一、变结构多模型估计第Ⅱ部分——模型集合自适应(论文文献综述)
赵珂[1](2021)在《改进多模型状态估计方法及应用》文中进行了进一步梳理为保证复杂系统稳定可控,实现任务的精确执行,需要对系统进行精确观测。但系统状态大多仅在特定噪声条件下可以观测,且针对特殊变量的在线传感器造价昂贵,对环境的适应性不佳,难以精确测量。因此通过对含噪声的信号进行处理得到系统状态的估计值具有较大的应用价值。在众多状态估计方法中,多模型估计是一种性能优越的自适应状态估计方法,其通过多个与系统不同模态相匹配的模型来描述系统可能发生的运行模式变化或者结构变化,每一个模型都有一个与之相匹配的滤波器,最后通过融合处理各子滤波器的输出,得到系统状态的总体估计值,因此十分适合解决具有未知参数或者模式发生变化的状态估计问题,在系统监测、目标跟踪、图像识别、故障诊断等领域都有大量的研究。本文主要基于多模型状态估计理论,研究模型集选择与状态估计算法的改进以及在实际过程的应用,论文的主要创新性工作如下:(1)首先是针对多模型状态估计方法中模型集的选择问题,考虑到当描述系统所用的模型集很大或者实际过程的模态空间未知时,根据先验信息确定的模型集中可能会存在与系统运行状态差异很大的模型,而这一部分模型的存在会导致多模型状态估计算法的性能降低。为此提出了一种基于简约模型集的多模型状态估计方法。该方法基于贝叶斯原理,利用历史观测值来估计系统实际的模态空间,从而获得对应的模型集。利用简约模型集进行状态估计,可减少与系统实际运行状态不相匹配的模型所引入的干扰,提高估计精度。(2)其次针对污水处理过程出水毒素浓度检测问题,考虑利用活细胞在污水处理过程出水水样作用下的数量变化作为衡量水体中毒素浓度的间接指标,对现有的细胞毒性模型进行扩展。在多种不同的水质下使用不同的模型对细胞毒性过程进行描述,构建了覆盖过程真实状态变化的模型集,每一模型所描述的动态过程为一个模态,模态间的转移服从Markov过程构建了细胞毒性随机混杂模型。该模型既可以描述细胞毒性过程中某些机理不清和实验测试困难所产生的多种可能出现的动态过程,又有助于获取实验中难以测量的数据提高模型的适用范围和精确度。(3)最后基于所构建的细胞毒性随机混杂模型,利用交互多模型粒子滤波算法进行状态估计,从含有噪声的观测量(细胞数量)中获得不可测的细胞内细胞外毒素浓度。交互多模型粒子滤波算法作为多模型状态估计方法,适合污水处理过程模式随机变化的实际情形,在保证估计速度的同时又具有较高的精确性。与利用单一模型的污水毒素浓度估计效果进行对比,结果表明本文所提出的方法可以很好地适应外界条件随机变化的情况,实现对污水处理过程出水毒素浓度的实时在线估计。
岑晓男[2](2019)在《井下WSN多模型估计自适应目标跟踪算法研究》文中提出我国煤炭资源丰富,煤炭工业一直都是国民经济产业的重要组成部分。紧随信息时代,将互联网+大数据等信息科技技术引入煤炭工业将会大大提高其生产效率,不仅如此,还能有效实施矿井下的监控管理,以及安全隐患的预防和发生事故时的紧急施救。其中保证井下人员及设备的安全是是整个产业链的前提。反观煤矿井下的环境,地形复杂,很容易发生瓦斯爆炸、透水、顶板塌方等一些安全隐患,如果能实时对设备、人员进行跟踪对发生矿难后的救援以及平时的安全生产等工作起到积极的促进作用。然而,目前较成熟的跟踪技术有雷达和GPS跟踪系统,二者均可在地面上被广泛使用,但煤矿井下距地面几十米,内部设备多,遮挡信号严重,上述技术无法在井下自由应用。因此,通过对无线传感器网络、跟踪算法研究现状及井下跟踪系统进行研究分析,确定了本文的研究方向——井下无线传感器网络多模型估计自适应目标跟踪算法研究。首先,研究了经典卡尔曼滤波目标跟踪算法中目标运动模型及量测模型的建立,基于模型的思想和目标在运动时的特征,分别研究了目标匀速运动模型,即CV模型、目标的匀加速运动模型,即CA模型、目标加速度有变化时的Singer模型和“当前”统计模型。针对运动目标运动模式的不确定性,研究了交互式多模型目标跟踪算法的仿真实现。其次,针对交互式多模型算法中存在的模型间转移概率矩阵固定和模型集不变的缺陷,分别提出两种修正算法:隐马尔科夫模型修正下的交互多模跟踪算法和模型关系有向图辅助下的KL-VSIMM目标跟踪算法,有效改善了跟踪精度和灵敏度,达到对目标的自适应跟踪。最后根据煤矿井下巷道狭长的地形特点,均匀布放传感器节点,基于在地下管廊的实测数据拟合的RSSI-距离曲线,对目标进行定位,针对井下传感器节点的铺放位置结合局部异常因子检测算法对定位结果进行野值点剔除,结合多模型跟踪算法,采用无线传感器网路分布式分簇的跟踪方式实现了井下的目标跟踪系统。
