基于神经网络辅助卡尔曼滤波算法的水质数据处理系统

在水产养殖当中,水质数据的实时性和精确性对养殖活动具有重要作用。除从物理层面提高水质监测系统准确性外,对所获水质数据使用算法优化处理,可大幅提高数据的精确性。运用神经网络辅助卡尔曼滤波算法对水质监测数据进行处理,能够将溶解氧的平均绝对误差降低27%以上,均方误差降低39%以上,均方根误差降低22%以上,对pH的平均绝对误差也可以降低20%以上。精确的水质数据为养殖户的科学水产养殖提供了数据支撑。

神经网络辅助卡尔曼滤波技术在组合导航系统中的应用研究

考虑到组合导航系统的噪声具有非先验性,而传统的卡尔曼滤波器要求假设动态模型和观测模型的噪声统计特性已知,提出了用前向神经网络来辅助调节卡尔曼滤波器,使其具有自适应能力以应付动态环境的扰动。仿真研究表明:该算法优于标准卡尔曼滤波器。

基于PSO小波神经网络辅助卡尔曼滤波的BDS/INS定位

在北斗定位系统/惯性导航系统(BDS/INS)中,由于非线性噪声、精确构建运载体模型困难等原因,经卡尔曼滤波,列车的速度曲线会有部分信息损失,导致定位信息不准确。因此,提出了基于小波神经网络辅助的卡尔曼滤波法。神经网络的输入是卡尔曼滤波前的信号,其输出是滤波后的信号。考虑影响小波神经网络精度的因子,对权值、阈值和学习率进行了优化。在此基础上,通过加入对数函数对学习率进行改进,利用遗传算法(GA)和粒子群优化(PSO)算法组合优化权值和阈值。实例仿真表明,经过优化的小波神经网络提高了收敛速度、定位精度,同时在保持原速度波形的整体趋势前提下,降低了因滤波导致的信号误差。

神经网络辅助卡尔曼滤波技术在雷达目标跟踪中的应用研究

提出了一种应用神经网络对卡尔曼滤波结果进行校正的机动目标跟踪方法,用BP神经网络修正目标机动运动时的卡尔曼滤波误差,并用matlab仿真单目标机动飞行时的滤波效果,通过与卡尔曼滤波精度和滤波稳定度的比较说明该算法比传统卡尔曼滤波算法在跟踪机动目标方面效果要好。

神经网络辅助卡尔曼滤波在组合导航中的应用

为使基于微机电系统的捷联惯性导航/全球定位(MEMS-SINS/GPS)组合导航系统在GPS接收机无法正常工作时,仍能提供满足精度要求的导航信息,提出了径向基函数神经网络(RBFNN)辅助自适应卡尔曼滤波(AKF)的信息融合方法。首先,基于该方法设计了由神经网络训练与预测两种模式构成的组合导航系统。在GPS可用时,对RBFNN进行在线训练;在GPS失锁时,由RBFNN预测AKF更新过程的量测输入。然后,建立了RBFNN与AKF的数学模型,并设计了RBFNN的训练策略与AKF的自适应算法。最后,通过跑车实验验证了该信息融合方法的有效性。实验结果表明,在GPS断开时间为40s和100s时,系统的位置精度分别优于15m和90m。该信息融合方法能在GPS失锁时对导航误差发散进行有效阻尼,是适用于小型无人机、制导炸弹与车辆的一种低成本、高鲁棒性、中等精度的导航方案。

融合神经网络的卡尔曼滤波啸叫抑制路径突变检测算法

分区频域卡尔曼滤波(Partitioned block frequency domain Kalman filtering,PBFDKF)因其收敛速度快、稳态误差小的优势被应用在自适应滤波声反馈抑制(Adaptive feedback cancellation,AFC)。然而,当声反馈路径发生突变时,卡尔曼滤波会进入锁死状态,难以再次跟踪。本文提出一种融合神经网络的卡尔曼滤波啸叫抑制状态检测算法(Kalman⁃filter⁃based AFC with state detection model,KFSD)。该系统将卡尔曼滤波声反馈抑制系统的传声器采集信号、残差信号和滤波器更新量作为输入特征,通过神经网络对卡尔曼滤波的状态误差协方差矩阵进行修正,从而实现路径突变情况下的再次跟踪和收敛。仿真实验结果验证了所提算法具有较高的正判率、较低的虚警率和较短的延迟帧数,算法同时具备快速再跟踪性能,提高了声反馈抑制效果。

基于BP神经网络和拓展卡尔曼滤波的轨迹追踪

在室内定位中,超宽带(UWB)技术作为新兴的定位技术,被广泛运用于各种工作场景。由于环境复杂多变,UWB通信信号容易受到阻挡,对追踪目标定位及运动轨迹判断会产生干扰。为得到追踪目标的运动轨迹,除考虑接受数据是否是在信号受干扰情况下得到的之外,还要对采集数据进行系统噪声过滤,进而得到跟踪目标的运动轨迹。将判别信号是否受到干扰的问题转化为机器学习下的二分类问题,通过建立BP神经网络模型对采集信号进行分类,筛选出没有受到干扰的信号数据,结果表明BP神经网络训练精度高达96.43%,测试精度为99%。为在实际应用场所中得到运动靶点的轨迹图,利用拓展卡尔曼滤波算法过滤系统噪声,最终得到了跟踪目标的运动轨迹。

