自适应滤波器在机载武器测试系统中的应用

针对飞机机载武器设备特点和测试维修要求,在分析了自适应滤波器的结构、最优评估等特性基础上,根据现场可编程门阵列(FPGA)的设计过程,构建了基于最小均方误差(LMS)算法的横向自适应滤波器.仿真结果和使用表明:设计实现的自适应滤波器,在FPGA中开辟512 kB的随机存储器(RAM)存储空间,能够实现权值系数向量的自动调节,且适应信号变化的特性,滤波后的信号测试误差不大于5%,且LMS算法在0.1 ms内可收敛到最优,满足数据处理的实时性和机载武器系统测试的要求.     

微型自适应光学系统闭环控制算法

以微型自适应光学系统的波前重构算法和信号处理系统为基础 ,给出了相应的微型自适应光学系统的闭环控制算法 ,实验结果说明所得结果是合理可行的     

一种自适应光学闭环系统预测控制算法的仿真研究

介绍了校正大气湍流畸变波前像差的自适应光学系统中,基于预测控制技术对变形镜控制电压进行预测以减少自适应光学系统中时间延迟误差的方法.对受横向风影响的大气湍流畸变波前斜率数据,利用数值仿真方法,研究了基于递推最小二乘(RLS)算法的线性预测控制算法对自适应光学系统变形镜控制电压进行超前预测的方法,并与采用比例积分(PI)...     

用一种少参数非线性自适应滤波器自适应预测低维混沌时间序列

基于混沌动力系统的相空间延迟坐标重构,利用混沌序列固有的确定性和非线性,提出了用 于混沌时间序列预测的一种少参数非线性自适应滤波预测模型.该预测模型在Volterra自适 应滤波器的基础上引入sigmoid函数来减少待定参数.实验研究表明,这种少参数非线性自适 应滤波预测器仅需用50个样本经20次预训练后,就能有效地预测一些低维混沌序列,且这种 少参数非线性自适应滤波预测器更便于工程实现. 关键词： 混沌 非线性自适应预测 少参数非线性自适应滤波器 自适应算法     

多尺度变步长最小均方自适应算法在光纤陀螺数据处理中的应用

为有效抑制光纤陀螺(FOG)随机噪声,提出将一种多尺度变步长最小均方(MVSLMS)自适应算法应用于FOG数据处理中。根据FOG输出数据的特点,构建了MVSLMS自适应滤波器,提出了FOG信号滤波算法的实现步骤。对FOG实测静态数据、振动数据和速率测试数据进行了滤波实验,结果表明所提算法对FOG随机噪声的抑制效果明显,相比LMS滤波,MVSLMS自适应滤波后的静态数据零偏稳定性数值减小了72.0%,振动数据在振前、振中、振后零偏稳定性数值分别减小91.5%,77.4%和96.5%,速率测试数据标准差减小了54.4%。摇摆测试滤波实验结果表明所用算法对FOG真值信号具有较好的跟踪能力。     

多尺度变步长最小均方自适应算法在光纤陀螺数据处理中的应用

为有效抑制光纤陀螺(FOG)随机噪声,提出将一种多尺度变步长最小均方(MVSLMS)自适应算法应用于FOG数据处理中。根据FOG输出数据的特点,构建了MVSLMS自适应滤波器,提出了FOG信号滤波算法的实现步骤。对FOG实测静态数据、振动数据和速率测试数据进行了滤波实验,结果表明所提算法对FOG随机噪声的抑制效果明显,相比LMS滤波,MVSLMS自适应滤波后的静态数据零偏稳定性数值减小了72.0%,振动数据在振前、振中、振后零偏稳定性数值分别减小91.5%,77.4%和96.5%,速率测试数据标准差减小了54.4%。摇摆测试滤波实验结果表明所用算法对FOG真值信号具有较好的跟踪能力。     

目标自适应分割算法的研究

初步探讨和分析几种实际典型场景目标与背景的特征，提出相应的目标分割算法，并对几种方法加以融合。实际跟踪算法中，实现目标分割方法的自动转换．自动调整自适应分割门限及搜索方案．实验表明，该算法转换灵活，跟踪平稳。自适应能力强，抗干扰性能好．易于软件实现．     

粒子群优化算法在自适应偏振模色散补偿中的性能研究

反馈控制算法是偏振模色散的自适应补偿器的关键组成部分,将粒子群优化算法(PSO)引入到偏振模色散自适应补偿系统中。该算法的优点是具有快速收敛到全局最佳值的能力、避免搜索陷入局部极值的能力、抗噪声能力和多自由度控制能力。理论上分析了粒子群优化算法的两个分类———全局邻居结构粒子群优化(GPSO)和局部邻居结构粒子群优化(LPSO)在搜索全局最佳值方面的能力优劣,给出了局部邻居结构粒子群优化算法成功率达100%的三种邻居拓扑结构。实验表明:在补偿一阶偏振模色散时,全局邻居结构和局部邻居结构搜索全局最佳的成功率都能满足要求,全局邻居结构算法收敛速度快。而在补偿二阶偏振模色散时,全局邻居结构成功率降低,而局部邻居结构仍可以满足要求。     

时域自适应精细算法求解对流热传导问题

应用时域自适应精细算法求解对流传热问题.通过展开技术,可更准确地描述变量随时间的变化,同时将时空耦合的初边值问题转化为一系列的空间边值问题,并采用有限元方法递推求解.自适应技术可弥补时间步长不同时可能造成的计算精度损失.并进行了数值检验.     

