基于改进协方差自适应矩阵进化策略的永磁同步电机无传感器控制

针对永磁同步电机无传感器控制系统中搭载超螺旋滑模观测器(STSMO)的PID控制系统在改变工况时产生的伴随抖振的控制超调、转速波动等问题,提出了采用基于加入混沌扰动的改进协方差自适应矩阵进化策略(CMA-ES)算法优化转速环PID控制方法,抑制PID-STSMO控制系统的持续抖振和超调现象,增强永磁同步电机控制系统的鲁棒性。最后,通过MATLAB/Simulink软件对所设计的永磁同步电机无传感器控制系统在不同工况下仿真,验证了提出的观测控制策略的有效性。

基于动态反向学习的协方差矩阵自适应进化策略的经济调度优化

在电力系统中,针对用于解决多种燃料方案经济调度(economic dispatch,ED)算法收敛精度低的问题,提出了基于动态反向学习的协方差矩阵自适应进化策略(covariance matrix adaptation evolutionary strategy with dynamic opposition learning,CMA-DOL),旨在根据样本点的变化动态更新反向样本点的范围,提高样本多样性,防止陷入局部最优.本方法在分别由10、40、80个发电机组组成的3个测试系统上进行了验证,并与文献中的其他算法进行比较,对超过50次独立运行的结果进行统计度量,实验结果表明CMA-DOL可以获得更好的解决方案.

基于方差补偿AKF-BP的电解液式测斜仪精度提升研究

电解液式测斜仪广泛适用于测量土石坝、面板坝、岩土边坡、路堤、基坑等结构物的水平位移监测。为消除环境温度变化和测量噪声引起的电解液式测斜仪测量误差,进行了传感器温度实验,并对硬件本身、工作环境、数据采集三种测量误差影响因素和温度变化影响因素进行详细分析,提出了一种基于方差补偿自适应卡尔曼滤波(AKF)和BP神经网络(BPNN)的精度补偿模型;结果表明,补偿后的电解液式测斜仪水平位移的均方误差相较于补偿前平均降低了80%以上,从而有效减少计算水平位移的误差,极大提升了电解液式测斜仪的测量精度,可应用于电解液式测斜仪实际工程。

基于协方差矩阵自适应进化策略的机器人手眼标定算法

针对视觉传感器标定和机器人运动学求解过程中存在噪声干扰,导致传统的手眼标定算法求解误差较大的问题,提出一种基于协方差矩阵自适应进化策略(CMAES)的机器人手眼标定算法。首先,采用对偶四元数(DQ)对旋转和平移分别建立目标函数和几何约束,简化求解模型;其次,采用惩罚函数法将约束问题转化成无约束优化问题;最后,使用CMAES算法逼近手眼标定旋转和平移方程的全局最优解。搭建机器人、相机实测实验平台,将所提算法与Tsai两步法、非线性优化算法INRIA、DQ算法进行对比。实验结果表明:所提算法在旋转和平移上的求解误差和方差均小于传统算法;与Tsai算法相比,所提算法的旋转精度提升了4.58%,平移精度提升了10.54%。可见在存在噪声干扰的实际手眼标定过程中,所提算法具有更好的求解精度与稳定性。

自适应方差卡尔曼滤波视线角跳变抑制技术

红外成像制导导弹在识别红外诱饵弹前后会产生视线角跳变,引起制导指令突变,降低制导精度。以点源诱饵为对象,建立了视线角跳变模型,研究了视线角跳变的机理。针对视线角跳变引起脱靶量增加的问题,基于以当前统计模型为目标运动形式的传统卡尔曼滤波方法,设计了一种具有自适应方差的卡尔曼滤波器来提取视线角速度。仿真结果表明,在干扰影响下,传统卡尔曼滤波方法输出的视线角和角速度精度较差,具有自适应方差的卡尔曼滤波方法则能大幅提高弹目视线估计精度,提高导弹制导精度。

改善的LMS自适应算法在TDLAS甲烷检测的降噪研究

为进一步有效抑制检测系统的噪声,提高检测精度,研究了改善的最小均方差自适应算法在可调谐二极管激光吸收光谱甲烷浓度检测系统的降噪方法。通过基于TDLAS技术的matlab仿真实验,搭建的甲烷检测系统,选取1 653.72 nm的甲烷吸收峰位,分析LMS自适应算法中滤波阶数、步长因子和采样周期三者对噪声的关系,改善参数的选取以最佳的滤波效果进行降噪优化处理。研究表明在高频采样时刻收敛到最佳的滤波阶数和步长因子可对系统起到最优滤波效果。研究结果显示信噪比有效提升了94%,拟合优度R~2达到0.997,证明改善的LMS自适应滤波算法可以有效抑制噪声对二次谐波信号的影响。

