基于改进蝙蝠算法的CO-OFDM系统峰均比抑制技术（英文）

为了抑制相干光正交频分复用系统中的峰值平均功率比,采用蝙蝠算法优化系统子载波的相位.同时针对蝙蝠算法存在的易陷入局部最优和收敛精度不高的问题,对蝙蝠算法进行改进.在蝙蝠的速度更新公式中加入蝙蝠的自我学习部分,并引入惯性权值和学习因子,在保证算法收敛速度的同时尽可能提高算法的收敛精度,防止算法出现早熟收敛情况.采用改进算法对正交幅度调制、100Gb/s的相干光正交频分复用系统进行仿真实验,仿真结果表明,改进算法有较强的搜索能力和较高的搜索精度,使正交频分复用信号的峰值平均功率比降低了5.48dB,相对于蝙蝠算法降低了0.52dB,改进算法的峰值平均功率比抑制性能得到了进一步的提高.     

基于改进蝙蝠算法的CO-OFDM系统峰均比抑制技术

为了抑制相干光正交频分复用系统中的峰值平均功率比,采用蝙蝠算法优化系统子载波的相位.同时针对蝙蝠算法存在的易陷入局部最优和收敛精度不高的问题,对蝙蝠算法进行改进.在蝙蝠的速度更新公式中加入蝙蝠的自我学习部分,并引入惯性权值和学习因子,在保证算法收敛速度的同时尽可能提高算法的收敛精度,防止算法出现早熟收敛情况.采用改进算法对正交幅度调制、100 Gb/s的相干光正交频分复用系统进行仿真实验,仿真结果表明,改进算法有较强的搜索能力和较高的搜索精度,使正交频分复用信号的峰值平均功率比降低了5.48 dB,相对于蝙蝠算法降低了0.52 dB,改进算法的峰值平均功率比抑制性能得到了进一步的提高.     

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。     

区间衍生粒子滤波器

针对非线性、非高斯环境下具有不确定动态模型参数的系统状态估计问题,提出了一种新颖的区间衍生粒子滤波算法.该算法利用区间滤波生成的重要性密度函数,在系统状态转移概率密度的基础上,融入最新的系统观测数据,从而提高了对系统状态后验概率的逼近程度.为了进一步提高算法的实时性,提出一种类似光子衍射的粒子衍生过程,进而缓解了滤波精度与运算量之间的矛盾.通过陀螺/星敏感器组合定姿问题验证了该算法的有效性和鲁棒性.     

自调整平滑区间粒子滤波平滑算法

针对非线性系统的状态估计问题, 提出了一种自调整平滑区间粒子滤波平滑算法. 该算法的显著特点是根据采样粒子观测值与系统状态观测值之间的偏差动态修正滤波平滑区间的长度, 有效抑制了传统的粒子滤波平滑算法中因区间长度固定可能造成粒子权重重新赋值带来误差增大的问题. 该算法的原理是依据粒子滤波器的工作机理, 把系统状态信息和热槽组成一个抽象的整体, 将粒子滤波平滑过程类比为观测信息和热槽交互的统计力学系统. 在无新的观测信息时, 整个系统遵循热力学第二定律, 即无论从任何初始状态出发, 整个力学系统的熵是非减的; 而当出现新的观测信息时, 粒子滤波器像麦克斯韦妖从新的观测信息中抽取能量传送给热槽, 使整个抽象系统的熵减少, 根据系统熵的递变规律变化对滤波平滑区间的长度加以动态修正, 优化粒子的权重赋值, 进而提高系统状态的估计精度. 利用matlab进行了仿真分析, 验证了该算法的有效性.     

