预测结构性能退化的混合粒子滤波方法

由于载荷,环境以及材料内部因素的作用,结构的性能一般随时间而逐渐退化. 为了评估结构服役期间的状态,常采用随机变量模型来描述结构性能的退化规律. 即,采用含不确定性模型参数的物理模型来逼近结构响应特性. 利用同类型结构的先知数据集信息可确定模型参数的先验分布. 结合结构服役期间的检测信息和贝叶斯原理,对模型参数进行更新,从而提高物理模型的准确性. 本文提出一种混合粒子滤波方法(particle filter-differential evolution adaptive Metropolis,PF-DREAM)用于模型更新,即:在确定参数先验分布时,采用证据理论(Dempster-shafer theory, DST)初始化模型参数;结合差分进化自适应 Metropolis 算法(differential evolution adaptive Metropolis, DREAM)和粒子滤波(particle filter, PF)算法,来计算更新公式中的复杂的高维积分. 相比于传统的 PF 算法,混合 PF-DREAM 方法可以有效提高样本粒子的多样性,解决重采样算法中粒子多样性匮乏的问题,从而得到更加合理的物理模型. 为了证明该方法的有效性,将提出的方法分别应用于电池性能退化和裂纹扩展规律预测. 算例表明采用本文提出的模型参数确定方法,使得物理模型更加合理,性能预测更加准确. 用于更新的数据越多,模型参数的分散性越小. 本文方法应用于高维问题或隐式函数问题时,计算原理和步骤不发生改变,但函数评价次数和计算时间会随之增大.      

基于粒子滤波的微小卫星姿态确定算法

为了提高非线性卫星姿态控制系统的滤波性能,在建立了采用磁强计及太阳敏感器的卫星姿态模型的基础上尝试了新兴的粒子滤波(PF)算法对卫星系统进行姿态估计,进而对采用矢量观测的三轴稳定卫星的姿态确定问题进行了滤波算法的实时仿真,并将四元数转换成旋转矢量引入了粒子滤波算法,最后给出了卫星模型在不同粒子数目下的滤波性能比较,并在系统初始误差较大的情况下将粒子滤波算法与EKF滤波算法进行了滤波性能的对照。仿真结果表明,粒子滤波算法对粒子数目具有明显的依赖性,但是当粒子达到一定的数目时,粒子滤波的精度以及滤波稳定性都可以得到保证,尤其是在系统初始误差较大的情况下粒子滤波算法更显示了其优于EKF算法的滤波性能。     

权值自适应调整Unscented粒子滤波及其在组合导航中的应用

针对粒子滤波存在的重要性密度函数难以选取和粒子退化问题,提出了一种新的权值自适应调整Unscented粒子滤波算法。该算法在Unscented粒子滤波的采样过程中吸收权值自适应调整的优点,考虑最新量测影响,通过欧氏距离和反映量测噪声统计特性的精度因子来自适应的调整粒子对应权值分布,增加有用粒子的权值,降低粒子退化程度,保持粒子多样性。同时Unscented变换提高了滤波精度,使该算法能更好地适用于非线性、非高斯系统模型的计算。将提出的算法应用于GPS/DR组合导航系统进行仿真验证,结果表明,提出的权值自适应调整Unscented粒子滤波算法得到的东向定位误差控制在±5.5 m附近,北向定位误差则在±5.2 m附近,滤波性能明显优于扩展卡尔曼滤波和Unscented粒子滤波,能提高GPS/DR组合导航系统解算精度。     

抗差自适应插值粒子滤波及其在组合导航中的应用

针对粒子滤波存在的粒子退化和重要性密度函数难以选取的问题,在吸收抗差自适应滤波、二阶插值滤波和粒子滤波算法优点的基础上,提出了一种新的抗差自适应插值粒子滤波算法。该算法利用二阶插值滤波算法得到重要性密度函数,通过抗差自适应因子实时控制动力学模型误差及观测异常对导航解的影响。将该算法应用于SINS/CNS/SAR组合导航系统进行计算仿真,并与经典的粒子滤波算法进行比较分析。结果表明,提出的滤波算法得到的姿态误差控制在[-0.3′,+0.3′],速度误差控制在[-0.4 m/s,+0.4 m/s],位置误差控制在[-5 m,+5 m],性能明显优于经典的粒子滤波算法。新的滤波算法不但能够有效地抑制粒子退化,而且能够有效地控制动力学模型误差及观测异常的影响,提高了组合导航的滤波精度。     