自适应光学系统中的自适应控制算法研究

介绍和分析了一种在自适应光学系统中实用的自适应控制算法。与经典控制算法相比 ,自适应控制算法调整方便 ,综合考虑了大气湍流扰动和探测噪声等对系统控制效果的影响 ,控制参数能适应工作环境的变化 ,使系统达到最优控制状态。以 6 1单元自适应光学系统上实现的自适应控制算法为例 ,用经典控制理论的波德 (Bode)图、控制带宽等概念分析了这种算法的特点 ,并针对算法在实际系统应用中遇到的问题提出了解决的办法     

一种新的基于自适应模板的相关跟踪算法

提出了一种基于自适应模板的快速相关跟踪算法。该算法采用模板的自适应更新策略,运动估计,同时利用高效、并行的混合遗传算法进行模板匹配。实验结果表明该算法能够长时间稳定跟踪目标,跟踪精度高、实时性好。     

基于自适应遗传算法的SVM参数优化

针对基于遗传算法支持向量机(SVM)训练时间较长以及分类精度较网格搜索法有所降低等问题,通过重新定义遗传算法参数的寻优范围,提出一种自适应遗传算法;该算法根据网格搜索法得到遗传算法参数的最佳寻优范围,然后遗传算法在这个范围内进行参数的精确寻优,最后得到分类的结果;这样不仅可以有效缩短训练时间,而且拥有更高的分类正确率;通过UCI中的10组经典数据集的实验结果可知,自适应遗传算法较之网格搜索法、 常规遗传算法、粒子群算法在训练时间上有较大的提升,并且拥有较高的分类准确率。     

遗传算法在自适应光学系统中的应用

为了校正激光光束的波前像差,建立了一套无需直接探测波前信息的自适应光学(AO)系统模型,提出了一种基于实数编码的高斯变异的遗传算法(GA)用来控制61单元压电变形镜补偿波前像差,并仿真利用此算法控制61单元变形镜校正由变形镜本身产生的像差。结果表明,这种算法能够找到补偿各种像差所需的变形镜的最优面型。像差校正后,焦平面的峰值光强最多能够提高30倍。环围斯特尔比值(Strehl ratio)最多能够从校正前的0.032提高到0.96,变形镜61个驱动器后的电压值收敛性能良好。     

改进的分层A*算法在停车场路径寻优中的应用

在大型停车场车位路径寻优中,传统的评价指标是距离最短作为最优指标,并不可虑实际路况,为此引入了切实可行的时间较优评价指标,既能简化引导系统硬件设计,又能节省软件开销。首先,建立了停车场网络图R(P,C,D,V)数学模型,并把网络中的所有节点分成两层,分别构建了不同的估价函数,采用改进的A*算法,提高了以时间较优为评价指标的路径搜索效率和搜索精度。最后,程序运行结果表明,针对不同的路段属性参数,算法总能较快的找到时间较优路径。     

自适应遗传算法在光伏发电系统中的应用

针对光伏阵列在受到阴影遮挡时光伏发电系统总功率大幅下降的问题,采用分布式光伏阵列与光伏逆变器的群控方法,通过开关矩阵将多个光伏阵列与多台光伏逆变器相连,形成灵活多变的光伏发电网络拓扑结构,并根据该网络拓扑结构的工作原理,提出了相应的自适应遗传算法来实现分布式光伏阵列与光伏逆变器之间的群控管理.仿真及实验结果表明,光伏阵列受到阴影遮挡时,该算法使得光能的转换效率明显优于常规典型的分布式光伏发电方式,为有效利用光能提供了思路.     

自适应光学系统随机并行梯度下降控制算法实验研究

随机并行梯度下降算法是一种极具应用潜力的自适应光学系统控制算法,具有不依赖波前传感器直接对系统性能指标进行优化的特点。基于32单元变形镜、CCD成像器件等建立自适应光学系统随机并行梯度下降控制算法实验平台。考察算法增益系数和扰动幅度对校正效果和收敛速度的影响,验证随机并行梯度下降算法的基本原理。实验结果表明参量选取合适的情况下,随机并行梯度下降控制算法对静态或慢变化的畸变波前具有较好的校正能力。根据实验结果分析了影响随机并行梯度下降算法校正速度的主要因素。     

分区适应截值模型及其在交通标志识别中的应用

针对Ｈｏｐｆｉｅｌｄ网络模型在存储模式不满足０和１状态的均匀分布及数目对等的条件下存储容量及寻址能力下降的缺点，提出并用光束方向编码光学实现了三值（１，０，－１）互连的分区适应截值模型，并把这一模型应用到交通标志的识别中，结果表明该模型及光学系统有很好的稳定性。     

A Dead Reckoning Calibration Scheme Based on Optimization with an Adaptive Quantum-Inspired Evolutionary Algorithm for Vehicle Self-Localization

Parameter calibration is critical for self-localization based on dead reckoning in the control of intelligent vehicles such as autonomous driving. Most traditional calibration methods for robotics control based on dead reckoning rely on data collection with specially designed paths. For the calibration of parameters in the control of intelligent vehicles, the design of such paths is considered impossible due to the complexity of road conditions. To solve this problem, an optimization-based dead reckoning calibration scheme is introduced in this research using the differential global positioning system to obtain the actual positions of the intelligent vehicle. In this scheme, the difference between the positions obtained through dead reckoning and the positions obtained through the differential global positioning system is selected as the optimization objective function to be minimized. An adaptive quantum-inspired evolutionary algorithm is developed to improve the quality and efficiency of optimization. Experiments with an intelligent vehicle were also conducted to demonstrate the effectiveness of the developed calibration scheme. In addition, the newly introduced adaptive quantum-inspired evolutionary algorithm is compared with the classic genetic algorithm and the classic quantum-inspired evolutionary algorithm using eight benchmark test functions considering computation quality and efficiency.