高等学校岗位绩效工资实施策略研究

在非线性条件下，扩展Kalman滤波(EKF)的应用最为广泛。但是，由于它采用了Taylor展开的线性变换来近似非线性模型，因而存在计算量大、实时性差、估计精度低等缺点。粒子滤波(PF)用一些带有权值的随机样本(粒子)来表示所需要的后验概率密度，并通过这些粒子的加权来估计目标运动的状态，从而得到基于物理模型的近似最优数值解，具有精度高、收敛速度快等特点。通过仿真实验将PF与EKF的性能进行了对比，并且研究了噪声协方差与粒子数对PF的影响。PF与EKF的对比实验结果表明，在强非线性条件下，PF比EKF跟踪精     

基于S-D分配的集中式多传感器不敏滤波算法

研究了非线性环境中的集中式多传感器多目标跟踪问题,提出了一种基于S-D分配的集中式多传感器不敏滤波算法。算法通过广义S-D分配技术实现每个传感器中的量测与目标的数据关联,求得所有可能互联中的最佳划分,然后按照顺序多传感器联合概率数据互联算法,依次处理最佳划分中各传感器源于同一目标的量测,在此基础上通过不敏卡尔曼滤波(UKF)解决非线性系统中的目标跟踪问题。最后给出了该算法与MSJPDA/EKF算法的仿真比较,结果表明该算法具有更高的稳定性和跟踪精度。     

PMSM中基于改进BFO算法的无传感器速度控制方案

针对永磁同步电机(PMSM)矢量控制系统中传统PI速度控制器性能较差的问题,提出一种结合改进型细菌觅食优化(IBFO)算法和分数阶PI控制器的无传感器速度控制方案。首先,利用分数阶PI控制器代替传统PI控制器提高对时变、非线性控制系统的控制性能;然后,对传统BFO算法进行改进,通过融入粒子群优化算法中的信息共享机制,根据个体最优和全局最优来更新细菌位置;最后,以速度控制稳定性和超调量作为适应度函数,通过IBFO算法来优化分数阶PI控制器的参数,以获得最佳控制性能,并通过扩展卡尔曼滤波器(EKF)来估计电机实际转速。实验结果表明:与传统方法相比,提出的控制方法能快速且稳定地控制电机转速,具有较高的应用价值。     

一种改进的高斯粒子滤波室内节点跟踪算法研究

粒子滤波器(PF)是非线性估计领域一个重要方向。为了避免粒子失去多样性的问题,基于启发式优化算法的思想,提出了一种新的引力高斯粒子滤波算法(GSA-GPF)并将该算法用于室内节点轨迹跟踪问题。在使用高斯粒子滤波器(GPF)估计出粒子分布及权重后,采用引力搜索算法使粒子向高似然区域移动,增加了有效粒子数,同时,GSA-GPF避免了PF中重采样过程的缺陷,减小了粒子多样性的损失。仿真结果表明:GSA-GPF有效地抑制了常规PF的发散现象,在少量粒子数的情况下,将其跟踪误差减小了约64.1%,并且与粒子群优化的GPF相比,保持了更好的滤波精度。     

基于双渐消因子调节的自适应卡尔曼滤波器

针对传统卡尔曼(Kalman)滤波器鲁棒性差,无法实时精确跟踪系统突变状态的问题,设计了一款双渐消因子调节的自适应Kalman滤波器。算法分析了突变状态无法精确跟踪的原因,在传统Kalman滤波器的基础上,引入双渐消因子,优化预测协方差,实时激活滤波增益,调节量测新息在状态估计中的贡献度。借鉴新息正交性定理,依据Sage开窗估计原理与加权最小二乘准则,建立了双渐消因子的函数解析式。基于滤波发散判据,分析了储备系数与量测新息协方差之间的关系,构造了函数边界条件。实例研究表明,自适应Kalman滤波器鲁棒性强,能够精确跟踪系统突变状态,状态收敛速度优于抗差Kalman滤波器,稳态精度提升了44.76%。     