融合红外深度信息的视觉交互手部跟踪算法

在虚拟现实环境中手部跟踪是视觉交互系统的基础和核心。针对现有视觉跟踪方法在手部运动姿态、尺度变化及复杂背景条件下出现的稳健性等问题,结合纹理和轮廓信息,利用基于梯度方向局部二值模式特征为基础的粒子滤波跟踪算法,建立局部和全局的特征直方图描述,实现手部跟踪。针对粒子匮乏问题,利用红外深度信息,并引入基于群智能的人工蜂群算法,将当前时刻的观测信息融合在粒子预测的采样和更新阶段,高效完成目标的搜索和优化,降低粒子集衰减程度,改善状态估计精度。实验结果表明,该方法在各种复杂背景下可以实现手部的稳健跟踪。     

自适应变异的蝙蝠算法

针对基本蝙蝠算法(BA)寻优精度不高、收敛速度慢和易早熟收敛的问题,提出一种改进的具有自适应变异机制的蝙蝠算法,用以求解复杂函数问题。利用K-means聚类对蝙蝠种群进行初始化,使种群在搜索空间分布更为均匀;采用根据迭代次数自适应变化的控制概率Pt判断算法是否进行高斯变异,增强种群多样性,促使蝙蝠个体跳出局部极值点;将自然选择思想引入BA,提高算法搜索速度,避免早熟收敛。选取几个典型函数进行测试,结果表明改进算法优化性能有了显著提高,具有较快的收敛速度,较高的寻优精度、收敛稳定性和收敛可靠性,验证了改进蝙蝠算法(IBA)的有效性及优越性。     

基于Stiefel流形的粒子滤波器研究

为了解决粒子滤波的粒子退化和粒子多样性丧失问题,提出了一种基于Stiefel流形的粒子滤波算法.该算法将系统模型置于Stiefel流形上,用朗之万分布描述过程转移概率分布,用矩阵正态分布表示似然函数分布,在流形分布上进行粒子采样.在计算加权粒子的均值时,将流形嵌入到欧氏空间中,先计算欧氏空间中的粒子均值,再将计算结果投影到嵌套流形上,这就排除了噪声统计特性对粒子权重方差的影响,得到了一种受系统状态模型限制较少的重要性概率密度函数通用选择方案.仿真时选取单变量非静态增长模型,仿真结果验证了该算法的实时性、鲁棒性,滤波精度和滤波效率均比无味粒子滤波算法更好.     

基于改进BP神经网络的中央空调冷负荷预测研究

针对中央空调系统冷负荷预测中BP神经网络预测收敛慢,易陷入局部最优,精度相对低的缺点,采用了收敛速度快,全部搜索能力强的粒子群优化算法进行改进,同时对BP结构中的输入参数,添加控制误差反馈参数,形成了基于粒子群与控制误差回馈的BP神经网络预测技术;其预测精度较BP神经网络和粒子群BP神经网络分别提高5.94%和0.82%。     

粒子群算法在非线性系统应用中的早熟现象及其改进

通过分析粒子群算法早熟现象的机理,研究早熟收敛的本质,并提出一种克服粒子群算法早熟现象的局部"飞跃"策略.应用仿真及系统工程实例表明,该方法能有效地改善粒子群算法在非线性全局优化上的早熟问题,提高了粒子群算法的全局搜索能力.     

混合退火粒子滤波器

针对非线性、非高斯系统状态的在线估计问题，提出一种新的基于序贯重要性抽样的粒子滤波算法. 在滤波算法中，用状态参数分解和退火系数来产生重要性概率密度函数，此概率密度函数综合考虑了转移先验、似然、噪声的统计特性以及最新的观察数据，因此更接近于系统状态的后验概率. 理论分析与仿真实验表明该粒子滤波器的性能明显优于标准的粒子滤波器和扩展卡尔曼滤波器. 关键词： 非线性 非高斯 粒子滤波 序贯重要性抽样     

基于改进蝙蝠算法的带模糊需求的车辆路径问题

蝙蝠算法作为一种新的元启发式算法,尚未被应用到模糊车辆路径问题中。针对带模糊需求的车辆路径问题,以极小化总运输距离为目标,建立基于可信性理论的模糊规划模型,提出一种改进的蝙蝠算法。算法采用基于客户编号的编码方式,利用随机模拟算法计算额外行驶距离;在蝙蝠位置更新时,引入基于非线性调整的惯性权重和基于子路径的局部搜索;为提高全局搜索能力,避免算法早熟,对处于较差位置的蝙蝠进行交叉操作。最后,利用随机实验数据进行仿真,分析了决策者主观偏好值对目标值的影响,并与其它算法的寻优结果进行对比分析,结果表明,算法具有一定的可行性和有效性。     

