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。

一种模糊自适应交互多模型算法

提出了一种模糊自适应交互多模型(FAIMM)算法。该算法通过模糊推理机制,在线调节模型集合中部分模型的参数,使这些模型对不同的目标机动模式有更强的自适应能力,从而使该算法可以采用较少的模型达到很好的跟踪滤波效果,而且避免了传统交互多模型算法的模型冲突问题,大大减少了计算量。最后将该算法与传统的交互多模型算法进行了仿真对比,仿真结果表明,FAIMM算法比传统的交互多模型算法有更好的跟踪性能。

组合导航自适应交互多模型算法研究

针对交互多模型(IMM)方法模型集覆盖能力与计算量相矛盾的问题,提出了将简化的Sage-Husa自适应滤波与IMM相结合,构成一种自适应交互多模型的方法。简化的Sage-Husa自适应滤波首先给出噪声统计特性的粗略值,IMM方法以该粗略值为中心,对称地得到模型集,再进行IMM估计。车载组合导航仿真表明,该算法能够以较少的模型实现对实际模态的覆盖,而且精度比IMM方法也进一步提高。

自适应交互多模型算法在机动目标跟踪中的应用

针对多模型算法在机动目标跟踪中存在的问题,运用交互多模型算法(IMM)和自适应滤波理论,设计了一种自适应交互多模型算法(AIMM),结合目标运动模型对目标当前加速度和其方差进行估计,并在此基础上给出了AIMM中模型集和模型转移概率的设计方法,进行了计算机仿真。蒙特卡罗仿真结果表明,与标准IMM算法相比,该算法比IMM算法的跟踪性能有很大提高,跟踪复杂机动目标比IMM有更快的收敛速度,跟踪滞后问题得到较好的解决,跟踪目标的稳定性和精确性均优于IMM算法,有利于机动目标的实时跟踪。

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。

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%。

基于交互式多模型自适应滤波AUV定位算法

为实现自主水下航行器(AUV)有效定位,针对现有单模型滤波定位算法滤波误差大、定位精度低等问题,提出一种基于交互式多模型自适应滤波AUV定位算法(IMAF)。该算法采用平滑高斯-半马尔可夫模型描述AUV运动状态,结合AUV动力学状态方程构建机动和非机动交互式运动模型;再利用平滑高斯-半马尔可夫模型状态转移概率实现AUV不同运动状态的转换进而实现自适应定位。仿真实验表明,所提算法与基于条件最小化非线性滤波算法、单模型的扩展卡尔曼滤波算法和卡尔曼滤波算法相比,AUV定位精度分别提升了53.6%,62.1%和83.5%。

自适应组合滤波算法在3D假肢模型中的应用

针对经典统计滤波算法无法自适应选取参数以及传统双边滤波算法难以兼顾保特征和光顺性的问题,提出一种自适应组合滤波算法。首先引入基于局部点云体积的自适应标准差倍数以灵活滤除假肢点云大尺度噪声;在滤除大尺度噪声的基础上,引入一种新的协方差矩阵加权方式,提高估计点云法向的准确性,并通过法向夹角变化程度的均值对特征权重因子进行改进,增强双边滤波因子的保特征性,旨在光顺三维假肢模型小尺度噪声。与单独使用统计滤波、双边滤波相比,所提算法在3个假肢模型的最大误差E_(max)至少降低了5%;平均误差E_(ave)至少降低了6.9%。仿真结果表明,该改进算法在有效剔除假肢模型大尺度噪声的同时又避免了过光顺和去噪不彻底,可以较好地保持模型中的几何特征。

一种自适应变结构交互式多模型算法

针对机动目标跟踪问题,提出了一种自适应变结构交互式多模型算法。对滤波问题进行了简单描述,并给出了交互式多模型算法的数学模型;建立了一种新的变结构交互式多模型算法的精确模型,模型子集之间并行独立运行,通过选取概率最高的模型子集的状态估计作为最终的估计结果;在变结构交互式多模型算法基础上进一步设计了自适应变结构交互式多模型算法,该方法提高了模型子集和目标实际机动模式的匹配程度,从而提高了目标跟踪精度。仿真结果表明,自适应变结构交互式多模型算法的跟踪效果优于其他方法。

约束并行自适应代理模型优化算法及在弧形闸门优化设计中的应用

针对并行仿真技术下复杂大型工程结构的优化设计问题,将自适应代理模型优化和计算机并行计算技术相结合,提出一种基于约束并行自适应采样的代理模型优化算法。算法的采样方法由局部最小模型预测单加点策略和全局双目标约束多加点策略构成,通过构造约束期望提高函数和样本空间稀疏度函数对样本点进行筛选,使所获得的新样本点兼顾搜索目标函数局部最优区域和开发全局可行边界。通过对比分析测试算例与已有算法表明,该算法具有更好的优化效率、优化精度和稳定性。最后将算法运用于大型钢结构弧形闸门结构的多参数优化,分别采用3种自适应代理模型优化算法与基于静态代理模型的遗传算法进行求解,验证了所提算法的优越性。