卢宙[3](2019)在《基于多模型的机动目标分布式跟踪方法》文中研究指明在军事、导航、交通等领域,机动目标跟踪是一个重要的课题。一方面,现代战场上高机动目标种类、数量越来越多,对这类运动模式剧烈变化的目标进行准确跟踪是个难题;另一方面,随着传感器数量和种类越来越多,基于信息融合技术的目标检测与跟踪已成为一个热点研究领域。在这其中,分布式架构以其无融合中心、对通信带宽要求低、鲁棒性强等独特的优点日益受到人们重视,广泛应用在无线传感器网络等领域。基于以上背景,本文致力于研究机动适应力更强,精确性更高的变结构多模型机动目标跟踪算法,并将其通过一致性滤波思想引入到雷达和红外分布式传感器网络中,研究基于多模型的机动目标分布式跟踪方法。论文的主要研究工作如下:1.介绍了交互式多模型算法和变结构多模型算法的理论基础。针对雷达和红外传感器测量模型的非线性,研究了无迹卡尔曼滤波。并且发现,雷达和红外传感器的方位角测量函数存在奇异点,会导致状态估计效果在某些情况下急剧恶化。因此对无迹卡尔曼滤波和扩展卡尔曼滤波进行改进,提出方位角测量稳定的卡尔曼滤波。这种方法能够消除包含方位角的测量模型奇异点的影响,具有更好的跟踪稳定性。2.详细研究了两种典型的变结构多模型算法:期望模式扩增算法和可能模型集算法,通过仿真分析它们的优点和局限性;针对可能模型集算法在模式突变情况下动态误差增大的不足,提出核心模型的概念,据此改进了可能模型集算法,提高算法的性能;提出了基于可能模型集的期望模式扩增算法,既提高了期望模式扩增算法的估计效果,又减少了期望模式扩增算法每个算法周期参与滤波的模型数量。3.研究分布式无迹信息滤波算法,比较了三种基于一致性的分布式无迹信息滤波算法;考虑到多模型算法对运动模式突变的机动目标有比较好的状态估计效果,研究和比较了三种分布式交互式多模型无迹信息滤波;将变结构多模型算法应用到基于分布式传感器网络中,提出分布式的变结构多模型算法。这种方法相比于固定模型集的分布式交互式多模型算法具有更高的算法设计灵活性,提高了分布式网络下的机动目标跟踪性能。
李志敏[4](2016)在《旋翼无人机中的多模型组合导航技术》文中提出旋翼无人机以其体积小、重量轻、飞行机动灵活的优势被广泛应用于民用和军用领域。随着飞行任务和飞行环境的多样性和复杂性的不断增加,在实际应用中,对旋翼无人机导航系统的精度、可靠性以及自主性等方面提出了越来越高的要求。目前旋翼无人机中常采用基于多传感器配置的单一模型组合导航方式,在无人机处于机动和环境变化情况下会带来模型误差,导致无法准确估计其导航信息。而多模型估计方法是一种新型的自适应估计方法,适用于结构或参数不确定的复杂系统,能够避免单一模型不准确带来的影响,近年来主要在目标跟踪、过程控制等领域中得到应用,但在飞行器多信息融合导航技术领域中还未完全展开深入研究与应用工作。本文以旋翼无人机为研究对象,开展多模型组合导航关键技术及应用研究,旨在有效提高无人机在复杂机动环境下导航系统的精度与可靠性。目前,应用于旋翼无人飞行器导航系统的传感器主要包括低精度MEMS传感器、GPS、气压高度计、声呐系统等,以此为基础的组合导航系统想要获得更高精度的导航信息必须对机载传感器进行误差建模与标定补偿工作。论文首先对旋翼无人飞行器机载导航传感器误差特性进行了分析,分别对机载IMU、磁强计、声呐传感器和气压高度计建立了误差模型;其次,对传感器数据进行实验分析及误差模型参数标定,实现传感器误差补偿,避免了由于传感器固定误差带来的组合导航系统误差积累。机载传感器误差特性的研究是组合导航系统模型建立的基础。旋翼无人飞行器在应用过程中由于其复杂的机动特性和环境因素,建立准确的系统数学模型存在很大的难度。因此论文对适用于时变、不确定复杂系统估计的多模型方法进行了研究。