GPS/INS组合导航系统中的高斯粒子滤波混和算法

采用非线性滤波器的惯性组合导航系统中,非线性滤波器的精度和实时性直接决定了惯性组合导航系统的性能.计算量和精度之间的矛盾是制约粒子滤波在GPS/INS组合导航系统中应用的主要因素.在分析高斯粒子滤波算法原理的基础上,提出了一种高斯粒子滤波混和算法,对系统线性部分采用线性递推方式,对系统非线性部分采用非线性递推方式,从而提高高斯粒子滤波精度和实时性.针对GPS/INS组合导航系统,混和算法利用卡尔曼滤波的线性递推方式进行量测更新,仿真结果表明混和算法在较少粒子条件下,相对高斯粒子滤波算法精度提高20％,滤波时间降低40％.     

基于似然分布的样本数自适应UPF算法

针对粒子滤波算法的实时性较差,计算量随着粒子数的增加成级数增加,提出一种基于似然分布的样本数自适应UPF算法。该算法以UPF为基础,吸收了似然分布自适应和样本数自适应的优点,在每一步状态方差估计中规定样本数的下限,同时考虑状态方差过大和过小的情况,在重采样阶段嵌入似然采样,根据反映量测噪声实时统计性能的精度因子?自适应地调整似然分布状态,使之尾部更为平坦,增加先验和似然的重叠区,减少粒子退化。利用UT变换获得各个粒子的重要性密度函数,并将最新的量测信息引入到重要性密度函数设计以及重采样过程中,从而达到提高算法估计性能的目的。将提出的算法应用到SINS/SAR组合导航系统中进行仿真验证,结果表明,与PF和UPF算法相比,提出的基于似然分布的粒子数自适应UPF算法能有效改善滤波性能,提高解算精度。     

基于改进粒子群优化粒子滤波的结构损伤识别

针对粒子滤波应用于结构损伤识别问题时出现的粒子退化、反演计算强不适定性等现象,提出了一种改进的粒子群优化粒子滤波损伤识别方法。在粒子滤波算法中,利用粒子群优化过程驱使粒子群朝着后验概率密度取值较大的区域移动,优化了粒子滤波的采样过程;同时,根据结构损伤参数分布的稀疏性特点,引入对粒子群中损伤参数部分的零变异操作,既增加了粒子的多样性,又有效改善了反问题求解不适定性,提高了算法损伤识别的鲁棒性。数值仿真和框架结构振动实验结果均表明,对于线性或非线性结构,本文方法均能有效抑制噪声干扰,准确识别不同损伤工况下结构损伤的位置与程度;在试验研究中,结构损伤参数识别结果的相对误差小于1.5%。     

基于变分贝叶斯优化的近邻采样 PF-SLAM 算法

针对移动机器人同时定位与地图构建（SLAM）中观测噪声随时间变化及粒子滤波(PF)中粒子多样性易丧失问题,提出基于变分贝叶斯优化的近邻采样PF-SLAM算法。采用高斯混合模型对时变的观测噪声建模,使用变分贝叶斯方法,迭代估算出混合模型中的未知参数;同时根据粒子权重将粒子划分为保留粒子和调整粒子,通过两种粒子间的近邻位置分布关系优化调整粒子位置,在处理时变观测噪声同时,解决粒子多样性丧失问题,使得优化的粒子集更好地表示机器人位置概率分布。实验表明,改进算法与传统PF-SLAM算法相比,定位与建图误差降低76%,较期望最大化算法下的定位与建图误差降低了54%,进一步验证了所提算法的可行性与有效性,为移动机器人同时定位与建图提供一定参考。     

粒子滤波及其在导航系统中的应用综述

传统的扩展卡尔曼滤波方法要求对非线性系统近似线性化,有可能会引入较大的模型误差.应用粒子滤波解决了这一问题.该算法可以直接应用于原系统的非线性模型当中,并且不需考虑系统噪声和量测噪声是否为高斯白噪声,都能得到很好的滤波效果.文中介绍了粒子滤波的理论基础-贝叶斯估计及具体的实现方式-蒙特卡罗方法;指出粒子滤波存在的退化问题,并从减小退化现象入手将重要性采样和再采样方法引入到算法之中;最后阐述了粒子滤波在导航系统中的一些应用.     

