基于混合粒子滤波的水下小目标跟踪

针对水下小目标粒子滤波估计过程中“粒子贫化”引起的估计性能下降,提出了混合粒子滤波算法。该算法在常规粒子滤波算法基础上,在每一步迭代估计过程中进行量测的再次随机采样,以丰富随机粒子多样性,缓解水下小目标状态估计过程中的“粒子贫化”的影响。对算法进行了仿真分析,并将该方法用于水下小目标探测实验的数据处理,结果表明,相比于常规的粒子滤波算法,所提出的混合粒子滤波得到了误差更小且稳定的状态估计结果,有效地改善水下小目标跟踪的精度和稳健性。     

改进的粒子群优化目标跟踪方法

针对粒子群优化算法应用在目标跟踪时,其惯性权重调节机制的局限性,提出了改进的粒子群优化目标跟踪方法。首先,对目标及粒子群算法中相应参数进行初始化;接着,引入粒子进化率的概念,对惯性权重调节机制进行改进,根据每代每个粒子的不同状态及时调整惯性权重;然后,在更新粒子的速度和位置的同时,更新个体最优解和全局最优解,进行下一次迭代;最后,比较粒子的适应度,选择相似性函数值最大的区域为目标。实验结果表明,该方法与使用自适应惯性权重调节机制的粒子群优化目标跟踪方法相比,减少了获取相同适应度所需的迭代次数,运算效率提高了42.9%。实现了目标在相似性函数出现"多峰"情况下的准确定位,对目标出现部分遮挡的情况具有很好的适应性。     

基于AGPF的滚动轴承性能衰退趋势预测

针对粒子滤波算法中粒子退化和计算复杂度问题,提出了一种自适应遗传粒子滤波(AGPF)算法。该算法采用遗传算法代替传统粒子滤波中的重采样方法,并根据粒子数与滤波误差方差之间的关系,自适应调节滤波过程中的粒子数。通过预测滚动轴承的性能衰退趋势,对该方法进行验证,结果表明,AGPF算法能够在保证预测精度的条件下,减少滤波粒子数,更加适用于滚动轴承的性能衰退趋势预测。     

应用于亚波长角向偏振金属光栅设计的快速收敛粒子群算法优化

提出了分步寻优的基于粒子位置调整惯性权重的粒子群算法(PDW-PSO),通过调用严格耦合波方法(RCWA)计算衍射效率,进行了光栅结构参数的优化。将PDW-PSO与惯性权重不变的粒子群算法(PSO)和基于迭代次数调整惯性权重的粒子群算法(IDW-PSO)进行对比,结果表明PDW-PSO具有更快的收敛速度,相比于PSO和IDW-PSO,PDW-PSO的平均迭代次数分别从89.83和74减少至21.2,调用RCWA的次数分别从3144.05和2590下降至224。分析了波段匹配数对算法的影响, PSO和IDW-PSO的RCWA调用次数与波段匹配数呈等倍率增加,而PDW-PSO的RCWA调用次数的增加倍率小于波段匹配数的增加倍率。进行了算法准确度实验,在30次运行中,PDW-PSO与PSO、IDW-PSO正确收敛到最优值的次数相近,误差值不超过6.6%;随着粒子数的增加,三种方法的准确度都有所提高,粒子数达到27后基本都可以保证收敛到最优。     

基于粒子滤波的一种改进的资料同化方法

针对在粒子数较少时传统的集合卡尔曼滤波和粒子滤波方法不能有效表征后验概率密度函数(PDF)的问题, 提出了一种改进的粒子滤波方法. 主要思想是在预测步之后引入更新步, 并且将观测时刻与非观测时刻的同化分析进行区别处理. 对典型的低维和高维混沌系统的仿真结果表明:改进粒子滤波方法是一种非常有效的估计非线性非高斯随机系统状态的方法.     