基于子图分割和自适应噪音方差的2D移动机器人定位方法

基于子图分割和自适应噪音方差的2D移动机器人定位方法,不仅能有效地检测闭环,而且能更精准地估计移动机器人的位姿。首先,子图分割能够有效提高移动机器人的定位效率,通过匹配局部子图也能提高闭环检测的准确性,减少测量噪音的影响。与之前工作不同的是,根据2D几何特征点的个数来分割子图,使得子图中有足够的特征点,进而提高闭环检测的准确性。其次,在利用unscented卡尔曼滤波(UKF)模型时,使用自适应的噪音方差来估计移动机器人运动路径,使得每次UKF的预测方差与移动机器人当前环境有关,当检测到闭环时,通过UKF融合闭环定位信息,可以更准确地估计机器人位姿。在实验中,首先使用两组经典的移动机器人地图数据来比较基于特征点分割子图的方法与基于帧数分割子图的方法在闭环检测时的准确性;然后使用真实的移动智能车在室内环境进行实验,证明了自适应方差比常量方差有更高的定位精度。

基于多模型的非线性系统自适应最小方差控制

对于一类典型的离散时间非线性系统 ,提出了一种基于多模型的自适应最小方差控制方法 .通过在平衡点附近建立线性模型 ,用径向基函数神经元网络来补偿建模误差和未建模动态 ,形成了非线性系统的多模型表示 .采用了具有积分性质的切换指标函数作为切换法则和最小方差的控制方法构成了多模型自适应控制器 .仿真实验的结果表明了这种方法的有效性 .

自适应协方差控制的传感器分配算法

基于协方差控制策略设计的传感器分配算法,其协方差控制能力是评价算法性能优劣的重要指标,目前尚缺乏具体的性能度量标准来衡量这类算法的协方差控制能力,使得实际设计分配算法时缺少必要的参考。为此,该文建立了衡量算法协方差控制能力、传感器资源占用程度和算法稳健性等性能度量指标,并提出了一种自适应协方差控制的传感器分配算法,该算法通过引入新的优化目标函数,以达到提高算法协方差控制能力的目的。仿真结果表明,该算法的协方差控制能力要优于基于信息增益的分配算法,并且基本不受矩阵度量的影响,是一种稳健的传感器分配算法。

机动目标跟踪中一种机动频率和方差自适应滤波算法

在机动目标跟踪中,"当前"统计模型("Current"Statistical model,CS)需要预先依据经验设定机动频率和加速度极限值,当预先设定的值与目标的实际运动状态不一致时,将造成较大的跟踪误差。为克服上述问题,该文首先从"当前"统计模型的离散状态方程中,导出了一种机动频率自适应算法,然后对张安清及巴宏欣等人提出的加速度方差自适应算法进行了改进。仿真实验表明,在综合运用上述机动频率自适应和加速度方差自适应算法的基础上,对CS模型修改后,得到的机动目标跟踪自适应滤波算法(Mending CS based Adaptive Filtering algorithm,MAF),能够有效增强基于CS模型的机动目标跟踪自适应滤波算法(CS based Adaptive Filtering algorithm,AF)对目标运动状态变化的自适应能力,并且在低噪声环境下,跟踪精度比AF算法有所提高,算法收敛速度可达到AF算法的2倍,在强噪声环境下,目标机动阶段的跟踪精度提高近2倍,匀速阶段的精度与AF算法相当,算法的收敛速度可达到AF算法的4～10倍,因此,MAF算法具有较强的抗干扰能力。

一种改进的最小方差自适应时延估计算法在碰摩声发射定位中的应用

针对转子碰摩声发射信号在传播过程中因衰减和噪声影响而难以定位的问题,引入最小方差自适应时延估计(LMSTDE)算法.对传统的LMSTDE算法进行了改进,提出了将衰减系数与时间延迟同步迭代估计的LMSTDE算法.该算法增加了一个衰减系数估计器,利用估计值与参考值的误差将时延与衰减系数同时进行迭代估计.为了加快算法的收敛速度,对该算法还进行了变步长处理,提出了当估计值与参考值的误差较大时利用误差的梯度来调整步长,当误差较小时引入遗忘因子对误差信号进行加权从而确定新步长的方法.理论分析及实验结果表明,改进的LMSTDE算法能够收敛到真实值处,与传统LMSTDE算法相比,能显著提高算法在低信噪比时的性能,具有更快的收敛速度.

协方差矩阵自适应演化策略学习机制综述

基于协方差矩阵自适应(CMA)的演化策略算法(ES)是一种优秀的、不依赖于梯度信息的随机局部优化算法.基于CMA的学习机制使其对搜索空间的任意可逆线性变换具有不变性,对于病态的、高度不可分的问题有优秀的求解能力.CMA学习机制具有较强的数学理论基础,这对设计其他演化算法有很好的借鉴意义.本文旨在详细分析CMA-ES的各种学习机制,并给出其所依赖的主要理论基础.最后通过实验比较CMA-ES各种变体的优势与不足,并着重比较本文改进的CMA-ES变体与其它变体在性能上的差异.

