高超目标强跟踪CKF自适应交互多模型跟踪算法

高超目标运动状态复杂且具有高机动性,传统的交互多模型(IMM)跟踪精度低、收敛速度慢,基于此,提出了一种基于多重渐消因子的强跟踪容积卡尔曼滤波(CKF)自适应交互多模型(AIMM)跟踪算法。以IMM-CKF算法为基础,通过对CKF算法的结构进行分析,在时间更新和量测更新的协方差矩阵中引入强跟踪算法的渐消因子,在线实时调整滤波增益,减小模型不匹配导致的滤波精度下降;在IMM的模型集中选择Singer模型、“当前”统计模型和Jerk模型,并针对模型扩维导致CKF算法中无法Cholesky分解的问题引入奇异值分解(SVD)算法;对IMM算法中马尔可夫矩阵提出自适应算法,通过模型似然函数值对转移概率进行自适应修正,增强匹配模型所占比例。仿真结果表明:所提算法跟踪收敛速度提高了约37.5%,跟踪精度提高了16.51%。

区间量测下自适应交互多模型箱粒子滤波机动目标跟踪

针对现有交互多模型箱粒子滤波(Interacting Multiple Model Box Particle Filter,IMMBPF)算法在区间量测目标跟踪过程中模型切换和跟踪精度方面的不足,结合自适应交互多模型算法,提出了一种自适应交互多模型箱粒子滤波(Adaptive IMMBPF,AIMMBPF)算法。该算法利用模型似然后验信息构建修正因子,并结合阈值对马尔可夫转移概率矩阵进行自适应修正,使得匹配模型的概率快速增大,并且可以减小非匹配模型的影响,即使在目标运动模型先验信息不足或者不准确情况下,也能对模型转移概率进行自适应更新。对于量测常受到未知分布和偏差的区间误差所影响而呈现区间形式的问题,将箱粒子代替普通粒子,拟合后验概率密度从而进行滤波。仿真结果表明,相比于原有算法,该算法在区间量测机动目标跟踪的应用中,拥有更优的模型匹配度和目标跟踪精度。

基于自适应交互学习的CPS时间序列异常检测

对信息物理系统(CPS)的时间序列进行检测是一种重要的异常检测手段,然而现有的一些时间序列异常检测方法往往忽略了时间序列内部的依赖关系,使得预测或重构数据建立起的依赖关系较差,进而影响异常检测性能。针对以上问题,提出一种基于自适应交互学习的CPS时间序列异常检测方法。利用神经网络识别CPS的隐藏状态,然后通过全局自适应融合与交互学习来保留时间序列的依赖关系;接着使用无迹卡尔曼滤波跟踪时间序列的变化趋势,以此增强预测过程的鲁棒性;最后计算异常分数并评估异常情况。应用该方法在三个CPS数据集上实验获得的平均性能为F_(1)分数0.940、精度0.965、召回率91.7%。实验结果表明,相较于近年来的其他研究方法,该方法能够较好地保留时间序列的依赖关系,提取更准确的时间序列特征,进而提高模型的预测性能,使得异常检测的召回率和F_(1)分数得到较好提升,具有良好的应用前景。

宏微并联机器人系统自适应交互PID监督控制

500m口径球面射电望远镜(Five hundred meter aperture spherical radio telescope,FAST)的馈源支撑与指向跟踪机构由宏微并联机器人系统构成,大跨度柔索驱动的宏并联机器人保证系统的大工作空间,精密电动缸驱动的Stewart平台作为微并联机器人保证系统的末端精度并扩展其伺服带宽。为了降低宏并联机器人的柔性对末端定位精度的影响,提出基于并联机构学原理的三维机动目标解耦跟踪预测算法,对馈源舱的运动进行跟踪预测。引入自适应交互算法解决PID参数的实时调整,设计自适应交互PID监督控制器,根据馈源舱的预测运动和馈源平台的目标轨迹产生电动缸规划级控制量。此外,在电动缸执行级采用带前馈的数字伺服滤波器实现电动缸的高精度轨迹跟踪。FAST50m缩尺模型试验表明,结合解耦预测算法对馈源舱的运动预测,自适应交互PID监督控制器效果良好,能够确保宏微并联机器人系统在以期望的跟踪速度运行时,获得完全满足控制要求的定位精度和指向精度。

自适应交互PID在液压伺服系统中的应用

自适应交互算法实现简单,能够在未知系统模型的前提下完成控制参数梯度递减,使系统控制性能趋向优化。将自适应交互算法引入到传统的PID控制器中,构成一种自适应交互PID控制器,将该控制器应用到宝钢2050粗轧液压立辊压下系统中,结果表明在外界扰动和系统工况发生变化时,该控制器能够自适应调节控制器参数,使控制系统取得满意的控制效果。