基于神经网络与自调节卡尔曼滤波的超宽带定位算法研究

提出了一种基于神经网络与自调节卡尔曼滤波的超宽带(UWB)定位算法,以改善目前某三线自动驾驶轨道交通系统车辆定位精度不够高的现状。使用UWB标签和基站采集大量标签与各个基站的距离信息及对应标签的实际位置训练神经网络。在实时定位阶段,标签与各个基站的距离信息经网络发送至集中控制中心的服务器,通过优化后的神经网络得出实时的UWB定位标签的位置,对实时得到的标签位置使用自调节卡尔曼滤波以进一步提高精度。根据实车运行情况设计了一组包含斜道、直道和弯道的UWB标签移动轨迹进行仿真,并搭建UWB定位系统,设计标签的行驶轨迹,对神经网络与自调节卡尔曼滤波结合的UWB定位算法进行实验验证。结果表明:神经网络与自调节卡尔曼滤波结合的定位算法最大定位误差为223.58 mm,平均定位误差为43.16 mm,定位误差均方根值为42.06 mm。提出的神经网络与自调节卡尔曼滤波结合的定位算法相较于三点定位算法、卡尔曼滤波算法和神经网络算法,具有精度高、实时性好及稳定性高的优点,能够满足目前该三线轨道交通的定位要求。

BP神经网络结合粒子群优化卡尔曼滤波的MEMS陀螺随机误差补偿方法

针对微机电系统(MEMS)陀螺仪随机误差相对较大、影响其精度这一问题,提出一种基于BP神经网络结合具有量子行为的粒子群优化(QPSO)算法优化卡尔曼滤波(KF)的补偿方法。采集MEMS陀螺和转台数据作为样本,采用BP神经网络进行训练,建立误差模型;利用训练好的模型对MEMS陀螺进行误差补偿;利用QPSO算法优化KF,以达到更好的降噪效果。实验结果表明,该方法较BP神经网络优化KF、QPSO优化KF与变分模态分解结合小波阈值去噪等方法去噪处理后的平均绝对误差(MAE)和均方误差(MSE)更小,具有更好的降噪效果。

深度神经网络与卡尔曼滤波融合估算动力电池SOH的方法

文章提出了一种基于卡尔曼滤波和深度神经网络的方法和系统,以更精确地评估新能源汽车动力电池的健康状态(SOH),从而评估电池的性能和寿命。通过融合卡尔曼滤波和深度神经网络,建立了一个创新SOH估算框架,以提高估算结果的精度性和鲁棒性,此外,还设计了一种适应不同工况且具备灵活性和可扩展性的SOH估算系统。为了验证提出方法的卓越性和有效性进行了试验分析,试验结果充分证明了该方法的优越性,并为新能源汽车的电池管理系统和电池梯次利用提供了可行的技术解决方案。通过比较精确地评估动力电池的健康状态,能够更好地管理电池性能,并有效延长其使用寿命。

基于自适应卡尔曼滤波和深度前馈神经网络的氚源项反演

氘氚聚变反应被认为是能够最先实现商业发电的聚变反应,但氚的使用也带来了放射性安全问题。为探究适用于聚变堆事故后的大气释放氚源项反演的计算方法,本研究将自适应卡尔曼滤波与深度前馈神经网络相结合,建立聚变堆事故后的氚释放源项估计算法,对氚的释放高度及释放率进行反演。对神经网络使用滤波前后的观测值作为输入数据时的预测源强进行分析。结果表明,滤波能有效降低神经网络的预测误差。当监测数据误差为20%时,释放高度反演相对误差均值约为3%,释放率反演相对误差均值约为4%。

神经网络辅助动态GPS卡尔曼滤波算法研究

由于传统卡尔曼滤波导航定位的方法定位精度不高,因此本文提出了用前向神经网络来辅助调节卡尔曼滤波器,其中自适应的体现则是利用了神经网络的BP算法。使其具有自适应能力以应付动态环境的扰动。仿真研究表明:该算法优于标准的卡尔曼滤波器。

卷积神经网络在结直肠息肉辅助诊断中的应用综述

结直肠癌是一种恶性肿瘤,主要发生在结肠和直肠的组织中,其早期发现和治疗具有重要意义。结直肠癌的早期检测和预防主要是对病人的肠道进行视觉检查,从而筛查结直肠息肉,但人工检查存在漏诊率高等弊端。基于卷积神经网络(CNN)的辅助诊断系统在结直肠息肉的诊断方面表现出最先进的性能,是目前计算机辅助诊断领域的研究热点。根据近几年发表的相关重要文献,对卷积神经网络在结直肠息肉辅助诊断中的应用进行系统综述。首先介绍了结直肠息肉诊断领域的常用数据集,其中包括图片和视频数据集;其次分别对CNN在结直肠息肉检测、分割以及分类中的应用进行系统阐述,对各算法的主要改进思路、优缺点以及性能进行深入分析,旨在为研究人员提供更系统的参考,并对深度学习模型的可解释性进行总结;最后对基于CNN的结直肠息肉辅助诊断的各类算法进行总结,并对未来的研究方向进行展望。

