基于自适应记忆长度最小二乘参数估计的实时相位跟踪方法

针对电力系统实时相位跟踪问题,提出了基于自适应记忆长度的最小二乘参数估计方法。该方法直接观测三相电网电压矢量角度,并将电压相位角分解分成基波相角和由谐波或不平衡引起的相角偏离两部分,并以电网基波初相位角和角频率为参数来建立观测方程。以整周期相位误差平方和最小为目标函数,采用自适应记忆长度递推最小二乘法进行实时参数估计。试验结果表明,在各种电网畸变情况下,该方法都表现出良好的实时相位跟踪特性。

结合注意力机制与自适应记忆性融合网络的纺织品瑕疵检测

为了解决纺织生产工艺中瑕疵检测成本较高、精度较低、速度较慢等问题,文中提出结合注意力机制与自适应记忆性融合网络的纺织品瑕疵检测模型.首先,在YOLOv5骨干网络中引入改进的注意力模块,构建特征提取网络,增强模型对纺织品瑕疵特征的提取能力.然后,为了增强浅层定位信息的传递效应和有效缓解特征融合时产生的混叠效应,提出自适应记忆性融合网络,在提高特征尺度不变性的同时,将骨干网络中的特征信息融入特征融合层.最后,引入CDIoU(Control Distance Intersection over Union)损失函数,提高检测精度.在ZJU-Leaper纺织品瑕疵数据集和天池纺织品瑕疵数据集上的实验表明,文中模型具有较高的检测精度和较快的检测速度.

渐消记忆自适应滤波在传递对准中的应用

针对模型存在误差或状态突变下传递对准精度误差较大甚至发散等问题,提出了基于渐消记忆自适应卡尔曼滤波的传递对准方法,以设计的"速度+积分角速度"匹配模式为例进行仿真分析。仿真结果表明:基于渐消记忆自适应卡尔曼滤波的方法同经典卡尔曼滤波算法相比提高了传递对准的精度和收敛速度,是解决模型存在较大误差或状态突变下的传递对准问题的一种有效方法。

基于自适应渐消记忆的蓝牙序列匹配定位算法

针对传统指纹定位算法建库耗时长和定位精度低的问题,该文提出一种基于自适应渐消记忆的蓝牙序列匹配定位算法。首先,利用行人航迹推算(PDR)和最近邻算法(NNA)对运动序列进行位置标定和接收信号强度(RSS)映射;然后,根据邻近位置的相关性,采用序列递归搜索算法构建指纹序列数据库;最后,通过自适应渐消记忆算法,并结合初始序列匹配度实现位置估计。实验结果表明,该算法在室内环境下能够获得较低的建库时间开销以及较高的定位精度。

基于渐消记忆自适应滤波的船舶动力定位算法仿真（英文）

由于船舶在海上运动的复杂性和非线性,精确的船舶动力定位系统数学模型难以建立。为了实现有效的动力定位控制,需要应用一定的状态估计滤波算法得到所需的船舶运动低频信号。采用常规的Kalman滤波,状态变量的新测量值对预测值的修正作用下降,旧测量值的影响随着计算步数的累积而相对提高,这是引起滤波发散的主要原因之一。文章针对船舶动力定位系统中使用常规的Kalman滤波而存在的模型不精确、不能准确表达系统噪声和测量噪声等问题,采用渐消记忆自适应滤波估算低频运动信息,在状态估计算法中引入渐消记忆因子,减小旧测量值对状态估计值的影响权重,从而增大新测量值的作用;并根据滤波发散判断准则,选择适当的渐消记忆因子值来抑制滤波器的发散,使控制器输出较为平稳,从而降低推力系统不必要的能耗。仿真实验表明,所设计的自适应滤波器的收敛性、跟踪性优于常规的Kalman滤波,有效地提高了系统的定位精度和稳定性。

基于改进长短时记忆神经网络-自适应增强算法的多天气车辆分类方法

针对目前国内外车辆分类效果不理想和受天气影响较大的问题,本文中提出一种基于改进长短时记忆神经网络自适应增强算法(LSTM-AdaBoost)的多天气车辆分类方法,并提出一种“多层网格法”以准确地确定LSTM的超参数。首先建立地磁车辆检测系统平台和车辆分类方法,然后分析基于改进LSTM-AdaBoost的车辆分类结果,并对不同车辆分类方法和不同天气下的分类准确率进行了对比。结果表明,与最邻近结点算法和反向传播神经网络算法相比,本文所提出的方法具有较高的准确率,最高分类准确率为92.2%。暴雨、雾霾和晴天3种天气中,暴雨时的分类准确率最低,但差别不大,最大相差3.9个百分点。