自适应交互多模型滤波在INS/CNS组合导航中的应用

针对惯性/天文(INS/CNS)组合导航系统中由于量测噪声的统计特性随应用环境发生变化而导致滤波精度降低的的问题,提出了一种基于自适应交互多模型(AIMM)的组合导航算法,该算法将改进的Sage-Husa自适应滤波器与交互多模型相结合,以少量的模型实现对实际模态的覆盖。仿真结果表明:与常规Kalman滤波方法相比,该方法较好地覆盖了实际模态变化情况,实现了对量测噪声统计特性变化的自适应调整,在观测值发生异常时,导航参数误差没有大的跳变,导航滤波器在观测值异常时具有一定的自适应能力,从而保证了导航滤波器的可靠运行,提高了导航系统的精度和可靠性。

基于自适应交互多模滤波的SCNS/RSINS紧组合对准方法（英文）

为了提高船用单轴旋转捷联惯性导航系统(RSINS)初始对准的精度和快速性,针对传统的EKF滤波线性化误差和单传感器精度不高的问题,设计了一种基于自适应交互多模(AIMM)算法的SCNS/RSINS紧组合对准方法。该算法将自适应滤波器与交互多模型相结合,利用了两个合理构建状态模型和量测模型的平行滤波来实现对实际模态的覆盖:滤波1应用姿态四元数算法建立了状态方程的模型,量测量为RSINS与SCNS之间的姿态四元数误差;滤波2的根据SCNS/RSINS的误差特性构建了状态方程模型,量测量为RSINS与SCNS位置和航向误差,然后应用自适应IMM算法将两个平行滤波的估计值进行数据融合。在某种程度上,因状态噪声和量测噪声的不确定性,EKF的性能会被降低,而通过模型转换机制,IMM可用于选择一个合理的模型自动计算器来自适应地调整对准过程中噪声的协方差矩阵,因此该算法可以有效地解决SCNS/RSINS组合导航系统的初始对准问题。仿真结果表明:与EKF算法相比,基于自适应IMM算法的SCNS/RSINS组合对准方法的估计精度和对准快速能力都得到了改善,其中对方位陀螺漂移的估计时间缩短了至少40%。

基于自适应交互算法的神经网络控制器设计

自适应交互算法是一种简单有效的算法 ,可以应用于不同类型的系统。与常用的BP算法相比 ,它不需要反馈网络反向传播误差 ,可以直接用来设计自适应神经网络控制器 ,使控制器的设计简单化。将这种算法应用于神经网络 ,并设计了神经网络控制器。通过仿真研究表明 ,用自适应交互算法设计的控制器不仅结构简单 。

基于自适应交互多模型算法的传感器故障诊断

在标准的交互多模型算法中,模型切换概率和模型噪声方差都假定为先验信息,但是系统的模型信息一般隐含在当前的量测信息中,因此本文提出一种在线辨识模型切换概率和噪声方差的自适应交互多模型算法,在建立传感器的全局故障和局部故障模型的基础上,对自主水下航行器多个传感器的局部故障与全局故障进行了诊断。在仿真过程中发现,与一般的多模型自适应估计方法(MMAE)相比,此方法算法简单,能够更加准确可靠地诊断故障。

自适应交互式融合的视觉跟踪

针对基于传统融合机制的联合跟踪器在复杂环境下鲁棒性不足的缺陷,提出一种在交互式多模型粒子滤波框架下传递概率矩阵可在线更新的自适应融合跟踪器。首先,在贝叶斯理论框架下,基于最小二乘误差估计法得到传递概率矩阵迭代更新方程;然后,利用数值积分法获得迭代更新方程的数值解;最后,结合重采样技术实现不同子跟踪器之间先验状态分布的自适应交互,以确保传递权值较大粒子对应的目标状态。在复杂环境下进行了的跟踪实验,结果验证了本文提出的自适应交互式融合机制增加了对粒子先验状态的校正功能,有效避免了因误差积累导致的"跟踪漂移"问题,使联合跟踪器的鲁棒性明显优于单一跟踪器或基于其它融合机制的联合跟踪器。

自适应交互对三维模型浏览绩效的影响

三维产品结构浏览软件人机交互功能采用的合理性,在很大程度上直接影响了用户对软件的使用满意度。以某产品三维结构浏览软件为例,对其人机交互性能进行实验评测,重点评价了其自适应交互方法对三维模型浏览绩效的影响,分析相关人机交互功能的应用,提出了可供软件开发者借鉴的建议。

云计算和物联网的自适应交互模式研究

云计算和物联网的融合已成为物联网应用发展的必然趋势。阐述了云计算和物联网的融合互补关系,在分析物联网云计算中心结构、物联信息可靠度和应用服务可靠度的基础上,提出并研究了一种云计算和物联网的自适应交互模式,还对这种模式的算法进行了分析。

