云模型改进惯性权重的混沌交替粒子群算法

标准粒子群算法通过线性减小惯性权重系数来调整寻优性能,但缺乏智能化机制易导致算法后期产生早熟或陷入局部最优而产生僵局。针对这一问题,提出一种基于云模型改进惯性权重的混沌交替粒子群优化算法。根据粒子迭代变化关系,采用云模型理论对惯性权重ω进行智能化调整,以平衡其全局和局部搜索能力,防止算法产生局部僵局;另外,判定粒子稳定性,对于可能陷入局部僵局的稳定粒子进行混沌扰动,促使其跳出僵局进而向最优位置更新。实验与分析表明,基于云模型改进惯性权重的混沌交替粒子群优化算法能够跳出局部僵局且具有较高的寻优精度,算法接近完全收敛时的平均迭代次数,较现有相关研究分别降低了13.73%~20.11%。     

声纹鉴别及其应用

声纹是人说话声音的频谱图 ,由于人的个性 ,决定了不同人声纹的差异性 ,因此 ,声纹识别或声纹鉴定能够确定说话人的身份。声纹鉴别在很多领域有着广泛的应用价值和前景 ,这里 ,简单介绍声纹和声纹鉴定与识别的概念及其应用的历史与现状 ,探讨声纹鉴别的方法原理和步骤 ,讨论声纹鉴别在个人身份证明、刑事侦察、军事、通信、防伪等领域的应用 ,展望声纹鉴别的应用前景。     

惯导系统摇摆扰动基座对准技术

摇摆扰动基座上惯导系统初始对准扰动干扰信号强度较大,有用量测信号强度小,系统信噪比弱,对准过程滤波收敛慢.为提高惯导系统在摇摆扰动基座上的对准精度及对准快速性,设计了基于马尔科夫递推滤波参数估计的对准方案,通过开路粗对准及闭路精对准,实现游移方位惯导系统在扰动基座上的平台调平、航向确定及陀螺漂移测定,试验结果表明,所设计的方案达到了较好的效果.     

卡尔曼滤波的雷达双站无源测向定位新方法

雷达无源测向定位技术是一种非常有效的雷达电子对抗技术.将该技术应用到雷达组网中,将有利于提高现有装备雷达的电子对抗性能.通过在MSC坐标系中对双站无源测向雷达的Kalman滤波,计算出被测目标的状态预测以及预测方差,然后再将两者所得的状态预测通过数据融合技术计算出总的全局状态估计.并通过计算机仿真验证,结果表明此方法是一种具有工程意义的实用测向定位新方法.     

基于量子粒子群优化的无人飞行器路径规划

根据地形障碍、敌方防御雷达、防空火力等威胁以及禁飞区的分布情况,引入最小威胁面的概念,利用B-Sp line插值逼近最小威胁面中的三维航迹在二维水平面内的投影,从而将三维曲线的规划问题简化为二维平面中控制点的寻优问题。采用量子粒子群优化算法,将约束条件和搜索算法相结合,有效解决了简单粒子群算法在高维空间中易陷入局部最优点的问题,简化了问题复杂度、提高了计算效率。仿真结果表明,生成的航迹具有地形跟随、障碍回避和威胁回避等功能。     

改进的最速跟踪微分器滤波效果仿真

为保证获得数据的实时性以及滤除数据在获取过程中存在的一系列野值干扰,利用鲁棒滤波理论对最速跟踪微分器的跟踪和抗野值功能进行了改进,利用误差反馈的思想,对最速跟踪微分器进行实时在线的补偿修正,并将改进型跟踪微分器与标准最速跟踪微分器和鲁棒Kalman滤波器仿真结果进行了比较,表明经改进的最速跟踪微分器有更好的跟踪、滤波以及抗野值效果。     

基于中值排序的自适应加权均值滤波算法

分析了MTM算法的原理、优点和不足，并提出了一种改进的自适应加权均值滤波算法。该算法基于中值排序自适应地确定加权系数，完成对含噪图像的均值滤波。实验证明，算法能较好地滤除高斯噪声和脉冲噪声，且滤波效果优于传统的中值滤波和MTM滤波，是一种简单、实用的图像滤波算法。     

基于IEPF序贯融合的多传感器管理方法

针对主被动传感器信息融合的特点,提出了一种在IEPF序贯融合基础上进行传感器管理的方法。工程常采用的传统扩展卡尔曼滤波融合算法滤波精度不高,因此结合采用了粒子滤波方法。先对主被动传感器采用迭代扩展卡尔曼滤波集中式序贯融合,利用融合后的信息进行粒子更新,提高滤波精度,在此基础上采用分辨力增益的方法对传感器进行管理。仿真结果表明该方法能够提高对目标的跟踪精度,增强多传感器对环境变化的适应能力。     

基于抗差Kalman滤波的航空发动机测试数据预处理技术

针对使用标准Kalman滤波算法不能准确处理包含粗差的航空发动机测试数据的问题,在分析标准Kalman滤波算法准则和观测误差对滤波估计结果影响的基础上,采用动态调整观测信息在滤波估计结果中权重的方法,给出了基于抗差M估计理论的抗差Kalman滤波准则和递推公式。对不同的发动机测试数据分别采取序列滤波的方法,减少了运算量。基于常加速度模型,建立了测量参数的状态空间方程和测量方程。以包含粗差的某型涡扇发动机稳定工作过程的模拟测量数据为例,采用所设计的抗差Kalman滤波器对其进行预处理,与标准Kalman滤波算法处理的结果对比表明,在模型误差一定的情况下,抗差Kalman滤波算法具有更好的估计精度。     

基于“当前”统计模型的衰减因子自适应跟踪算法

针对机动目标跟踪问题,叙述了加速度方差自适应的"当前"统计模型.提出了一种具有自适应衰减因子的滤波算法,并对该算法进行了较为深入的理论分析.这种衰减记忆滤波具有集机动检测与参数自调整于一体的能力,最后Monte-Carlo仿真结果表明,这种自适应算法较原算法有较大的改进.