基于迭代中心差分卡尔曼滤波的飞机姿态估计

在飞机姿态估计中,系统模型非线性严重、初始估计误差大和可观测性弱等固有缺陷使得对估计算法的精度要求更高。针对这一问题,给出了一种基于迭代中心差分卡尔曼滤波(ICDKF)的飞机姿态估计方法,并将其应用于由低精度高噪声传感器组成的低成本飞机姿态估计系统。首先建立基于四元数的飞机姿态数学模型,然后用ICDKF方法进行姿态估计,并通过实测数据进行验证。实验结果表明,ICDKF不仅有效地提高了飞机姿态估计的稳定性、收敛速度和滤波精度,而且无需计算雅克比矩阵,实现简单,其性能明显优于标准CDKF和EKF方法。

迭代中心差分粒子滤波的SLAM算法

为了提高SLAM算法中的位姿估计精度,通过在广泛使用的RBPF粒子滤波器中,利用迭代中心差分卡尔曼滤波器(ICDKF)来代替其中的扩展卡尔曼滤波器(EKF),并融合新的观测数据使提议分布更加接近后验概率分布,并且能够精确估计智能车辆的位姿,进而采用ICDKF算法更新特征地图的位置.该算法在保证定位精度的同时减少了计算的复杂度,提高系统的估计性能,增加了迭代算法的稳定性.仿真实验结果验证了迭代中心差分粒子滤波SLAM算法的有效性.

基于局部阈值和聚类中心迭代的肺结节检测算法

肺部疾病通常以肺结节的形式表现出来。为了对肺部疾病进行诊断治疗,需要对肺结节进行准确的检测。提出了基于局部阈值和聚类中心迭代的肺结节检测算法。首先,对肺实质图像采用局部阈值算法,提取感兴趣区域(ROIs),并且计算ROIs的形态特征、灰度特征和纹理特征;其次,结合规则、聚类中心迭代和欧式距离,对ROIs进行分类。实验结果表明,所提算法能够较好地检测出孤立性结节、低对比度结节和粘连肺壁结节。

近邻中心迭代策略的单标注视频行人重识别

为解决视频行人重识别数据集标注困难的问题,提出了基于单标注样本视频行人重识别的近邻中心迭代策略.该策略逐步利用伪标签视频片段迭代更新网络结构,以获得最佳的模型.针对预测无标签视频片段的伪标签准确率低的问题,提出了一种标签评估方法:每次训练后,将所选取的伪标签视频片段和有标签视频片段特征中每个类的中心点作为下一次训练中预测伪标签的度量中心点;同时提出基于交叉熵损失和在线实例匹配损失的损失控制策略,使得训练过程更加稳定,无标签数据的伪标签预测准确率更高.在MARS,DukeMTMC-VideoReID这两个大型数据集上的实验验证了该方法相比于最新的先进方法,在性能上得到非常好的提升.

时间域瞬变电磁法中心方式全程视电阻率的数值计算

给出了一种时间域瞬变电磁法视电阻率的数值计算方法 ,利用该方法可以容易地求出中心方式的全程视电阻率 .根据中心方式磁场垂直分量时间变化率 Bz T的核函数Y′(Z)的表现特征 ,以参数Z把整个瞬变过程分为早期阶段 (Z >1.6 )、早期到晚期的转折点 (Z =1.6 )和晚期阶段 (Z <1.6 ) .首先分别得到早期视电阻率和晚期视电阻率的精确值 ,然后通过转折点构成一条完整的全程视电阻率曲线 .虽然磁场垂直分量Bz 的核函数Y(Z)是参数Z的单值函数 ,但同样存在一个从早期到晚期的转折点Z =1.6 ,转换点两边仍然可以得到一条早期曲线和一条晚期曲线 .在数值计算中 ,当迭代步长ΔZ <0 .0 0 5Z时 ,视电阻率的相对误差小于 0 .5 % .理论模型和实际数据计算表明 ,与早期和晚期近似值比较 ,全程视电阻率具有更高的精度和分辨率 .

基于LLC变换器的变权重DFC光伏MPPT算法

太阳能具有清洁、可持续等优势,被广泛应用于光伏发电,而最大功率点追踪(MPPT)是光伏发电的关键技术。针对基于LLC变换器脉冲频率调制(PFM)控制的中心点迭代MPPT法迭代次数过多,导致追踪速度较慢的问题,此处提出一种变权重直接频率控制(DFC)光伏MPPT算法,通过对比中心点迭代法和不同权值迭代法的光伏功率和开关频率曲线,在中心点迭代法的基础上增加了每次迭代的权重因子,根据划分的区域及对应点的dP/df,确定每次迭代的权重因子的值,实现快速MPPT控制。试验结果表明,所提变权重DFC法较传统中心点迭代法在进入最大功率点范围过程中迭代次数少,提高了追踪速度和稳态精度。

基于迭代超中心度的MOOC论坛用户知识互动超网络研究

【目的】更好地反映MOOC论坛参与者的活跃水平以及论坛主题的质量,以提高学员的论坛参与度,发挥MOOC社会效应。【方法】提出超网络下"迭代超中心度"概念和算法,通过多次迭代,直至收敛,将整个网络的节点考虑在内,以更全面地反映出不同节点的重要性与影响力。【结果】传统网络指标揭示的信息有限,点度小的节点,其重要性与影响力可能大;点度相同的节点,重要性与影响力也会不同。迭代超中心度全面衡量节点的重要性,在MOOC中更能反映出节点推动知识流动的能力。【局限】数据量比较少,只对一门课程进行分析,没有从更多的超网络指标进行分析。【结论】"迭代超中心度"可以揭示出论坛参与者的活跃水平以及论坛主题的质量,可以作为一种改进论坛设置的评价指标。

