基于改进自适应IMM算法的高速列车组合定位

针对列车高精度定位问题,该文提出基于改进自适应交互多模型(IMM)的高速列车高精度组合定位方法。首先,根据列车定位需求和各传感器特点,设计了卫星接收器、轮轴测速传感器、测速雷达以及单轴陀螺仪4种传感器的组合定位方案。然后,针对IMM融合滤波算法因先验信息不准导致固定参数设置不当的问题,引入Sage-Husa自适应滤波和转移概率矩阵(TPM)自适应更新集成为自适应IMM算法。针对多模型切换的滞后问题,利用子模型似然函数值能快速反映模型变化趋势的特点,将似然函数值设为判定标志,并引入判定窗对TPM矩阵元素进行修正,有效提升了模型的切换速度。最后,基于改进自适应IMM算法对4种传感器定位信息进行融合滤波,实现高速列车的高精度组合定位。仿真结果表明:改进后的算法相比其他自适应IMM算法提升定位精度1.6%~14.7%,并且能通过提高模型间切换速度来有效降低位置误差峰值,同时具备较好的抗噪性能。

具有参数自适应的交互式多模型算法

动态多模型估计 (SMME)广泛应用于结构和参数的不确定 /变化的估计问题中 ,比如目标跟踪和故障诊断与隔离 .然而由先验信息选定的滤波参数是模式切换与模式未切换情况下的折衷 .针对SMME ,本文通过在每个滤波循环开始处起始多个状态预测器实时地辨识滤波参数 ,包括模式切换概率和基于模型的过程噪声方差 .考虑到交互式多模型 (IMM)是SMME中比较有效的方法 ,我们将上述的参数辨识与IMM相结合 ,提出了一种自适应IMM(AIMM ) .在跟踪一个机动目标的仿真中 ,AIMM表现出了比IMM更高的估计精度 .

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。

基于个体适应值灰模型的交互式遗传算法

为将交互式遗传算法应用于复杂的优化问题中,提出一种基于进化个体适应值灰模型预测的交互式遗传算法,为每代适应值序列建立灰模型,以衡量个体适应值评价的不确定性,通过对灰模型的灰预测,提取进化个体评价的可信度,在此基础上,给出进化个体适应值修正公式,将该算法应用于服装进化设计系统中。实验结果表明,该算法在每代都能获取更多的满意解。

基于自适应容积卡尔曼滤波的交互多模型算法

ADS-B航迹处理主要包括航迹数据滤波和滤波后数据可靠性的判断。飞机飞行运动复杂,而报文需要在飞行过程中向外界发送,此时报文会受到来自外界的影响和干扰,从而使航迹信息出现误差或丢失。为提高ADS-B航迹报文的准确性,文章采用了交互多模型滤波算法,将自适应容积卡尔曼滤波器作为交互多模型滤波算法的滤波器,并将当前统计模型作为交互多模型的子模型。仿真结果表明,论文改进的算法提高了滤波算法的滤波性能,相较于传统的交互多模型滤波算法具有更高的滤波精度。

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目标跟踪算法

以防空火控系统的跟踪预测为背景,提出一种自适应的交互式多模型跟踪算法。该算法采用后验信息修正模型的噪声方差和马尔可夫转移矩阵,使IMM具有自适应能力。将该算法应用于由CA、CV两模型组成的交互式多模型算法中取得良好的效果。仿真结果表明,该算法跟踪精度比标准IMM有较大改善。

自适应交互式多模型算法改进探讨

交互式多模型算法是一种较为有效的机动目标跟踪算法。介绍交互式多模型算法的设计思想和算法结构,归纳几种自适应交互式多模型算法的特点及相互关系。通过分析自适应交互式多模型算法的不足,探讨自适应交互式多模型算法的改进问题。

基于模型概率的自适应交互式多模型算法

传统的交互式多模型算法中过程噪声协方差矩阵固定,不能很好地适应实际目标不同程度的机动。采用匀速和转弯运动模型集合,提出了一种基于模型后验概率的自适应交互式多模型算法。通过后验概率来自适应调整各模型中的系统过程噪声协方差矩阵,进而提高模型同系统运动模式的匹配程度;结合防空作战机动目标跟踪要求,通过典型目标机动仿真,同标准交互式多模型算法进行比较,验证了该算法的合理性和有效性。

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。

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。

交互式多模型算法性能分析

广泛应用于目标跟踪和故障诊断的动态多模型估计 (SMME)假设模式的切换服从马尔可夫过程 .对马尔可夫切换概率 (MTP)的非MonteCarlo分析有助于深入了解SMME的机理 ,发现参数寻优的法则 ,设计或发展新的自适应多模型估计器 .然而由于SMME的复杂性 ,非MonteCarlo分析很难给出 .本文针对SMM中著名的交互式多模型 (IMM)估计器 ,通过将IMM看作是输入交互和子滤波器串联 ,分析了具有m个参数的MTP矩阵 ,给出了六条不依赖于应用环境及子滤波器设计的结论 .部分结果也适用于一阶广义伪贝叶斯算法 (GPB1) .