针对复杂条件下模型数量增加,模型辨识不准确的问题,提出了基于分散状态的多模型估计方法,通过状态量的分散估计,有效提高了模型辨识准确率,并减少了所需模型数量,降低了计算量;同时,针对交互多模型估计算法对模型先验概率转移矩阵的过分依赖,提出一种模型概率转移方法,有效提高了模型转移的速度和准确性,为无人机的多模型组合导航算法改进提供了理论基础。在对多模型理论研究与改进的基础上,针对旋翼无人机组合导航系统实际问题进行了多模型方法的应用与验证。由于陀螺零偏受温度影响较大,基于扩充状态的零偏估计无法消除陀螺零偏时漂及温漂带来的姿态解算误差,对此提出基于交互多模型的姿态估计算法,通过建立不同环境下陀螺零偏漂移模型,采用磁强计辅助姿态信息进行多模型融合,消除了陀螺零偏变化带来的影响,提高了无人机复杂环境应用中的系统姿态估计精度;其次,针对旋翼无人机INS/GPS/气压高度计组合导航系统量测噪声模型未知时变问题,设计了旋翼无人机有色噪声时变情况下的多模型组合导航滤波算法,根据无人机量测噪声特性构建系统模型集,采用基于非线性UKF的交互多模型估计算法实时计算各个模型的概率,以逼近实际系统模型,从而避免了单一模型的片面性,获得了准确的状态估计结果,增强了无人机导航系统的可靠性。在上述理论和方法研究的基础上,为了对旋翼无人机组合导航系统误差特性及融合方法进行验证,论文通过搭载的多导航传感器的旋翼无人机平台进行了室内、室外飞行试验验证工作,验证了论文中所设计的多模型组合导航方案的可行性和有效性。本文针对多模型组合导航算法在旋翼无人机中的应用开展了有针对性的研究工作,具有较好的工程应用参考价值。
张凤云[5](2015)在《基于VSMMUKF的移动机器人故障诊断》文中研究说明科学技术飞跃发展的今天,机器人渐渐深入运用到民用、军事科研等各个领域。如组装工厂的机械臂,医用的医疗机器人,用于水文探测的机器鱼,用于军事领域的无人机无人潜艇等。然而,随着机器人工作时间的增长,以及所处环境的复杂多变,机器人的可靠性降低,机器人会随之发生机械故障或者系统故障,可能会直接影响机器人的工作效率甚至会使机器人完全瘫痪从而造成严重的损失。由此可见,对于机器人的故障诊断方法的研究,有着非常重要的理论和实际意义。在工业上、科研上和军事上常用于移动机器人故障诊断方法可以分为三种类型:基于信号处理的方法,基于知识的方法和基于解析模型的方法。相对于其他的故障诊断系统来说,能够很容易得到移动机器人的动力学模型和速度、角速度传感器数学模型,因此对于移动机器人故障诊断的方法中主要以解析模型的方法为主。传统的解析模型的方法多以固定结构的交互多模型算法为主,当考虑组合故障的时候,移动机器人的故障空间会相对较大,模型集数量较多,传统方法中无关模型的模型竞争会使估计精度降低,诊断的准确率降低。当系统是一个非线性非高斯系统的时候,传统的用于非线性系统的滤波算法是扩展卡尔曼滤波,但是由于其要计算雅各比矩阵,计算量大,计算复杂度高,而且其计算精度低。本文将变结构多模型算法与无味卡尔曼滤波结合起来,不但解决了当考虑组合故障所带来的大模型集导致的模型竞争问题,也解决了传统的用于非线性系统滤波的扩展卡尔曼滤波计算精度低的问题,最后的仿真结果显示了该方法用于移动机器人故障诊断时候降低了响应时间提高了精确度。
张文杰[6](2015)在《基于变结构多模型的机动目标跟踪方法研究》文中认为机动目标跟踪是指人们利用各种已知信息和量测数据对机动目标进行建模、估计和跟踪的过程。机动目标跟踪技术在军用领域和民用领域都有非常广泛的应用。随着科技的发展,目标的机动性不断增强,对机动目标的跟踪越来困难。因此,机动目标跟踪技术的研究具有重要的现实意义。本文主要研究了变结构多模型估计方法在单机动目标和多机动目标跟踪中的应用。首先介绍了多模型估计方法的基本理论并着重研究了交互式多模型估计算法的基本原理。通过实验仿真,分析和比较了几种常用多模型估计算法的跟踪性能。其次,针对变结构多模型估计方法中通常采用齐次Markov转移概率矩阵问题,本文引入了具有后验估计的Markov转移概率矩阵,并且采用强跟踪交互式多模型算法提高多模型估计的自适应能力。第三,研究了在最小模型组的基础上进行最优模型扩展的变结构多模型估计算法,有效的减少了传统最优模型扩展估计算法的计算复杂度并且提高跟踪精度。最后,针对多目标跟踪问题,研究了交互式多模型联合概率数据关联(IMMJPDA)滤波算法,并在此基础上给出了一种变结构多模型联合概率数据关联(VSMMJPDA)滤波算法。变结构多模型估计方法是多模型估计方法的又一个里程碑。它克服了固定结构多模型估计方法的许多不足,满足了现代多模型估计的要求,因此具有广阔的发展前景。在本文最后,针对本文还存在的不足以及变结构多模型估计的发展方向给出了四点展望,为以后的进一步研究指明了方向。