基于图神经网络的位置辅助波束选择

基于深度神经网络的位置辅助波束选择方法存在着训练成本过高和准确性随码本增大而大幅下降的问题。针对该问题,提出了一种基于GNN的波束选择方法。该方法首先根据预定义码本中波束间的相关性构建图结构,然后使用GNN捕捉图结构信息并进行消息传递,从而根据用户设备的位置信息预测最优的收发波束。仿真结果表明提出的基于GNN的方法降低了训练成本,并提升了波束对准的准确率和稳定性。

一种前馈神经网络的卡尔曼滤波学习方法

本文针对前馈神经网络误差反向传播算法（ＢＰ算法）收敛速度慢且常常收敛于局部极小值等缺陷，提出了一种基于推广卡尔曼滤波估计的快速学习新方法，与ＢＰ算法相比较，该方法不仅学习收敛速度快，数值稳定性好，所需学习次数和国节点数少，而且所需调节参数少，便于工程应用。非线性系统建模与辨识的仿真计算结果表明，该方法是提高网络学习速度、改善学习性能的一种有效方法，可有效解决工业过程等非线性系统建模与辨识问题。

一种基于神经网络的卡尔曼滤波改进方法

卡尔曼(Kalman)滤波是一种基于最小方差估计的递推式滤波方法,它要求信号的状态模型是已知的,这就限制了它在实际中的应用。利用神经网络的良好的非线性映射能力对实际系统进行系统辨识,可以获得符合精度要求的系统状态方程,很大程度改进了卡尔曼滤波的效果。相对于一些经典的卡尔曼滤波改进算法,这种方法具有应用范围广和数学建模简单易行的优点。将神经网络与卡尔曼滤波相结合的方法用于图像复原实验,结果表明,该方法具有可行性和有效性。

基于门控循环单元神经网络和Huber-M估计鲁棒卡尔曼滤波融合方法的锂离子电池荷电状态估算方法

锂离子电池作为重要的储能元件,其荷电状态(SOC)直接影响所在系统的运行状态。为了实现对锂离子电池SOC的精确估算,提出一种基于门控循环单元神经网络(GRU-RNN)和Huber-M估计鲁棒卡尔曼滤波(HKF)融合方法的锂离子电池SOC估算模型。该方法利用Huber-M估计改进卡尔曼滤波器的鲁棒性,并将基于GRU-RNN所估算的锂离子电池SOC值作为改进卡尔曼滤波器的观测量。在两组锂离子电池数据集上分别进行锂离子电池SOC估算实验。实验结果表明,基于GRU-RNN和HKF融合方法的锂离子电池SOC估算模型不仅能够准确地实现锂离子电池SOC估算,而且能够降低测量误差及异常值对估算结果的影响,使锂离子电池SOC估算结果快速且精确收敛。

基于新息的神经网络自适应卡尔曼滤波

卡尔曼滤波是一种基于最小方差的递推式滤波算法,系统模型和噪声统计特性的先验知识决定了滤波的性能和估计的准确性,不精确的先验知识将导致滤波性能的明显下降甚至发散。采用BP神经网络对系统进行辨识,获得精确的系统状态方程,利用新息自适应估计卡尔曼滤波算法中的过程噪声和测量噪声协方差矩阵,提出基于新息的神经网络自适应卡尔曼滤波算法。Matlab仿真结果表明,与传统卡尔曼滤波算法相比,改进的卡尔曼滤波算法获得了与原始信号几乎一致的输出信号,噪声得到明显抑制。同时,改进的算法不需要系统精确的数学模型,在实际应用中具有可行性和普适性。

基于卡尔曼滤波的RBF神经网络和PD复合控制研究

针对工业机器人控制系统在实际工作中不可避免地要受到随机噪声的影响,提出了基于卡尔曼滤波的RBF神经网络与PD复合控制器设计,该控制器由PD反馈、RBF神经网络前馈控制器和卡尔曼滤波器三部分构成;基于卡尔曼滤波的PD和RBF神经网络复合控制具有优良的控制性能和动态品质,能快速跟踪设定的参考信号,而且无大的超调和振荡出现,只需较少的控制能量,明显抑制白噪声的污染,提高系统自适应性和鲁棒性;仿真结果表明了其有效性。

基于人工神经网络的卡尔曼滤波实时校正技术

针对人工神经网络技术在实际应用中常出现的过拟合现象 ,设计了以人工神经网络模型做初级预报 ,用卡尔曼滤波技术对初级预报结果进行二次预报的方法。该方法用于淮河王家坝水文站最高洪水位的预报和岷江上游段紫坪埔水文站的流量预报 ,并与标准的BP网络模型以及卡尔曼滤波模型进行了比较。两个应用实例的计算结果表明 ,以上两种技术的结合 ,不仅有利于预防过拟合问题 。