基于神经网络参数优化的热失控状态温度预测研究

为提高夹杂热失控现象的微波干燥褐煤过程中神经网络预测温度精度,提出一种基于二次滤波及粒子群寻优的神经网络参数优化算法。该方法先引入小波分析对训练数据进行软阈值滤波处理,使温度数据在描述变化趋势的同时突出非平稳特征,而后使用粒子群算法寻找该趋势特征对应的神经网络最优的隐层节点数、学习率及最佳训练次数的组合,最后在预测中使用前向均值阈值滤波处理输入数据配合该最优网络进行预测。实验结果表明,该方法能同时提高热失控和非热失控状态下温度预测精度,使预测平均绝对误差下降59.2%。     

基于改进离散粒子群算法的测试优化选择

为了解决复杂系统测试性设计过程中测试选择所产生的组合爆炸问题,提出一种改进离散粒子群算法的智能方法。首先,为保证初始种群的多样性,利用混沌不重复遍历的特性初始化种群的速度和位置;其次,根据启发式规则和罚函数的方法计算粒子适应度,使算法具有良好的搜索性能;最后,通过采用自适应调整策略的惯性权重,使粒子易于跳出局部最优解,找到最优解。通过仿真实例验证了本文方法的有效性,优化结果满足系统各项测试性指标要求,可为复杂系统的测试优化选择提供有效指导。     

混合粒子群算法ADPSO对月球物理参数反演的改进

常规粒子群算法PSO对低敏感参数较难进行最优估计,本文提出联合自适应惯性权重和变异的混合粒子群算法ADPSO.结果表明：最佳拟合效果不随粒子数和变异概率的增大而加强.就四参数估计而言,粒子数取400个,变异概率小于0.03,可实现最优拟合.采用最佳粒子数和较小的变异概率,利用新近月球重力场模型GL0990d和LRO激光测高数据,对月球南半球部分高地的物理参数进行最优估计.发现研究区域的模型导纳谱很好地拟合了观测值,模型重力异常与观测重力异常的残差较小,符合参数估计的要求,验证了算法的有效性.ADPSO适合于月球物理参数估计,为大规模的反演运算提供了参考.     

量子势阱粒子群优化算法的改进研究

为提高量子势阱粒子群优化算法的优化能力, 通过分析目前量子势阱粒子群优化算法的设计过程, 提出了改进的量子势阱粒子群优化算法. 首先, 分别基于Delta势阱、谐振子和方势阱 提出了改进的量子势阱粒子群优化算法, 并提出了基于统计量均值的控制参数设计方法. 然后, 在势阱中心的设计方面, 为强调全局最优粒子的指导作用, 提出了基于自身最优粒子加权平均和动态随机变量的两种设计策略. 实验结果表明, 三种势阱粒子群优化算法性能比较接近, 都优于原算法, 且Delta势阱模型略优于其他两种.     

基于粒子群算法的诊断策略优化技术

针对复杂武器装备系统多层次、多功能的特点以及测试性设计这一重大需求,为解决当前普遍采用的诊断策略存在的灵活性差、多故障诊断与不确定性诊断能力弱等问题,提出了一种基于自适应离散粒子群算法的诊断策略优化生成算法;该算法对自适应离散粒子群算法进行改进,引入多样性指标、个体历史最差解、扩散聚合过程和自适应惯性权重等,通过迭代计算得到最优的诊断策略;最后给出了主要步骤,并通过实例验证了算法的可行性。     

基于RDC-PSOA的复杂自动化控制最优任务规划方法研究

在复杂的自动化控制模型中进行最优任务规划数据推荐时,容易出现只将任务分配给最先执行的处理器的情况,导致个别处理器上任务分配过多,造成整体时间跨度增加,提出一种基于推荐数据特点粒子群优化(Recommended data characteristics-Particle swarm optimization algorithm: RDC-PSOA)的复杂自动化控制最优任务规划方法,以一群随机粒子为初始解,依据复杂自动化控制模型中任务规划数据推荐问题的特点,在粒子群算法的基础上,重新塑造粒子描述形式,对粒子的位置与速度进行编码,将粒子群算法映射到离散空间,通过迭代获取全部可能的自动化控制任务规划方案,实现数据的有效推荐。仿真实验结果表明,所提方法不仅具有很强的收敛能力,而且数据推荐完成时间短,性能优越。     

基于量子并行粒子群优化算法的分数阶混沌系统参数估计

分数阶混沌系统参数估计的本质是多维参数优化问题, 其对于实现分数阶混沌控制与同步至关重要. 提出一种基于量子并行特性的粒子群优化新算法, 用于解决分数阶混沌的系统参数估计问题. 利用量子计算的并行特性, 设计出了一种新的量子编码, 使每代运算的可计算次数呈指数增加. 在此基础上, 构建了由量子当前旋转角、个体最优旋转角和全局最优旋转角共同组成的粒子演化方程, 以约束粒子在量子空间中的运动行为, 使算法的搜索能力得到了较大提高. 以分数阶Lorenz混沌系统和分数阶Chen混沌系统的参数估计为例, 进行了未知参数估计的数值仿真, 结果显示本算法具有良好的有效性、鲁棒性和通用性.     