王磊[7](2015)在《深海AUV多源导航信息融合方法研究》文中认为自主水下航行器(AUV)是开发利用深海资源、调查深海环境、利用深海空间的关键技术装备,而精度高、稳定性好的导航定位系统是自主水下航行器安全、可靠地执行水下任务的技术保障。对多源导航信息融合方法的研究是提高自主水下航行器导航定位精度以及可靠性的重要手段之一。本文以深海AUV多源导航信息融合方法为主题,研究工作主要围绕非线性非高斯滤波算法、导航传感器数据降噪方法、多模型状态估计理论以及在水下航行器组合导航系统中的应用。论文的主要内容如下:1.针对非线性、非高斯状态估计问题,研究高斯和确定采样型滤波算法。推导非线性贝叶斯滤波理论框架,对高斯确定采样型滤波算法进行分析,并对利用数值积分进行非线性近似的方法进行研究,建立了一种通过概率密度函数进行采样点选取的高阶无迹卡尔曼滤波算法,将其与高斯和滤波理论相结合,提出一种高斯和高阶无迹卡尔曼滤波算法,数值仿真实验结果表明该算法能够兼顾估计精度和计算复杂度,性能优于现有的高斯和滤波器。2.为了解决水下航行器组合导航系统由于外部环境变化、机械振动以及水声信号多径效应等噪声干扰,研究导航传感器数据降噪方法。分析AUV各导航传感器的工作原理以及引起测量误差的原因,并建立各传感器的误差模型;对基于小波变换和经验模型分解的信号降噪方法进行研究,将这两种方法应用于水下航行器各传感器数据预处理中,仿真实验结果表明,两种降噪方法均有助于提升AUV组合导航估计精度,基于经验模态分解的降噪方法有较好的自适应能力。3.针对水下航行器组合导航系统噪声统计特性不确定的情况,研究基于多模型估计的组合导航信息融合方法。对基于多模型估计理论的状态估计方法进行研究,分析交互式多模型算法,利用模型集自适应策略中的期望模式修正思想对其进行改进,提出一种期望模式修正的交互式多模型估计算法,在SINS/DVL组合导航系统中对该方法进行仿真实验,结果表明改进的方法能够在适度增加计算复杂度的情况下,提升组合导航系统估计精度及算法稳定性。4.针对交互式多模型算法中模型转移概率更新对量测噪声变化过于敏感、模型概率计算容易出现不稳定的问题,对模型转换概率自适应交互式多模型方法进行研究。分析引起模型概率计算不准确的因素,对改进的新息交互式多模型算法进行研究,提出一种基于贝叶斯网络的交互式多模型估计方法,对AUV组合导航系统中隐含的因果信息进行分析,建立贝叶斯网络,并通过SINS/DVL/TAN/MCP组成的AUV组合导航系统进行仿真实验验证,结果表明提出的算法能够解决交互式多模型估计中存在的模型切换滞后问题,提高AUV组合导航系统的状态估计精度。5.为了提高水下航行器多源导航信息融合方法的实时性、灵活性以及容错能力,对联邦多模型估计信息融合方法进行研究。对联邦滤波器的一般结构、设计流程等进行分析,将多模型估计引入到联邦滤波器中,建立一种联邦多模型估计算法结构,并对该算法进行推导;结合多源导航传感器组合导航系统,.建立一种适用于水下航行器的信息融合结构;推导以SINS作为参考系统的组合导航系统误差模型,并设计仿真实验,结果表明由于联邦交互式多模型滤波能够自适应的选择匹配模型进行估计,得到的位置误差均值、标准差均小于普通的联邦Kalman滤波算法。设计组合导航系统跑车试验,利用跑车试验数据对基于多模型的联邦滤波算法进行半物理仿真实验,结果表明该算法估计精度与稳定性优于传统的联邦Kalman滤波算法。