基于自适应协方差矩阵进化策略的结构可靠度计算

自适应协方差矩阵进化策略(CMA-ES)算法是一种引导式随机优化算法,兼顾了深度搜索最优解和广度搜索解空间的能力。针对采用遗传算法(GA)、粒子群优化算法(PSO)等仿生优化算法求解复杂结构可靠度时往往遇到计算代价过高的问题,基于结构可靠度指标的几何涵义并结合验算点法,提出了结构可靠度计算的自适应协方差矩阵进化策略方法。研究结果表明,该方法是可行的,具有全局性好、收敛速度快的优点,与遗传算法、粒子群优化算法相比较,可大幅度地提高计算效率,为结构可靠度计算提供了一条新的途径。

求解全局优化问题的正交协方差矩阵自适应进化策略算法

针对协方差矩阵自适应进化策略(CMAES)求解高维多模态函数时存在早熟收敛及求解精度不高的缺陷,提出一种融合量化正交设计(OD/Q)思想的正交CMAES算法。首先利用小种群的CMAES进行快速搜索,当算法陷入局部极值时,依据当前最好解的位置动态选取基向量,接着利用OD/Q构造的试验向量探测包括极值附近区域在内的整个搜索空间,从而引导算法跳出局部最优。通过对6个高维多模态标准函数进行测试并与其他算法相比较,其结果表明,正交CMAES算法具有更好的搜索精度、收敛速度和全局寻优性能。

混沌协方差矩阵自适应进化策略优化算法

为了改进进化策略算法的性能,提出了一种混沌协方差矩阵自适应进化策略(ChaosCMA-ES)算法,该算法在协方差矩阵自适应进化策略(CMA-ES)算法的基础上引入了混沌算子,并利用其更新种群中心的位置,使得种群具备良好的全局搜索能力。试验结果表明,本文算法对复杂多峰函数的寻优效果好于其他几种算法。最后,将本文算法用于优化网络安全态势的预测模型,预测结果的精度高于其他方法。

基于DFT插值的线性约束最小方差宽带自适应阵列

本文提出一种具有频率不变波束图的线性约束最小方差宽带自适应算法。首先给出了具有频率不变波束图的连续线阵的灵敏度函数与离散线列阵加权系数之间的关系,然后给出了使用DFT插值法求解各子带阵列权系数的方法,最后将DFT插值法应用于线性约束最小方差宽带自适应阵列。理论分析及仿真结果表明,该算法可以在实现最小方差波束形成的同时保持波束图基本不随频率变化,且该方法可以降低宽带自适应阵列的运算量。

基于自适应同源方差控制的法庭自动说话人识别

提出了自动说话人识别系统得分到法庭证据强度量化值似然比的转换方法.为了更准确地评估嫌疑人的统计模型,提出了自适应同源方差控制算法,该算法能自适应地融合来自参考人群和嫌疑人的同源语音得分模型信息,降低了对嫌疑人数据量大小的需求.与基本识别系统相比的测试结果表明,使用该算法的识别系统不但具有更优良的识别性能和可靠性,而且提高了语音证据对判别结论的支持强度.

自适应协方差矩阵进化策略算法

自适应协方差矩阵进化策略(CMA-ES)算法是Nikolaus Hansen等人提出的一种新的进化算法,通过模拟自然界生物进化过程,达到寻优目的。多个测试函数结果表明,该算法具有全局性能好、寻优效率高的特点,为解决高计算代价复杂工程优化问题的求解提供了新的途径。

模型参数自适应的低复杂度ATPM-VSIMM算法

在机动目标跟踪中,针对交互式多模型算法使用固定模型集和固定转移概率矩阵导致跟踪精度下降的问题,提出模型参数自适应更新的低复杂度ATPM-VSIMM算法。所提算法根据系统新息变化情况来判断目标是否出现机动,从而调整模型集的状态噪声,实现模型集的自适应更新;然后,根据模型后验概率变化情况和模型间的相互切换关系,准确地计算出转移概率矩阵,从而提高系统运动模型和目标运动轨迹的匹配程度,保证跟踪系统具有滤波精度高和响应速度快的优点。从模型后验概率初值、转移概率矩阵初值和状态噪声三方面验证了所提算法的有效性。仿真结果表明,ATPM-VSIMM算法的空间位置跟踪精度比现有算法提高了8%左右。

集成协方差矩阵自适应进化策略与差分进化的优化算法

不同智能优化算法在求解优化问题时通常表现出显著的性能差异.差分进化(DE)算法具备较好的全局搜索能力,但存在收敛慢、效率低的不足,协方差矩阵自适应进化策略(CMA–ES)局部搜索能力强,具备旋转不变性,但容易陷入局部最优,因此,DE和CMA–ES之间具有潜在的协同互补能力.针对上述问题,提出了一种集成协方差矩阵自适应进化策略与差分进化的优化算法(CMADE).在CMADE框架中,DE算法负责全局搜索,CMA–ES算法进行局部搜索.通过周期性解交换机制实现CMA–ES和DE两个算法间协同交互和反馈控制.在解交换时,从DE种群中选择优秀个体,利用CMA–ES算法在优秀个体周围进行局部搜索.同时在DE和CMA–ES的混合种群中,综合考虑解的多样性和最优性,选取一定比例的解作为DE算法的新种群进行全局搜索,实现全局搜索与局部搜索的动态平衡.将CMADE算法与CMA–ES,DE,SaDE,jDE,EPSDE,ACODE和SHADE算法在CEC2014标准测试集上进行比较实验.结果表明,CMADE整体性能显著优于其它比较算法.