基于混合群智能优化算法的混沌系统参数估计

混沌系统的未知系统参数估计是实现混沌控制和同步的首要问题,通过构造一个合理的适应度函数,可将其转化为一个多维搜索空间的优化问题.提出一种融合改进骨干粒子群算法与改进差分进化算法的混合群智能优化方法来解决上述优化问题.对骨干粒子群算法中的粒子位置更新机制以及差分进化算法中的变异操作、交叉操作、交叉概率因子的设计等进行改进,有效兼顾了种群的多样性与算法的收敛性.在此基础上,讨论骨干粒子群优化算法与差分进化的融合优化策略,实现两个算法的协同进化,进一步提高算法的综合优化性能.用6个基准测试函数以及Lorenz混沌系统为例进行仿真实验,结果表明该方法具有全局寻优能力强、收敛速度快、搜索精度高、稳健性好等优点.     

粒子群优化算法在光纤光栅传感器波长解调中的应用

为了提高光纤光栅(FBG)解调系统的波长解调精度,采用粒子群优化(PSO)算法结合参考光纤光栅(FBG),对常用波长解调器Fabry-Perot型光纤滤波器(FPF)的透射光谱中心波长与控制电压之间存在的非线性和回滞特性进行了研究,并提出一种实时建立FPF透射光中心波长与其控制电压之间关系模型的方法。该方法利用粒子群优化算法收敛快、易实现的特点,保证了FPF模型建立的准确性和实时性。实验结果证明,利用所建模型可有效提高FBG传感系统的波长测量准确度,测量误差不超过25 pm。系统结构简单,对提高FBG传感系统的测量准确度具有重要意义。     

一种基于离散粒子群优化算法的高光谱图像端元提取方法

针对混合像元分解过程中,由于数据噪声引起的端元提取不准确问题,引入了群智能算法中的粒子群优化算法,并对粒子群优化算法进行了改进,重新定义了位置和速度的表示方法和更新策略,得到离散粒子群优化(discrete particle swarm optimization,D-PSO),能够在离散空间中进行搜索,解决组合优化问题。同时,通过定义目标函数和可行解空间,将端元提取问题改写成组合优化问题,最终实现利用D-PSO进行端元提取。在给出算法的详细流程之后,文章通过一组模拟数据实验和一组实际数据实验验证了D-PSO算法对于具有较大噪声的数据的适应性和提取端元的可信程度,并分析了不同参数对于算法性能的影响。     

基于Bloch球面搜索的量子粒子群优化算法

通过分析量子势阱粒子群优化算法的设计过程,提出一种基于Bloch球面搜索的量子粒子群优化算法.首先用基于Bloch球面描述的量子位描述粒子,用泡利矩阵建立旋转轴,用Delta势阱模型计算旋转角度,用量子位在Bloch球面上的绕轴旋转实现搜索.然后用Hadamard门实现粒子变异,以避免早熟收敛.这种旋转可使当前量子位沿着Bloch球面上的大圆逼近目标量子位,从而可加速优化进程.仿真结果表明,该算法的优化能力优于原算法.     

基于数据驱动的一类复杂系统动态特性分析

针对一类复杂的无法对其机理建模的离散时间系统,根据采集的两年工艺参数数据,结合复杂工艺特点,提出了基于数据驱动的系统动态特性建模方法,构建了时间序列受控回归滑动平均(CARMA)胞映射模型。在模型结构确定的基础上,采用改进的量子行为粒子群优化(IQPSO)算法对系统参数进行辨识。算法通过设计新的粒子更新式增加了粒子的多样性,避免了算法的早熟收敛;算法通过在后期将搜索到的最优值传递给神经元作为初始权值,利用神经元增强算法的局部搜索能力,实现了算法探索与开发的平衡,达到对模型参数进行快速精确辨识的目的。在转化为状态空间模型基础上,根据胞映射理论对系统进行了稳定性分析,通过对胞映射作图快速获得平衡胞,利用动态优化原理,找到所有的周期胞和吸引域,达到对系统稳定性分析的目的。利用现场工艺数据进行仿真,结果证明了所提方法的有效性。