基于记忆传递旗鱼优化的K均值混合迭代聚类

针对现有K均值聚类(KMC)算法受初始化影响较大,随机产生的聚类中心极易使聚类结果陷入局部最优而停止迭代,导致聚类精度低、鲁棒性差的问题,提出一种基于记忆传递旗鱼优化的K均值混合迭代聚类(MTSFO-HIKMC)算法.首先,借鉴已有改进思路,引入最大最小距离积来初始化KMC聚类中心,避免随机初始化带来的不确定性;同时,在迭代过程中,令当前最优解在局部进行自适应记忆传递修正,解决由于旗鱼算法搜索路径单一带来的全局寻优能力差和搜索精度不足的问题.利用Iris、Seeds、CMC和Wine国际标准数据集对MTSFO-HIKMC、旗鱼优化的K均值混合迭代聚类(SFO-KMC)算法、引入改进飞蛾扑火的K均值交叉迭代聚类(IMFO-KMC)算法、KMC算法和模糊C均值(FCM)算法进行比较测试,从得到的收敛曲线和性能指标可知,所提出的MTSFO-HIKMC算法相较于IMFO-KMC算法具有更快的收敛速度;在高维度空间较IMFO-KMC算法具有更高的搜索精度;相较于KMC和FCM算法具有更高的搜索精度;相比SFO-KMC算法在收敛速度和搜索精度方面都有明显提升,在高维数据集方面尤其明显.

常Q衰减介质分数阶波动方程优化有限差分模拟

本文基于Kjartansson常Q模型理论,推导了常Q衰减介质中黏声波和黏弹性波的速度-应力方程,并采用基于二项式窗函数的优化交错网格有限差分方法进行了数值模拟,同时引入不分裂的复频移卷积完全匹配层(CPML)吸收边界条件,以消除边界反射.使用基于自适应时间步长记忆方法的中心差分近似时间分数阶导数,与常用的短时记忆方法相比,提高了波动方程的离散化精度和计算效率.通过对比均匀模型下声波的数值解与解析解,验证了算法的精确性,并进一步分析了不同品质因子下地震波的频散及衰减特征.对BP盐丘模型的数值模拟结果可以较好地反映本文数值方法对复杂介质的适应性及频散压制效果.

基于改进的递归最小二乘法的滤波器研究

分析了基于递归最小二乘法(recursive least-squares,RLS)的自适应滤波算法,并针对非平稳环境下RLS算法跟踪能力差,导致误差大的问题,通过调节RLS算法中的指数加权因子λ,叠加一个自适应记忆,优化其跟踪性能。理论分析和计算机仿真均表明,带有自适应记忆的RLS算法具有较快的自适应跟踪能力和较好的稳态性能,优于其他算法。

水下声自导武器目标跟踪方法研究

水下声自导武器采用主动方式检测、跟踪目标时,目标跟踪过程表现为一个动基座时变过程,难以直接运用卡尔曼滤波进行目标跟踪。利用水下声自导武器导航定位及航行姿态参数和水下声自导武器检测到的目标信息,通过坐标变换将目标坐标从水下声自导武器坐标系变换到大地坐标系解决了观测基座运动的问题,通过每次观测时间实时计算每次观测的采样时间解决了观测时变问题,建立了基于自适应衰减记忆卡尔曼滤波的水下声自导武器目标跟踪模型,给出了滤波初值选取的工程方法,仿真实验证明该模型正确,跟踪算法能够在10次观测内实现对目标的跟踪,具有较强的机动目标跟踪能力,算法收敛速度较快。

分数阶时间导数计算方法在含黏滞流体黏弹双相VTI介质波场模拟中的应用

相对于整数阶导数,分数阶微分算子可以更简洁地描述具有历史依赖性和空间全域相关性的复杂力学和物理过程。但是对分数阶波动方程进行数值模拟,计算量和存储量均较大,尤其对长时间或大计算域的模拟更是如此。文中给出了3种计算方法:全局记忆法、短时记忆法、自适应记忆法,并将这3种方法应用于含黏滞流体黏弹双相VTI(横向各向同性)介质分数阶波传播方程正演。通过对比3种方法的模拟精度、计算时间及占用内存发现:虽然短时记忆法可以通过设置短时记忆长度来调整计算时间与所占内存,但是短时记忆长度越短,精度越差;而自适应记忆法在保证精度的前提下,是短时记忆法与全局记忆法在计算时间与占用内存两方面的折衷。最后对各方法的利弊进行总结,为后续正演模拟及新的分数阶数值算法开发提供方法上的参考。在正演过程中,不仅要使所建模型更贴近实际地下介质,还需对选取的数值算法在计算时间、计算存储量和精度之间进行利弊权衡,以得到一个比较合理的数值算法。

AMAUKF应用于无人机跟踪目标再捕获研究

无人机(UAV)在使用滤波器对目标跟踪时常遇到目标丢失情况,然而在目标丢失时使用一步估计代替估计值会对跟踪精度造成较大影响,鉴于此,将自适应衰减记忆滤波(AMAF)理论应用于无迹卡尔曼滤波(UKF)以提高再次捕获目标后的跟踪精度;新的滤波器命名为自适应衰减记忆卡尔曼滤波(AMAUKF);在此基础上设计了滤波流程和计算机仿真实验,结果表明新的滤波器不但缩短了收敛步长,而且提高了跟踪精度。