基于自适应粒子滤波的红外目标跟踪

为有效解决非线性环境中的红外目标跟踪问题,提出一种自适应粒子滤波目标跟踪算法.建立了目标加权概率模型.在滤波过程中,提出双过程粒子重抽样方法,形成对抽样粒子集的自适应调节,有效地解决了粒子退化问题.用实际红外图像序列做了实验.结果表明,在非线性环境下用该方法得到的红外目标跟踪结果优于用传统粒子滤波和扩展卡尔曼滤波算法获得的结果.     

基于积分直方图的粒子滤波跟踪算法

在目标模型的建立过程中,将积分直方图引入到粒子滤波跟踪框架中,提出了一种快速的颜色直方图计算方法,极大地提高了粒子滤波跟踪算法的实时性。为了进一步提高算法的鲁棒性,引入了一种基于邻域颜色特征的匹配搜索机制,当跟踪精度下降时,能够对跟踪结果进行优化,减小跟踪误差。实验结果表明了该算法的有效性。     

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%。     

基于多速率交互式多模型的快速光电跟踪算法

针对交互式多模型粒子滤波算法运算量大的问题,提出了一种基于多速率跟踪思想的交互式多模型算法.该算法根据各模型假定的机动性,采用不同的数据更新速率,实现了模式空间和测量空间的混合滤波.同时,多模型综合选配了不同的滤波算法,其中,弱机动模型匹配卡尔曼滤波器,强机动模型匹配粒子滤波器.仿真结果表明,与传统的交互式多模型粒子滤波算法相比,本文算法在保证滤波精度的基础上,具有较低的计算复杂度,降低了约38.9%,能够有效地改善光电目标跟踪系统的可靠性和实时性.     

一种基于融合反馈的改进粒子滤波行人跟踪算法

针对一般粒子滤波算法容易受到相似背景干扰和遮挡影响的问题,提出一种新的融合反馈的改进粒子滤波跟踪算法。该算法将最近的观测信息融入建议分布函数,便于粒子搜索目标最可能的位置,根据相对位移的变化自适应调整跟踪窗口尺度的变化,降低了计算的复杂度,一定程度上保持了粒子的多样性。实验结果表明:该算法有效地解决了遮挡、相似背景混乱以及目标尺寸变化问题,整体跟踪性能优于粒子滤波算法。     

混合粒子群优化算法及其收敛性分析

为解决标准粒子群优化算法不能保证全局收敛、寻优精度低等问题,提出一种融合Kent混沌映射、云模型和布谷鸟搜索,并采用混沌初始化、全局及局部均衡搜索、多子种群协同进化等策略的混合粒子群优化算法(CPSO),同时对其收敛性和复杂度进行分析。经典的benchmark测试函数的实验统计结果表明,CPSO算法在收敛性、寻优精度、稳定性等方面均优于经典算法。     

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.     

利用粒子滤波从雷达回波实时跟踪反演大气波导

粒子滤波(particle filter,PF)是利用蒙特卡洛仿真方法处理递推估计问题的非线性滤波算法,这种方法不受模型线性和高斯假设的约束,是处理非线性非高斯动态系统状态估计的有效算法,适用于雷达回波反演大气波导(RFC)这类非线性非高斯问题.文中分别介绍了PF的基本思想和具体算法实现步骤,最后导出PF反演算法的迭代求解格式.数值试验结果表明,与扩展卡尔曼滤波(extended kalman filter,EKF)和不敏卡尔曼滤波(unscented kalman filter,UKF)相比,PF更适用于RFC这类高度非线性反演问题,可有效提高反演结果的稳定性和精度.