何丹敏[8](2015)在《基于效果反馈的机动目标跟踪算法研究》文中提出多源信息融合是对来自多源的信息和数据进行检测、关联、估计等处理,以得到更精确的位置和身份估计。多源信息融合技术在军事和民用领域都有着广泛的应用。目标跟踪是多源息融合技术的重要研究内容之一,但随着一些新型机动目标的出现,如高超声速目标、低小慢目标等,使得传统的目标跟踪算法面临着巨大的挑战。针对机动目标跟踪中目标运动模式和量测来源的不确定性,以及多目标跟踪过程中存在的数据关联问题,本文结合现有变结构多模型算法的优点,提出了一种基于“当前”统计模型的混合网格多模型算法,并基于跟踪效果构建了多机动目标跟踪的闭环结构。论文的主要工作如下:首先,简述了本文的研究背景及意义,对目标跟踪算法的研究现状进行了综述,并介绍了目标跟踪技术相关的理论与方法。其次,针对混合网格多模型算法中用于描述目标运动模式的加速度估计不准确引起跟踪精度下降的问题,提出了一种基于“当前”统计模型的混合网格多模型算法。该算法以基于“当前”统计模型估计得到的加速度均值为依据进行网格划分,在线生成目标可能的模型集合,并采用交互式多模型算法进行目标跟踪。在一般机动及强机动场景下进行了算法性能测试分析,仿真结果表明,该算法提高了对机动目标的跟踪精度。再次,针对多机动目标跟踪过程中跟踪精度不高甚至出现漏跟的情况,将上述提到的基于“当前”统计模型的混合网格多模型算法应用于多机动目标跟踪问题,提出了一种基于效果反馈的多机动目标跟踪算法。将基于“当前”统计模型的混合网格多模型算法将得到的目标跟踪协方差信息反馈到下一时刻的新息和滤波增益时,其一方面用于调整目标跟踪门,另一方面作为多目标关联算法的选择依据,从而实现了多目标跟踪过程中的多级闭环。仿真结果表明,该算法能有效提高多机动跟踪的精度及实时性。最后,对本文工作进行了总结与展望。
娄益茂[9](2014)在《变结构多模型机动目标跟踪算法研究》文中认为机动目标跟踪技术一直以来都是信息融合系统中的一个重要研究课题,其在民用和军事领域中均有着广泛的应用。随着目标机动性越来越强,以及对于机动目标跟踪精度要求越来越高,如何实现对机动目标的稳定、精确、可靠的跟踪,显得尤为重要,完善和改进现有目标跟踪技术有其理论意义和现实意义。多模型算法的出现为机动目标跟踪问题提供了很好的解决方法,随着多模型算法不断的发展和进步,变结构多模型算法逐渐成为了研究的主流,不断有学者提出不同的变结构多模型算法,使得目标跟踪精度、实时性得到了很大的提升。本文是在现有的变结构多模型算法的基础上,提出了三种新的变结构多模型算法,具体内容如下:1.基于可能模型集的最好模型集扩展的变结构多模型算法,该算法的主要思想是,首先利用可能模型集算法中的模型集合自适应策略删除基本模型集中的不可能模型,得到当前时刻的有效模型集合,然后利用最好模型集合扩展算法BMA的KL准则,从预先设计好的候选模型集中选择一个当前时刻的最好模型,最后基于有效模型集和最好模型进行模型集合序列条件估计,获得机动目标的总体估计。对该算法与现有算法进行仿真对比,验证了提出的算法具有较高的费效比。2.基于期望模式的最好模型集扩展的变结构多模型算法(EBMA),该算法的主要思想是,基本模型模型集先经过期望模式扩展算法(EMA)得到当前时刻的期望模型,然后利用期望模型与候选模型集合的欧式距离,将当前时刻距离期望模型最近的候选模型作为当前时刻的期望最好模型,最后基于基本模型集和期望最好模型进行模型集合序列条件估计,获得机动目标的总体估计。对该算法与现有算法进行仿真对比,验证了提出的算法具有较高的费效比。3.基于期望模式的折衷模型扩展的变结构多模型算法,该算法的主要思想是,基本模型集先经过期望模式扩展算法(EMA)得到当前时刻的期望模型,然后取期望模型与最近的基本模型所在的直线与两个最近基本模型所组成直线的中垂线的所在的交点为折衷模型。最后基于基本模型集和折衷模型进行模型集合序列条件估计,获得机动目标的总体估计。对该算法与现有算法进行仿真对比,验证了提出的算法在跟踪性能上有很大的提高。
刘扬,刘火平,吴钦章[10](2011)在《多模型估计的新分支——变结构多模型方法》文中进行了进一步梳理作为多模型方法的新分支,变结构多模型方法(VSMM)是当前机动目标跟踪、故障诊断等领域中研究的热点。首先简述了VSMM方法的发展过程和近期动态,在对VSMM方法进行深入分析的同时针对其理论核心——模型集自适应(MSA)策略进行讨论;详细介绍了几种现存的典型VSMM算法;同时简述了VSMM方法的应用概况;最后指出了目前VSMM方法重点关注的问题热点和今后的研究领域。
二、变结构多模型估计第Ⅱ部分——模型集合自适应(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、变结构多模型估计第Ⅱ部分——模型集合自适应(论文提纲范文)
