基于有效K均值-有效极限学习机的混沌海杂波背景中微弱信号检测

为了在复杂混沌噪声背景中快速准确提取有用信号,提出基于复杂非线性系统相空间重构理论,采用改进极限学习机(ELM)预测单步误差检测微弱信号的方法。采用改进K均值聚类算法选择最优族作训练集,改进极限学习机选择权值和偏置的方法进一步提高检测的精度和速度,采用Lorenz系统建立了混沌噪声序列的一步预测模型,从预测误差中检测湮没在混沌噪声中的微弱目标信号(包括周期信号和瞬态信号),然后使用加拿大Mc Master大学IPIX雷达数据,在海杂波噪声中提取漂浮物信号作为实验研究。结果表明该方法能够有效检测混沌背景噪声中极微弱信号,同时抑制噪声对混沌背景信号的影响,与径向基函数(RBF)神经网络等传统算法相比,预测精度提升了25%,检测门限提高了-5 d B,同时训练用时减少77.1 s,在实际应用中具有更明显优势。

基于动态调节粒子数目的粒子滤波改进算法

研究优化粒子滤波算法,针对传统的粒子滤波算法在实际的应用中,要求快速实时。但由于实际往往需要大量的粒子数据参与运算,而造成了算法运算耗时的问题。为解决上述问题,提出了一种改进的粒子滤波算法。改进后的算法可以根据实际应用的情况,动态计算参与运算需要的粒子数目,在不需要全部粒子参与运算的情况下,动态减少粒子的数目,减少算法运算时间,使得改进后的算法运算速度大大加快。实验表明,改进后算法大幅度减少了运算时间,取得了良好的快速实时的效果。

粒子数动态调整的粒子滤波新算法

传统粒子滤波算法在实际应用中要求快速实时,而现实往往需要大量的粒子数参与运算,使得算法运算非常耗时。提出一种改进的粒子滤波新算法,根据实际应用场景,计算所需要的粒子数目,在不降低性能的情况下,动态减少粒子数,提高了运算速度。仿真实验表明,新算法显著地降低了算法运算的时间,达到了快速实时的效果。