基于UKF-SOFNN的近距机动目标跟踪滤波算法

对于多目标杂波环境中的机动目标跟踪,由于目标集群中各个目标间的空间距离可能小于探测器的空间分辨率,因而可能出现误跟、诱饵欺骗与杂波虚警等一系列严重后果。对此,提出一种综合运用UKF(不敏卡尔曼滤波)和SOFNN(自组织模糊神经网络)的UKF-SOFNN滤波跟踪算法,将机动目标模型视作严格的非线性系统,利用UKF-SOFNN对非线性参数的辨识能力提高对锁定机动目标的跟踪能力。仿真实例表明,该算法能有效地辨识目标群中的目标,并进行可靠的跟踪。

基于粒子滤波的自组织模糊神经网络算法研究

为了得到结构更加紧凑、泛化性能更强的自组织模糊神经网络,提出了基于粒子滤波(particle filter,PF)的自组织模糊神经网络训练算法。其能够对模糊规则进行自动生成和增删。文中给出了模糊规则生成准则,应用误差率下降方法作为模糊规则增删策略,删除作用不大的规则。建立了以隶属函数宽度参数为状态,以理想输出为量测的动力学模型,利用PF对参数进行了学习。最后,对两个实例进行了仿真,从仿真结果可以看出,与D-FNN、SOFNN、EKF-SOFNN等算法相比,其在结构紧凑性以及泛化性能上都得到了提高,从而证明了PF-SOFNN的有效性。

基于UKF的自组织直觉模糊神经网络

模糊集在语义描述上存在不足,因此,如何对模糊神经网络进行扩展是当前模糊神经网络研究的热点,针对这一问题,本文提出了基于UKF的自组织直觉模糊神经网络.首先,给出了直觉模糊神经网络的结构和各层的含义;其次,推导了直觉模糊神经网络的学习算法,用LLS和UKF分别学习线性和非线性参数;然后,给出了模糊规则生成的准则,并用误差下降率方法作为规则修剪的策略,删除作用不大的规则;最后,通过典型的函数逼近、系统辨识和时间序列预测实例,表明本文算法得到的直觉模糊神经网络的结构更为紧凑,泛化性能也更佳.

基于UKF的自组织模糊神经网络训练算法

如何生成最优的模糊规则数及模糊规则的自动生成和修剪是模糊神经网络训练算法研究的重点,针对这一问题,提出了基于无迹卡尔曼滤波(unscented Kalman filter,UKF)的自组织模糊神经网络的训练算法。分析了模糊神经网络的非线性动力系统表示,并用递推最小二乘法(recursive least square,RLS)和UKF分别学习线性和非线性的参数,给出了模糊规则生成的准则和参数更新的策略;然后,用误差下降率方法作为模糊规则修剪的策略,删除作用不大的规则。通过典型的函数逼近和系统辨识实例,表明所提算法得到的模糊神经网络的结构更为紧凑,泛化性能更佳。

基于平淡粒子滤波的自组织模糊神经网络算法

提出一种基于平淡粒子滤波(UPF)的自组织模糊神经网络(SOFNN)训练算法——UPF-SOFNN。分析了基于误差下降率的模糊规则增删策略和神经元增加和删除准则,建立了以隶属函数宽度参数为状态,以理想输出为量测的动力学模型,并利用UPF对神经元参数进行学习。分别以非线性系统函数逼近和系统辨识为例,对UPF-SOFNN算法进行了仿真验证,表明UPF-SOFNN算法具有更紧凑的结构和较强的泛化性能。