自适应Sage-Husa粒子滤波及其在组合导航中的应用

针对非线性滤波问题,提出一种新的自适应Sage-Husa粒子滤波算法。通过Sage-Husa滤波方法计算状态估值和协方差阵来获得重要性密度分布函数,充分考虑了最新量测信息的影响,并利用欧氏距离和反映量测噪声统计特性的精度因子自适应地调整粒子权值的分布,降低粒子退化程度,提高了滤波精度,适用于非线性非高斯系统模型的滤波问题。将提出的算法应用于SINS/SAR组合导航系统中,与扩展Kalman滤波和粒子滤波比较,仿真结果表明,自适应Sage-Husa粒子滤波能提高导航系统定位的解算精度,得到的东向和北向定位误差控制在?5.3m附近,其性能明显优于扩展Kalman滤波和粒子滤波。     

带不确定混合噪声系统的变分贝叶斯期望最大滤波算法

卡尔曼滤波器假设量测噪声为已知统计特性的高斯白噪声,然而系统可能受到不确定随机噪声以及未知有界噪声共同影响,若采用单一滤波策略,则估计结果易出现较大偏差。将两种不确定噪声运用未知参数的高斯混合模型进行表示,提出变分贝叶斯期望最大滤波算法。所提方法采用变分贝叶斯最大化方法对量测噪声模型中的超参数进行更新,在得到模型超参数后,利用变分贝叶斯期望算法计算噪声模型的隐变量。对上述过程反复迭代,最终获得系统的状态和协方差。仿真结果表明,相比于传统的卡尔曼滤波算法和联合滤波算法,变分贝叶斯期望最大滤波算法在出现混合不确定噪声时,经纬度定位精度均提高60%以上,提高了导航系统的精确性。     

基于UPF和修正Rodrigues参数的无陀螺姿态确定算法

针对无陀螺或陀螺失效等情况下的飞行器姿态确定问题,基于无冗余姿态描述形式修正Rodrigues参数,提出了仅利用星敏感器矢量观测信息来确定飞行器姿态的UPF(Unscented Particle Filter)算法.UPF利用UKF(Unscented Kalman Filter)得到粒子滤波的重要性密度函数,从而克服了标准的粒子滤波没有考虑最新量测信息和UKF只能应用于噪声为高斯分布的不足.修正Rodrigues参数描述飞行器姿态具有简洁高效的特点,通过切换方法避免了奇异性现象.仿真结果表明,该姿态确定算法可以取得比UKF更快的滤波收敛性和更高的滤波精度,并且比四元数算法计算效率提高近10%.     

机场跑道性能退化随机过程模型的贝叶斯数据更新方法

为了精确预测民用机场跑道的剩余使用寿命，利用数据融合技术将两种数据集进行联合分析，采用贝叶斯概率预测方法对机场跑道定期检测数据进行更新。考虑机场道面退化过程的随机性和动态性，建立了一种机场道面性能退化的动态半马尔可夫随机过程模型，利用生存分析对半马尔可夫过程模型的转移概率进行了估计。考虑飞行交通量和道面厚度的双重影响，采用某地方民用机场2007—2017年的道面性能定期检测数据，分析了两种影响因素的作用。利用半马尔可夫过程模型的转移概率对某地方民用机场跑道性能退化过程进行了预测，并采用马尔可夫链蒙特卡洛(Markov Chain Monte Carlo, MCMC)模拟技术，基于贝叶斯统计分析方法，利用不定期检测数据得到的先验信息对半马尔可夫过程模型的转移概率进行了更新，将更新后的模型应用于民用机场跑道性能预测，并将预测结果和未更新的动态半马尔可夫过程模型预测结果进行了对比分析。结果表明，基于MCMC的贝叶斯分析方法能够融合定期和不定期检测数据确定动态半马尔可夫过程模型的参数先验信息，可以有效地更新机场跑道的性能预估模型，提高模型的预测精度。     

粒子滤波的改进优化方法及在组合导航系统中的应用

组合导航系统中存在非线性环节,粒子滤波技术能较好地解决这些非线性问题.本文根据常见组合导航系统非线性滤波问题,总结了组合导航系统非线性滤波模型特点及一般建模方法.从粒子滤波算法实现框架出发,分析总结了粒子滤波性能特点及其改进演化规律.根据惯性组合导航系统中数据处理特点,对如何选择适合组合导航系统的粒子滤波算法提出了选择原则.分析和总结了组合导航系统中非线性滤波建模方法及粒子滤波改进优化策略,对解决组合导航系统的非线性滤波问题具有理论和实践指导意义.     