基于整车卡尔曼观测器的主动悬架控制研究

改进天棚控制策略可兼顾乘坐舒适性及轮胎接地性。为了获得改进天棚控制所需的各悬架速度信号,建立了整车七自由度模型,并将整车状态方程进行离散化。基于卡尔曼滤波算法设计了改进天棚控制下的整车卡尔曼观测器。卡尔曼观测器根据整车中加速度信号估计出各悬架顶端的绝对速度以及各悬架的相对速度,通过仿真验证了卡尔曼观测器的估计精度。在此基础上,将卡尔曼观测器估计的速度信号输入至改进天棚控制策略中从而对悬架进行控制,结果表明:带卡尔曼滤波的改进天棚控制能够大幅度提高车辆的乘坐舒适性。     

航位推算系统非线性过程处理新方法研究

针对航位推算系统中利用扩展Kalman滤波方法解决非线性问题在算法复杂性上的缺陷和精度上的不稳定性,该文从数据预先处理的角度出发,合理规避线性化过程,提出一种充分利用现成Kalman滤波公式的方法,即数据进入滤波器之前就预先进行处理,获得每一组量测值,按照极坐标-笛卡儿坐标的转换方式转为相应的位置信息,再按照标准的Kalman滤波公式构建滤波器,进行状态的最优估计。计算机仿真结果证明该算法的有效性。     

基于模糊神经系统的多传感器数据融合算法

将自适应模糊神经推理系统(ANFIS)和卡尔曼滤波器应用于目标跟踪系统中,构成多传感器数据融合算法。该算法假设在目标运动过程中,过程噪声和测量噪声是相互独立的高斯白噪声序列。使用ANFIS分别对目标的加速度和测量噪声的方差进行估计,通过卡尔曼滤波器获得目标后验状态,最终由神经网络对多传感数据进行融合得到系统输出。仿真结果表明,该算法可以通过自适应调整跟踪参数有效地防止目标丢失。     

一种新的单站被动跟踪方案

在被动跟踪系统中,只利用测向技术不能快速、高精度地跟踪目标,此外使用传统的EKF算法进行跟踪滤波,得到的误差较大,容易产生发散现象。该文提出利用相位变化率和SR-UKF算法相结合的方案,有效克服了上述问题,大大提高了跟踪的速度和精度,滤波器的稳定性也得到增强,跟踪性能得到提高,其有效性通过仿真得到了证明。     

基于SRCDKF的交互式多模型算法

给出了一种基于平方根中心差分卡尔曼滤波的交互多模型(IMM)算法.该算法较好地解决了非线性条件下机动目标跟踪的问题,可获得比基于扩展卡尔曼滤波(EKF)的IMM算法更好的数值稳定性、计算精度和收敛速度,还避免了复杂的Jacobi矩阵运算.Monte Carlo仿真验证了该算法的可行性和有效性.     

无线传感器网络下的并行粒子滤波目标跟踪算法

针对无线传感器网络环境下目标跟踪问题,提出一种基于分布式并行粒子滤波的目标跟踪方法。在建立了网络动态分簇模型和目标运动模型的基础上,将并行粒子滤波算法应用于动态目标进行跟踪。算法通过多个感知节点并行的运行局部粒子滤波器,得到每个节点对目标状态的估计,动态成簇的簇头节点对簇内每个节点的信息进行融合,形成动态目标的状态估计,提高了目标跟踪的精度。同时通过动态簇头之间的目标状态信息的交换,实现了运动目标的动态连续跟踪。仿真结果表明,算法实现了运动目标协作跟踪,与集中式结构目标跟踪相比,跟踪精度提高了30%。     

GPS／DR汽车自主导航中的卡尔曼联邦滤波算法

汽车的自主导航在当今社会越来越普遍和重要,对导航系统的精确性也有了更高的要求。为此,人们将各种导航系统组合起来形成组合导航系统,使其扬长避短,以达到最好的精度．其中GPS／DR就是一种组合方式,本文就是利用卡尔曼联邦滤波算法将它们的信号最优组合,输出具有较高精度的导航信息。     

广义合作目标跟踪的误差空间估计方法

提出了广义合作目标的概念及误差空间估计方法,提高了光电跟踪系统的跟踪精度与平稳性。该方法采用引导数据与引导误差描述目标的运动,通过将目标的机动分散到引导数据和引导误差,在目标状态空间中根据目标的运动模型进行滤波,在误差空间中根据引导误差模型进行滤波与预测,再进行合成得到目标位置预测数据。实验结果表明在相同的机动水平下,该方法的跟踪性能优于Kalman滤波与强跟踪滤波。     