交互式多模型算法过渡过程的仿真分析

交互式多模型(IMM)是混合估计理论中比较优越的算法。混合系统假设模式的切换能够瞬时完成。然而由于量测噪声和滤波系统惯性的作用,混合系统的模式切换具有过渡过程,对于实际运动模式切换存在漏检与误报。本文利用Monte Carlo仿真分析了两模型IMM算法过渡过程的滤波残差的统计特性,研究结果对于分析和改进算法具有重要的意义。

两级交互式多模型算法

在混合估计中 ,交互式多模型滤波器 ( IMM—— Interacting Multiple Model)以其优越的性能而受到广泛的研究 .由于马尔可夫参数的限定 ,交互式多模型在模型数较多时会出现精度下降 ,从而限制了它在高维参数空间建模的有效性 .利用模型集的概念 ,首次提出了双马氏过程的模型切换假设 ,从而构造出一种两级交互式多模型滤波器 .通过辨识系统噪声的多个统计参数比较了两级交互式多模型滤波器与常规交互式多模型滤波器 .结果表明 :对于大信噪比信源 (即小的量测噪声 ) ,两级交互式多模型滤波器与常规交互式多模型滤波器性能基本相当 ;而对于小信噪比信源 (即大的量测噪声 ) 。

基于半监督学习的变种群规模区间适应值交互式遗传算法

为了减轻用户疲劳并增强算法的搜索性能,本文在变种群规模交互式遗传算法的基础上引入协同训练半监督学习方法,提出基于半监督学习的变种群规模区间适应值交互式遗传算法.根据对大规模种群的聚类结果,给出标记样本和未标记样本的获取方法;结合半监督协同学习器逼近误差的改变,提出高可信度未标记样本的选择策略;采用半监督协同学习机制训练两个径向基函数(RBF)神经网络,构造精度高泛化能力强的代理模型;在进化过程中,利用代理模型估计大种群规模进化个体适应值,并根据估计偏差更新代理模型.算法的理论分析及其在服装进化设计系统中的应用结果说明了算法的有效性.

基于模糊交互多模型的机动目标被动跟踪算法

针对双观测平台纯方位测量的机动目标,提出了自适应归一化的模糊交互多模型算法。算法利用目标的方位信息,通过模糊推理机制自动调整过程噪声水平。提出了限定记忆归一化方法来自适应归一化模糊系统的输入变量,使得输入变量值始终保持在一个合理的范围内。仿真结果表明,与基于增长记忆归一化方法和经验法的模糊交互多模型算法相比,基于限定记忆归一化的模糊交互多模型算法的跟踪误差分别降低了9.56%和9.29%,能更好地跟踪机动目标的位置、速度和加速度。

基于参数自适应Jerk模型的IMMUKF算法

本文给出了一种利用参数自适应Jerk模型的IMMUKF算法,可用于跟踪非线性条件下做高度机动运动的目标。该算法在IMMUKF算法的基础上,引入Jerk模型,并针对Jerk模型中的参数--机动频率α人为设定的不合理性,对α进行建模,实现了对机动频率α的在线估计。拟合滤波过程沿用IMM算法的思想,各模型滤波采用UKF。最后,通过Monte Carlo仿真,对本文提出的算法和其他两种IMMUKF算法进行了比较,进一步验证了该方法的可行性和有效性。

基于期望模型的自适应IMM算法

针对固定结构交互式多模型算法在强机动目标跟踪过程中适应性不强的缺点,借鉴增加期望模型的变结构思想,提出了一种模型集自适应的交互式模型算法。根据滤波过程中获得的模型后验概率和模型似然函数,利用极大似然准则调整模型集中的部分模型,引导模型集向着更优的方向进化。蒙特卡罗仿真结果表明该算法比标准IMM算法适应性更强,跟踪精度更高,具有较高的工程应用价值。

强机动目标自适应变结构多模型跟踪算法

在强机动目标跟踪领域,采用传统基于固定模型集合的交互式多模型算法需要大量模型来描述目标机动,需要巨大的计算量,并且过多模型会带来不必要的模型竞争反而降低跟踪性能.为解决它所带来的问题,提出一种自适应变结构多模型算法,采用少量与目标运动模式相关的模型,在不同时刻根据目标当前机动水平自适应调整模型参数建立新的模型集合,并对其进行滤波估计.仿真结果显示该方法能更好的匹配目标运动规律,有效降低计算复杂度,提高跟踪精度.

基于坐标转换的卡尔曼交互式多模型滤波算法

为解决舰炮火控系统中在笛卡尔坐标系中测量信息的互相关性,分析了目前舰炮火控系统中所用到的坐标系及其坐标变换,在瞄准线坐标系内建立了自适应滤波的交互式多模型算法,能够充分利用跟踪传感器的量测信息,在卡尔曼滤波中具有较强的自适应能力,通过与标准交互式多模型算法的对比验证,自适应交互式多模型算法在计算精度上明显好于标准交互式多模型算法。