(1)改进多模型状态估计方法及应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 复杂系统的多模型描述 |
1.2 多模型状态估计研究现状 |
1.2.1 静态多模型估计算法 |
1.2.2 动态多模型估计算法 |
1.2.3 多模型估计框架的其他算法 |
1.3 本文主要研究内容 |
第二章 多模型状态估计 |
2.1 引言 |
2.2 基础概念与算法 |
2.2.1 全概率与贝叶斯定理 |
2.2.2 贝叶斯状态估计 |
2.2.3 卡尔曼滤波 |
2.3 多模型算法 |
2.3.1 伪贝叶斯算法 |
2.3.2 交互多模型算法 |
2.4 本章小结 |
第三章 基于简约模型集的多模型状态估计方法 |
3.1 引言 |
3.2 问题描述 |
3.3 模型集简约算法 |
3.3.1 单模态系统 |
3.3.2 多模态系统 |
3.3.3 讨论 |
3.4 状态估计方法选择 |
3.5 仿真分析 |
3.5.1 数值仿真 |
3.5.2 单自由度扭矩系统 |
3.6 本章小结 |
第四章 基于交互多模型粒子滤波的污水毒素浓度估计 |
4.1 引言 |
4.2 细胞毒性模型 |
4.2.1 细胞毒性基本模型 |
4.2.2 细胞毒性随机混杂模型 |
4.3 毒素浓度的早期估计 |
4.3.1 毒素浓度估计问题 |
4.3.2 交互多模型粒子滤波估计方法 |
4.4 仿真分析 |
4.4.1 铬(Ⅵ)的浓度估计 |
4.4.2 氯化汞(Ⅱ)的浓度估计 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
附录:作者在攻读硕士学位期间发表的论文 |
(2)井下WSN多模型估计自适应目标跟踪算法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 选题背景及意义 |
1.2 WSN目标跟踪简介 |
1.2.1 WSN简介 |
1.2.2 WSN目标跟踪 |
1.3 WSN目标跟踪国内外研究现状 |
1.4 煤矿井下跟踪技术发展现状 |
1.5 论文主要内容及组成结构 |
2 WSN目标跟踪技术的理论基础 |
2.1 WSN目标跟踪的流程 |
2.2 目标跟踪基本算法 |
2.2.1 Kalman滤波 |
2.2.2 粒子滤波 |
2.2.3 目标跟踪常用模型 |
3 隐马尔可夫模型修正的交互多模跟踪算法 |
3.1 多模型估计算法 |
3.2 交互式多模型算法 |
3.3 隐马尔科夫模型 |
3.4 隐马尔科夫模型修正下的交互多模跟踪算法 |
3.4.1 隐马尔可夫建模 |
3.4.2 Viterbi算法求解修正系数 |
3.4.3 状态转移矩阵自适应IMM算法 |
3.5 仿真实验与分析 |
3.5.1 实验设计 |
3.5.2 仿真结果分析 |
3.6 结论 |
4 模型关系有向图辅助下的KL-VSIMM目标跟踪算法 |
4.1 模型关系有向图的设计 |
4.2 KL算法 |
4.3 KL-VSIMM算法 |
4.3.1 VSIMM算法 |
4.3.2 KL-VSIMM算法 |
4.4 仿真实验与分析 |
4.4.1 实验设计 |
4.4.2 仿真结果分析 |
4.5 结论 |
5 井下WSN分布式分簇算法 |
5.1 煤矿井下环境 |
5.2 RSSI信道传输建模 |
5.3 分布式节点选择策略 |
5.3.1 井下节点部署 |
5.3.2 能耗模型 |
5.3.3 节点选择策略 |
5.4 野值点检测 |
5.5 实验设计及仿真 |
5.5.1 实验设计 |
5.5.2 仿真结果分析 |
结论 |
参考文献 |
在学研究成果 |
致谢 |
(3)基于多模型的机动目标分布式跟踪方法(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 机动目标跟踪算法 |
1.2.2 基于一致性的分布式状态估计 |
1.3 论文主要内容与章节安排 |
第二章 多模型机动目标跟踪基础理论 |
2.1 引言 |
2.2 混杂系统估计理论 |
2.3 交互式多模型算法 |
2.4 变结构多模型算法 |
2.4.1 VSIMM算法流程 |
2.4.2 估计融合 |