一种用于OFDM系统的信道冲激响应检测算法

提出了一种基于双滑动窗的检测算法,对信道冲激响应(CIR)进行检测。在采用相干解调的正交频分复用(OFDM)系统中,信道估计的精度对接收机性能有着重要影响。传统的OFDM时域CIR估计算法通常采用简单的门限检测,在检测小功率成分时,由于受噪声影响,容易发生误检或漏检,导致估计精度降低。该文在研究小功率CIR成分产生原因与分布特征的基础上,提出了一种改进的检测算法,并对检测性能进行了理论分析和仿真。仿真结果表明,该算法能够有效提高信道估计精度,改善系统误码性能。     

磁浮列车测速定位中的信息融合研究

将信息滤波融合理论引入中低速磁浮列车测速定位领域,在交叉感应回线的测速定位基础上增加雷达测速定位传感器和查询应答器,以交叉感应回线和雷达传感器实现相对定位,以查询应答器实现绝对定位,从而得到多传感器信息融合测速定位,可以显著提高中低速磁浮列车测速定位的精度和可靠性。最后采用MATLAB仿真对结论进行了验证。     

基于RBF神经网络的MEMS惯性传感器误差补偿方法

传统的微机电系统(MEMS)惯性传感器误差补偿技术通常采用多元线性回归误差模型,未考虑传感器误差的非线性特性,不能实现精确的误差补偿。针对以上问题,提出了一种基于径向基函数神经网络的微惯性测量单元误差补偿模型,将MEMS惯性传感器三轴测量值和真实值作为样本,对网络进行训练,利用训练好的网络对MEMS加速度计和陀螺仪进行误差补偿。实验结果表明:与多元线性回归误差模型相比,神经网络对惯性传感器具有更好的降噪滤波效果;且基于径向基函数神经网络的惯性传感器误差补偿精度较另外2种模型提升了1～2个数量级。所提方案能够有效地补偿MEMS惯性传感器误差。     

纯方位系统定位与跟踪的加权法数学模型

基于多方位一初距最小二乘滤波,对纯方位系统单目标定位与跟踪问题,给出了加权搜索法;并进行了具体算法设计,对不同航路进行了大量仿真实验,验证了理论的正确性。     

一类非线性离散系统的复合DOBC和饱和控制

研究了一类带有干扰的非线性离散系统的抗干扰控制问题。针对外部干扰,设计了干扰观测器进行估计;针对系统中的饱和项,设计饱和控制器来消除饱和的影响。在此基础上,提出了基于干扰观测器的控制( DOBC)和饱和的复合控制策略,解决了一类非线性离散系统抗干扰控制问题。     

一种改进的低压电力线载波通信压缩感知信道估计方法

针对低压电力线通信信道多径传输的特点,建立了低压电力线载波通信多径信道传输特性的数学模型。结合正交频分复用(orthogonal frequency division multiplexing,OFDM)技术强大的抗干扰和抗频率选择性衰落的特点,提出了一种基于压缩感知(compressed sensing,CS)的广义正交匹配追踪(generalized orthogonal matching pursuit,GOMP)改进算法。该算法以傅里叶基作为稀疏基,将傅里叶变换的共轭对称性与原子选择的相关性相结合。仿真结果表明:改进算法和最小二乘(least square,LS)算法等传统方法相比有更好的估计性能;和其他压缩感知算法相比,能克服稀疏度未知的缺点,并在原子选择方面进行了优化,提高了信道估计的精度和效率,为低压电力线载波通信系统提供更加优化、稳定的信道估计方案。     

利用迭代滤波改进乘积高阶模糊函数

乘积高阶模糊函数(PHAF)是因分析mc-PPS而提出来的,但它抑制交叉项的能力有限,难以实现mc-PPS估计。该文提出了逐次滤除最强PHAF峰对应的分量来减少交叉项的迭代滤波方法,改进后的PHAF具有较好的鲁棒性:减少了估计盲区,并且具有更好的估计精度,降低了信噪比门限,而且能估计低阶相位系数,这些性能由多个mc-PPS仿真例子所验证。