法与卡尔曼滤波的大坝位移预测模型优化

为提高传统大坝位移统计模型的预测能力,引入蛙跳算法和卡尔曼滤波等,基于最小二乘法确定统计模型回归系数,采用蛙跳算法对回归系数进行优化;运用卡尔曼滤波法将回归系数作为状态方程的状态向量,使预测模型能实时反映监测数据的变化。工程算例应用结果表明,基于蛙跳算法与卡尔曼滤波的大坝位移预测优化模型能有效提高统计模型的预测精度,可为大坝位移预测提供参考。

混合果蝇优化算法PID参数整定方法的研究

【目的】解决基本果蝇优化算法(FOA)由于算法局限性而出现比例积分微分(PID)参数整定收敛速度慢且容易过早陷入局部最优的问题。【方法】为了在迭代前期具有更高的全局搜索效率,利用粒子群算法(PSO)寻找多个全局较优种群,迭代后期使用具有较强的局部寻优能力的FOA算法提高收敛精度,实现对全局搜索和局部搜索过程的优化。【结果】两个二阶时滞系统的阶跃响应测试结果表明,基于HFOA的PID控制器参数整定的上升时间、调节时间和超调量等指标更优,能够实现更好的系统响应性能。【结论】优化后算法具有控制精度高、响应速度快、鲁棒性好等优点,为PID参数优化提供了参考。

基于果蝇优化算法的加速度计温控系统研究

针对硅微谐振式加速度计在复杂的常温环境下输出不稳定问题,设计了基于改进的模糊PID控制的加速度计温控系统。通过对加热片的热分析和加速度计的温度场仿真,验证了温控系统加热片放置的有效性。采用果蝇优化算法(FOA)和积分分离对模糊PID控制进行优化,给出了优化后温控系统的整体设计。搭建温控系统实验装置,对优化方案进行验证。与PID控制相比,改进的模糊PID控制算法使得温控系统收敛时间减少到60s,超调量减少了9.8℃,稳态误差减少到0.1℃。与无温控相比,加速度计在40℃恒温下启动20min后的零偏稳定性值减少了71.4%。实验结果表明:基于改进模糊PID控制的温控系统可显著提高温度控制的精度。

基于果蝇算法的永磁同步电机多目标优化设计

为了提高永磁同步电机(PMSM)的性能,本文以一台72槽60极永磁同步电机为例,针对永磁同步电机多目标优化过程中多次有限元迭代导致的计算时间长和优化效率低的问题,提出了一种基于果蝇优化算法(FOA)的多目标优化方法。选取磁钢尺寸作为优化变量,以电机平均转矩、转矩波动和齿槽转矩作为优化目标,采用权重系数的多目标优化函数。首先通过有限元仿真获得各变量的样本空间,其次采用广义回归神经网络(GRNN)对仿真数据集进行拟合训练,得到非线性模型,然后运用FOA进行优化。最后,通过有限元仿真分析,结果表明FOA能有效抑制转矩波动以及增大平均转矩,且具有参数设置少、收敛速度快等优点,具有较好的应用价值。

基于果蝇优化算法的配电网极端可接入容量估算模型

配电网中不确定性因素较多,可接入容量配置过程可靠度较低,因此,提出基于果蝇优化算法的配电网极端可接入容量估算模型。制定可接入容量边界条件,分析配电网中不确定因素,求出干扰因素的数学期望值和方差,计算配电网极端最大准入容量,改进果蝇优化算法,将其中的非线性部分转化为线性,建立配电网极端可接入容量估算模型,更新基本参数,求解配电网极端可接入容量估算值。实验结果证明,估算结果可靠度较高,更接近于实测值,可以应对较大的随机波动性问题。所提模型可降低不确定性因素的影响,保证可接入容量配置过程的可靠度。

基于惯性权重调整的果蝇优化算法在WSN中的应用

目的:针对无线传感器网络随机部署节点的区域覆盖和传感器节点能量消耗问题,提出一种基于惯性权重余弦自适应调整策略的改进果蝇优化算法。方法:该算法在果蝇优化算法基础上,通过引入惯性权重的学习因子调整策略,在线调整算法的搜索步长。结果:增强了果蝇个体的自适应性及全局搜索能力,从而实现全局最优。结论:仿真实验表明,提出的改进果蝇优化算法不仅提高了收敛速度和全局搜索能力,还显著提升了WSN的覆盖率。

融合轨枕检测和卡尔曼滤波的中低速磁浮列车测速定位优化算法研究

可靠、准确的速度位置信息对于中低速磁浮列车的安全行驶起着至关重要的作用。基于中低速磁浮列车测速定位中常用的轨枕计数检测方法,采用2套涡流传感器冗余设备采集列车的速度、位移数据,提出不同速度下列车测速定位的优化算法。在该优化算法的基础上融合了卡尔曼滤波,通过不断迭代和更新,得到准确的速度位置信息,并计算出采用2套测速设备时2组速度数据的计算权值。采用Matlab软件对优化算法进行仿真,结果表明:该算法可以显著提高中低速磁浮列车速度位置信息采集的精度和可靠性。

新息自适应混合卡尔曼滤波算法构建地表沉降预测模型

为解决矿区地表沉降变形预测的问题,提高预测模型的精度,提出了基于自回归综合移动平均模型(Autoregressive Integrated Moving Average model,ARIMA)的新息自适应卡尔曼滤波(Innovation Adaptive Kalman Filter,IAKF)与组合神经网络相结合的混合预测模型。首先,针对沉降变形监测序列的非平稳性与复杂性等特点,ARIMA模型能够将原始数列平稳化,以此构建地表下沉的预测模型,并作为新息自适应卡尔曼滤波的状态方程。然后,将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、粒子群优化算法(Particle Swarm Optimization,PSO)和BP神经网络结合,构建EEMD-PSO-BP神经网络的组合网络模型,将组合神经网络的沉降预测结果作为观测值引入到卡尔曼滤波观测方程中,以建立混合预测模型。最后针对噪声方差Q与R选取的问题,利用新息自适应卡尔曼滤波估计出噪声方差的协方差阵。混合预测模型能有效减小单一预测机制造成的同一性质误差的累积,将基于ARIMA的新息自适应卡尔曼滤波、EEMD-PSO-BP神经网络模型与混合滤波模型的精度进行对比,新息自适应混合卡尔曼滤波预测模型的均方根误差降低至0.3194mm,相对百分误差降到1.42%。实验结果表明,混合滤波模型的各项预测结果要优于传统预测模型,精度相比较传统的预测模型有较大的改善。

基于内点法的不敏卡尔曼滤波算法

针对非线性不等式状态约束滤波问题,提出一种基于内点法的不敏卡尔曼滤波算法。该算法在不敏卡尔曼滤波的基础上结合了优化算法的思想,采用内点优化法求解非线性不等式约束条件下的最优解。在算法实现过程中,引入障碍项,用无约束障碍函数近似化受约束目标函数,采用一个相当小的正数即障碍因子,通过序列极小化方法逐渐减小该障碍因子,经过迭代快速搜索出非线性不等式状态约束问题的近似最优解。对具有约束的航路跟踪系统进行实验仿真,实验结果表明新算法在处理非线性不等式状态约束滤波问题时,能够有效地提高状态估计精度,获得较高的滤波精度,且时间复杂度较低。