2.5 无迹卡尔曼滤波 |
2.6 方位角测量稳定的卡尔曼滤波 |
2.6.1 直角坐标到极坐标和球坐标的转换 |
2.6.2 奇异点引发的问题 |
2.6.3 方位角测量稳定的卡尔曼滤波 |
2.6.4 仿真分析 |
2.7 小结 |
第三章 变结构多模型算法 |
3.1 引言 |
3.2 期望模式扩增算法 |
3.2.1 原理与算法流程 |
3.2.2 仿真分析 |
3.3 可能模型集算法 |
3.3.1 原理与算法流程 |
3.3.2 仿真分析 |
3.4 基于核心模型的改进可能模型集算法 |
3.4.1 原理与算法流程 |
3.4.2 仿真分析 |
3.5 基于可能模型集的期望模式扩增方法 |
3.5.1 原理与算法流程 |
3.5.2 仿真分析 |
3.6 小结 |
第四章 基于一致性的分布式无迹信息滤波 |
4.1 引言 |
4.2 图论基础 |
4.3 一致性状态估计算法理论基础 |
4.4 无迹信息滤波 |
4.4.1 信息滤波 |
4.4.2 无迹信息滤波 |
4.5 基于一致性的分布式无迹信息滤波 |
4.5.1 原理与算法流程 |
4.5.2 仿真分析 |
4.6 小结 |
第五章 基于多模型的机动目标分布式跟踪算法 |
5.1 引言 |
5.2 交互式多模型无迹信息滤波 |
5.3 分布式交互式多模型算法 |
5.3.1 原理与算法流程 |
5.3.2 仿真分析 |
5.4 分布式变结构多模型算法 |
5.4.1 分布式变结构多模型算法的特点 |
5.4.2 分布式VSIMM算法 |
5.4.3 仿真分析 |
5.5 小结 |
第六章 结论与展望 |
6.1 主要工作与创新点 |
6.2 后续研究工作 |
参考文献 |
致谢 |
攻读硕士学位期间已发表或录用的论文 |
(4)旋翼无人机中的多模型组合导航技术(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 论文研究背景 |
1.2 旋翼无人机导航技术与多模型理论的发展现状 |
1.2.1 旋翼无人机导航技术的发展现状 |
1.2.2 多模型估计理论的发展现状 |
1.3 论文研究的目的和意义 |
1.4 本文的主要工作和结构安排 |
第二章 旋翼无人机导航传感器误差建模及标定技术 |
2.1 引言 |
2.2 MEMS-IMU误差建模与标定 |
2.2.1 MEMS惯性传感器误差建模 |
2.2.2 MEMS惯性传感器误差标定 |
2.3 MEMS磁强计误差建模与标定 |
2.3.1 MEMS磁强计误差建模 |
2.3.2 MEMS磁强计误差标定 |
2.4 高度传感器误差特性分析与建模 |
2.4.1 声呐传感器误差分析与测试 |
2.4.2 气压高度计误差分析与测试 |
2.5 本章小结 |
第三章 多模型组合导航算法研究与改进 |
3.1 引言 |
3.2 多模型方法的分类及特点 |
3.2.1 自适应多模型估计算法 |
3.2.2 交互多模型估计算法 |
3.2.3 变结构多模型估计理论 |
3.3 基于分散状态的自适应多模型算法设计与验证 |
3.3.1 基于分散状态的自适应多模型算法设计 |
3.3.2 分散状态自适应多模型算法仿真验证 |
3.4 基于模型概率转移的交互式多模型算法设计与改进 |
3.4.1 模型概率转移的模糊规则设计 |
3.4.2 基于模型概率转移的交互式多模型算法仿真验证 |
3.5 本章小结 |
第四章 多模型非线性算法在无人机组合导航系统中的应用与改进 |
4.1 引言 |
4.2 UKF算法设计 |
4.3 UAV交互多模型非线性姿态算法研究 |
4.3.1 基于模型概率转移的交互式多模型非线性姿态算法设计 |
4.3.2 基于模型概率转移的交互式多模型非线性姿态算法仿真验证 |
4.4 基于时变有色噪声的交互多模型非线性导航算法研究 |
4.4.1 UKF交互多模型组合导航算法设计 |
4.4.2 UKF交互多模型组合导航算法仿真验证 |
4.5 本章小结 |
第五章 基于旋翼无人机的多模型组合导航技术验证 |
5.1 引言 |
5.2 旋翼飞行器平台系统设计与实现 |
5.2.1 旋翼飞行器导航系统硬件设计 |
5.2.2 旋翼飞行器导航系统软件设计 |
5.3 基于多模型组合导航算法的旋翼飞行器室内飞行试验 |