基于CDKF滤波算法的智能车组合定位技术的探讨

提出了一种新的CDKF滤波算法,用此算法来替代扩展卡尔曼滤波器算法,由此迭代更新其观测到的数据,目的是提高智能车系统的定位精度,使提议分布更趋近于后验概率分布,并且能够准确估算智能车的位姿进而对其位置进行特征地图更新。此算法的优越性在于既能保证智能汽车定位精度,又能减少计算复杂度。由于车辆系统估算性能得到提高,使得粒子滤波算法稳定性获得增强。

ICDKF在SINS大方位失准角初始对准中的应用

针对大方位失准角捷联惯性导航系统误差模型非线性的特点,利用基于迭代测量更新的中心差分卡尔曼滤波(iterated central difference Kalman filter,ICDKF)方法进行初始对准。与传统的非线性扩展卡尔曼滤波相比,ICDKF不仅能够提高滤波精度,而且不需要模型的具体解析形式,避免了复杂的雅可比矩阵的推导;同时ICDKF通过迭代测量更新,提高了目前存在的中心差分卡尔曼滤波的估计精度。仿真结果进一步表明ICDKF算法的可行性与优越性,能够满足初始对准的要求。

双中心组合迭代抑制式模糊C-均值聚类图像分割算法

针对抑制式模糊C-均值聚类算法应用于灰度图像分割时出现收敛速度较慢和像素误判的问题,通过挖掘图像同质区域内像素间的相关性与分析像素位置对类别判定的影响,提出一种双中心组合迭代抑制式模糊C-均值聚类图像分割算法.首先在图像上经选点、扩展、提取等环节优选出较好的初始聚类中心;然后按该中心分别查找图像中灰度值与其相等的像素位置并遴选产生隐藏中心;其次采用负指数函数对像素位置与隐藏中心之间的欧氏距离进行归一化,得到位置特征;接着在对该特征赋权后直接修正模糊划分矩阵;最后结合抑制式思想进一步减少算法的迭代次数.与现有的多种相关算法进行对比,实验结果表明,所提出算法在获得致密且分离性较好聚类的同时,能够改善图像分割的准确率和执行效率.

基于ISRCDKF的移动机器人同时定位与建图研究

为解决移动机器人在同时定位和建图(Simultaneous localization and mapping,SLAM)技术中普遍存在状态精度不高、稳定性差、计算复杂等问题,提出一种基于迭代平方根中心差分卡尔曼滤波(Iterated square root central difference Kalman filter,ISRCDKF)的SLAM自主定位算法,以满足SLAM过程中的实时性、准确性等要求。该算法使用中心差分变换处理SLAM的非线性问题,避免了泰勒公式展开中雅可比矩阵复杂运算;同时在滤波更新过程中,通过直接传递协方差矩阵的平方根因子减少算法的复杂度;在迭代观测更新过程中,使用列文伯格-马夸尔特(Levenberg-Marquardt,L-M)优化方法引入调节参数,实时修正协方差矩阵,达到提高算法精度、增强稳定性的目的。仿真结果表明,在相同的数据模型和噪声环境下,本文提出的ISRCDKF-SLAM算法与基于扩展卡尔曼滤波(Extended Kalman filter,EKF)的SLAM算法、无迹卡尔曼滤波(Unscented Kalman filter,UKF)的SLAM算法和容积卡尔曼滤波(Cubature Kalman filter,CKF)的SLAM算法相比,均方根误差分别降低了47.3%、32.7%和25.0%;与相同计算复杂度的UKF-SLAM算法和CKF-SLAM算法相比,新算法的运行时间分别减少了15.1%和10.8%。将新算法嵌入到移动机器人平台进行现场实验验证,进一步证明了该算法的实用性和有效性。

一种基于可达距离的模糊C均值聚类算法

设施选址对提高居民生活质量至关重要,利用地理可达相似性聚类对空间元素进行分类是求解此类问题的重要方法。然而,现有的应用于地理可达性分析的聚类算法存在地理可达性测度不准确、不涉及簇中心选取或簇中心不可达等缺陷,不能有效求解真实场景下的设施选址问题。基于此,本文提出一种基于可达距离的模糊C均值聚类算法(Fuzzy C-Means based on Reachable Distance,FCM-RD)。FCM-RD算法改造了经典FCM算法的目标函数、隶属度函数和簇中心函数,使其适用基于可达距离的聚类分析。其次,以沿路网的最短路径距离作为可达距离衡量元素间的地理可达相似性,将聚类元素的二维地理坐标映射为路网坐标,并以此设计簇中心迭代机制,实现在聚类过程中以可达距离迭代不受约束的可达簇中心。同时,对所提簇中心迭代机制的有效性进行理论分析和实验验证,结果表明,FCM-RD算法在每次迭代中所选的各簇簇中心唯一且为当前簇类目标函数最小值点。最后,基于真实地理场景的仿真实验表明,相比基准算法,FCM-RD不仅能获得位置不受限的可达簇中心,而且能获得更好的聚类效果,为实际场景下的地理空间聚类方案提供了有效且精准的解决方案。