交互式多模型算法改进视觉惯性定位技术

针对目前使用优化方法构建的视觉惯性数据融合模型尚未充分考虑实际复杂性,导致无法准确模拟复杂的实际状态的问题,提出一种交互式多模型(IMM)算法改进视觉惯性定位技术:指出相较于传统滤波方法,优化的视觉惯性融合定位技术具有更高的估计精度,并且在计算效率上能够与滤波方法媲美,这得益于雅可比矩阵和海塞矩阵的稀疏性特征;然后给出将交互式多模型算法与优化算法相结合的方法,利用IMM能够有效模拟单个目标在多种情景下的状态的特点,通过模型概率实时分配惯性数据和视觉数据的置信度,改进优化算法,从而提高位姿估计精度。实验结果表明,相比基于旋转不变特征点的实时定位构图系统第三代(ORB-SLAM 3)算法,该方法对定位精度的均方根(RMS)误差性能可提升17%。

自适应模型选用辅助的多种群进化算法

代理模型辅助的进化算法是求解目标函数评价昂贵优化问题的有效方法.在这类算法中,算法的搜索策略和填充采样策略是在有限评价次数下获得优化问题较好解的重要因素.为此,本文使用多种群搜索策略用于平衡种群搜索的多样性和收敛性,同时基于个体和训练样本之间目标函数值的距离自适应选择模型进行个体的目标函数值估计,以提高估值的准确度.为了验证算法的有效性,在CEC2005测试函数以及扩频雷达Polly编码优化设计问题上进行测试,并和现有求解昂贵优化问题的算法进行了结果对比.实验结果表明本文提出的算法在目标函数评价次数有限的情况下能够获得昂贵优化问题的较好解.

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。

锂离子电池模型参数辨识的改进自适应FFRLS算法研究

为了提高锂离子电池模型参数辨识的准确性和鲁棒性。以递归最小二乘法(FFRLS)为基础,采用了一种经过改进的自适应FFRLS算法,通过分数阶阶乘设计实现了对模型参数的逐步辨识。这种算法的特点在于其自适应性,能够更好地适应电池系统的非线性和复杂性。通过在不同工况下对锂离子电池模型进行参数辨识和研究得到了大量的实验数据。结果显示,相较于传统方法,改进的自适应FFRLS算法在处理电池系统的复杂性和非线性特性方面取得了显著的改进。通过优化算法,为电池管理系统提供了更为精确的模型。这对于改善对电池性能的监控和控制具有重要意义,有助于提高电池的使用寿命和安全性。

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。

基于并行自适应遗传算法的水文模型率定研究

【目的】参数率定是影响水文模型预报精度的重要因素,采用人工智能算法可以有效提高水文模型参数的率定效果。【方法】采用基于种群离散程度的自适应算子,对GA算法的交叉、变异和迁移过程进行自适应优化,并利用粗粒度并行计算模型提高种群进化效率,综合以上手段研究了一种基于自适应策略的并行遗传算法。将传统遗传算法(GA),串行自适应遗传算法(AGA)和并行自适应遗传算法(PAGA),应用于屯溪流域新安江模型的参数率定,从率定效率、率定收敛性、率定稳定性和率定效果四个方面,验证PAGA算法的综合性能。【结果】结果表明:PAGA算法的计算加速效果显著,在10核环境下相对于AGA算法计算时间减少了87.9%;在进化后期,PAGA算法能够更加稳定的收敛于最优解,收敛后的目标函数值具有更好的稳定性;在验证期的场次洪水模拟中,采用PAGA算法率定的模型模拟效果最优,总体洪水合格率大于90%,确定性系数均值为0.85。【结论】PAGA算法能够明显降低模型参数寻优耗时,改善模型率定效果和收敛性能,为水文模型参数的率定提供了新思路。

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。

基于优化蜂群算法的隐蔽性网络攻击行为自适应辨识模型

为了提高隐蔽性网络攻击行为的自适应辨识性能,有效地防范隐蔽性网络攻击威胁,保护网络系统的安全,提出一种基于优化蜂群算法的隐蔽性网络攻击行为自适应辨识模型。通过分析网络节点接收信号的能量变化,引入优化蜂群算法,定位隐蔽性网络攻击节点;利用小波变换计算网络攻击行为数据的信息熵,提取隐蔽性网络攻击行为特征;通过网络攻击行为的干扰抑制,分析隐蔽性网络遭到攻击的振荡衰减情况,判断攻击行为数据的噪声是否属于高斯噪声,实现隐蔽性网络攻击行为的自适应辨识。实验结果表明,文中模型能够辨识隐蔽性网络的攻击行为,对网络攻击行为的误识率均在5%以内,可以有效确定隐蔽性网络攻击节点的位置,降低网络攻击行为的误识率,提高网络安全性能。

一种基于抗差自适应的交互式多模型定位算法

针对无线传感器网络研究中距离信号传播过程存在的非视距现象,假定无线网络中的视距和非视距信道切换是一种具有两种状态的马尔可夫过程,提出了一种基于抗差自适应的交互式多模型算法,基于蜂窝网络到达时间和信号衰减值,利用抗差自适应扩展卡尔曼滤波器平衡交互式多模型中马尔可夫链的模式信任平衡,得到蜂窝网络中相应基站和移动站之间的平滑距离。仿真结果表明,在相同程度的非视距效应的环境下此算法具有良好的定位精度和稳健性,相较于基本交互式多模型算法其定位精度可提升15%以上,且随着非视距效应程度加深,其定位精度可提升至25%。

基于多神经元算法的旅游规划智慧交互模型研究

文章研究了神经元网络模型的多神经元算法,并基于该算法设计旅游规划智慧交互模型,建立旅游规划智慧交互系统,最后通过实验验证了算法的有效性。