混合粒子联邦滤波在多信息组合导航系统中的应用

在组合导航多信息滤波系统的应用中,会遇到部分子滤波器为非线性系统的情况。提出了一种混合粒子联邦滤波方法,把高斯粒子滤波获取多维高斯分布的计算过程融入到联邦卡尔曼滤波结构框架中,并采用该滤波框架解决混合系统的多信息融合问题,该算法在滤波模型的适应性方面要优于传统的联邦滤波。以组合导航多信息融合问题为例,建立了混合粒子联邦滤波模型,对该算法进行了仿真,仿真结果验证了混合粒子联邦滤波的有效性。     

自适应SDV-UPF算法及其在紧组合中的应用

针对粒子滤波存在重要性密度函数难以选取和系统状态协方差阵可能出现的负定性问题,提出一种新的自适应奇异值分解无迹粒子滤波(ASVD-UPF)算法。该算法采用自适应因子修正动力学模型误差,通过奇异值分解抑制系统状态协方差矩阵的负定性,并以改进的UKF算法产生重要性密度函数,以弥补粒子滤波的缺陷,使该算法适用于非线性、非高斯系统模型的滤波计算。将提出的算法应用到所设计的GPS/SINS/PL紧组合导航系统中进行仿真验证,结果表明,提出算法的经、纬度误差、速度误差和姿态误差范围分别控制在(-0.5″,+0.5″)、(-0.8 m/s,+0.8 m/s)和(-1′,+1′)以内,误差估计的精度和收敛速度明显优于UKF和PF算法,能提高组合导航系统的解算精度。     

基于Kriging代理模型的迭代更新高效反演方法

为提高混凝土坝等大体积结构参数反演效率和精度,减少由于应用有限元进行大量正分析而产生的计算机时,建立了一种结合Kriging代理模型和粒子群优化(PSO)算法的迭代更新反演方法。通过拉丁超立方抽样(LHS)方法确定初始样本点的空间分布,并使用有限元正分析获取对应的响应值,构建粗糙的初始代理模型,结合具有全局寻优能力的PSO算法,反演大体积结构的分区弹性模量,随之再代入有限元模型中,计算获取新的位移响应,并将其作为新样本加入到样本集中,通过迭代更新获得局部更高精度的代理模型。工程实际算例表明,该方法对混凝土坝等大体积结构参数反演精度较高和适用性好,且能大幅减少传统有限元模型反演方法所需消耗的正分析机时,提高反演效率。     

基于加速度信号的柔性板的挠性参数辨识简

以柔性板为对象,开展了结构挠性参数辨识技术的研究. 给出了一种基于加速度信号输出的特征系统实现算法的计算格式,基于粒子群优化算法给出了加速度传感器在柔性板上的优化位置. 仿真结果显示,粒子群方法能够有效地确定出传感器在板上的优化位置,特征系统实现算法能够有效地辨识出结构的挠性参数.     

基于粒子群优化的UKF在SINS/GPS组合导航中的应用

针对组合导航中使用传统Kalman滤波方法时噪声协方差矩阵参数需要耗时耗力反复试验得到的问题,提出利用粒子群优化算法对卡尔曼滤波器的滤波参数Q和R进行寻优后用于组合导航的方法。将滤波参数Q和R作为粒子进行寻优,将粒子群算法优化得到的滤波参数值作为卡尔曼滤波器输入参数,用于SINS/GPS组合导航系统。仿真实验结果表明,12次实验中粒子群算法搜索出的参数均值分别为0.0208(°)/h、94.7827?g,接近所设置的噪声参数值与标准参数值0.02(°)/h、100?g。半物理实验结果表明,在实际系统中,与经验参数值用于卡尔曼滤波器相比,粒子群算法优化得到的滤波参数值位置估计精度提高了15%~30%,从而提高了组合导航性能。     

基于规划路径约束的地形辅助导航算法

为了提高地形辅助导航算法的精度,充分利用航行器任务规划中的先验信息,提出了基于规划路径约束的地形辅助导航算法。首先针对航行任务中的规划路径提出了"概率隧道"约束模型,将物体运动不确定性与确定性规划路径有机结合。在此基础上,提出了基于概率隧道约束的粒子滤波算法。该算法较之传统的带有等式、不等式约束的滤波器,具有更好的模型适配性,而且计算量上与普通不带约束的粒子滤波器相当。实验表明,该算法有效地利用了先验路径信息,比非约束算法有15 m左右的精度提升。