强机动目标跟踪自适应交互式多模型算法

针对机动目标跟踪过程中建立的目标模型和目标的实际运动模式出现失配的问题,提出了从一组离散模型集中选出最优模型,并自适应调整模型参数,使模型逼近目标实际运动模式的交互式多模型算法。蒙特卡罗仿真表明,该算法与传统的常速模型与自适应协同转弯模型交互算法(IMM-CV/ACT)相比,在目标发生强机动时,能及时有效的把跟踪误差峰值控制在测量标准差之下,适合于强机动目标跟踪。

自适应交互多模型跟踪算法的模型集设计

自适应交互多模型算法 ( AIMM)是标准交互多模型算法 ( IMM)的一种改进。但AIMM遇到了新问题 ,包括如何选择自适应模型集的结构 ,如何从基于旧模型集的滤波器中继承各种数据。本文分析了这些问题 ,并给出了 AIMM中模型集和模型转移概率的设计方法。仿真结果表明 ,改进的 AIMM算法比普通的

自适应交互式多模型滤波在被动制导中的应用

首先给出了一种更加简单的关于BOM问题的变增益函数的推导,新的增益形式比原先的形式更具有数字稳定性。然后考虑当模型具有不确定性时的被动制导仿真。当模型具有参数不确定时,一般的单模型滤波器已经不能满足制导的性能要求。采用交互式多模型算法,与修正增益扩展卡尔曼滤波器结合,并使用能实时估计量测噪声的Sage-Husa估值器,设计出一种新型自适应交互式多模型修正增益扩展卡尔曼滤波,将其应用到被动制导中,仿真结果表明该方法的优越性和实用性。

基于WWW的远程教学中的反馈和自适应交互技术

对于基于WWW的远程教学应用 ,本文讨论了两种同学生进行交互的技术 ,其一是异步交互 ,即教师与学生是通过E -mail进行通信的 ;另一种是用于控制学生学习的自适应联机测试技术。此外 ,本文还给出了使用CGI和交互式HTML表单 。

高超声速机动目标的强跟踪UKF自适应交互多模型算法

针对高超声速强机动目标的运动具有复杂性、突变性和强非线性等特点,单模型跟踪算法难以实现精确跟踪的问题,提出了一种基于多重渐消因子的强跟踪UKF自适应交互多模型算法。考虑现有强跟踪UKF算法引入单渐消因子的不足,根据正交性原理推导得到了引入多渐消因子的强跟踪UKF算法,完成了对非线性目标状态的滤波估计;在交互多模型算法的子模型中选用改进的CS-Jerk模型;对交互多模型中各子模型间的转移概率进行在线自适应调整,并与改进CS-Jerk模型结合克服了单模型算法跟踪强机动目标的不足,实现了模型与目标运动模式的实时最优匹配。仿真结果表明,与单模型算法和经典多模型算法相比,提出的算法使得不同条件下位置和速度的跟踪误差至少降低11.89%,有效提高了高超声速强机动目标跟踪精度。

基于转弯模型的自适应交互式多模型跟踪算法

针对舰炮火控系统中搜索雷达对来袭导弹跟踪为背景,提出一种基于坐标转弯模型(CT)的自适应交互多模型跟踪算法(AIMM-CV/CT),模型集取为一个匀速和一个坐标转弯模型,滤波器采用各子滤波器模型噪声方差在线计算调整的自适应交互式多模型算法;给出了比例导引规律来袭导弹的航路仿真方法,并对AIMM-CV/CT与IMM-CV/CT算法进行了仿真比较。仿真结果证明了本文算法的正确性和有效性。

交互式模型参考自适应滑模控制矢量控制系统

针对异步电机参数变化导致转速估计不准确的问题,提出一种同时辨识定子电阻和转速的交互式模型参考自适应估计方法,并针对常规模型参考自适应方法在估计时存在复杂的PI增益系数调节的问题,使用基于趋近率的滑模控制来替代PI环节。该方法只需检测定子侧电压和电流值即可估计异步电机在运行过程中的定子电阻和转速的值,使整个系统对定子电阻的变化具有较强的鲁棒性,提高整个系统的控制精度。通过对异步电机的矢量控制仿真实验验证了该方法的准确性。

一种改进的自适应网格交互多模型跟踪算法

自适应网格交互多模算法能够根据目标的运动模式,自适应调整系统各模型参数,从而实现对目标的跟踪。但当目标机动性较大时,在其模式变换时刻,网格中心剧烈摆动,导致跟踪精度下降。提出对该算法的改进,通过对网格中心运动步长进行适当的平滑处理,以增加网格的平稳性。仿真给出了平滑因子的经验值,并表明改进的自适应网格交互多模算法能解决传统算法在目标运动模式变换时跟踪不稳定的问题,提高精度跟踪。