5.3.1 室内运动捕捉系统 |
5.3.2 旋翼飞行器室内动态试验验证 |
5.4 基于多模型组合导航算法的旋翼飞行器室外飞行试验 |
5.4.1 旋翼飞行器室外多模型组合导航系统建立 |
5.4.2 旋翼飞行器室外多模型组合导航系统飞行试验 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 本文工作总结 |
6.2 对未来工作的展望 |
参考文献 |
致谢 |
在学期间的研究成果及学术论文情况 |
(5)基于VSMMUKF的移动机器人故障诊断(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 前言 |
1.2 故障诊断的研究现状 |
1.2.1 基于信号处理的方法 |
1.2.2 基于知识的方法 |
1.2.3 基于解析模型的方法 |
1.3 移动机器人故障诊断的研究现状 |
1.3.1 基于信号处理的方法 |
1.3.2 基于知识的方法 |
1.3.3 基于解析模型的方法 |
1.4 移动机器人的故障分类 |
1.5 移动机器人故障诊断的特点和难点 |
1.6 论文主要工作及章节安排 |
第二章 无味卡尔曼滤波 |
2.1 卡尔曼滤波 |
2.1.1 贝叶斯估计 |
2.1.2 卡尔曼滤波方程 |
2.2 扩展卡尔曼滤波方程 |
2.3 无味卡尔曼滤波 |
2.3.1 无味变换 |
2.3.2 采样策略 |
2.3.3 UKF 方程 |
2.4 仿真分析 |
2.5 本章小结 |
第三章 变结构多模型算法 |
3.1 多模型算法的发展 |
3.2 交互多模型算法 |
3.2.1 交互多模型算法的原理 |
3.2.2 交互多模型算法的计算过程 |
3.3 IMM 的局限性 |
3.4 VSMM 的原理 |
3.5 MSA 算法 |
3.5.1 有向图的简介 |
3.5.2 三种 MSA 算法 |
3.6 常见的 VSMM 算法 |
3.7 MGS 算法 |
3.7.1 MGS 的特点 |
3.7.2 MGS 的步骤 |
3.7.3 MGS 算法设计 |
3.7.3.1 模型集覆盖 |
3.7.3.2 模型群激活和终止逻辑 |
3.7.3.3 模型群的初始化 |
3.7.3.4 MGS 算法的初始化 |
3.8 仿真分析 |
3.9 本章小结 |
第四章 基于 VSMM_UKF 的移动机器人故障诊断 |
4.1 移动机器人的动力学模型 |
4.2 模型群覆盖设计 |
4.3 模型群激活和终止逻辑 |
4.4 新激活模型群的模型转移概率 |
4.5 基于 MGS 故障诊断算法的过程 |
4.5.1 故障诊断的流程图 |
4.5.2 VSMM_UKF 的算法过程 |
4.6 仿真实验 |
4.6.1 仿真内容的设定 |
4.6.2 初始化参数设定 |
4.7 仿真结果分析 |
4.8 本章小结 |
第五章 总结 |
5.1 主要工作回顾 |
5.2 需进一步研究的地方 |
参考文献 |
个人简历 在读期间发表的学术论文 |
致谢 |
(6)基于变结构多模型的机动目标跟踪方法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1 研究背景及意义 |
2 机动目标跟踪的理论基础 |
3 国内外研究现状及发展趋势 |
4 本文内容安排及组织结构 |
第二章 基于多模型的机动目标跟踪算法介绍及分析 |
2.1 引言 |
2.2 多模型估计算法的基本介绍 |
2.2.1 多模型估计方法的基本概念 |
2.2.2 多模型估计方法的基本结构 |
2.2.3 多模型估计的最优估计准则 |
2.2.4 三代多模型估计算法 |
2.3 基于交互式多模型估计的机动目标跟踪算法 |
2.3.1 跟踪问题描述 |
2.3.2 交互式多模型(IMM)估计算法 |
2.4 实验仿真及分析 |
2.5 本章小结 |
第三章 基于变结构多模型的单机动目标跟踪算法 |
3.1 引言 |
3.2 变结构多模型估计算法基本介绍 |
3.3 具有参数自适应的变结构多模型强跟踪算法 |
3.3.1 问题描述及最小模型组的有向图分析 |
3.3.2 具有参数自适应的变结构多模型强跟踪算法 |
3.3.3 实验与仿真分析 |
3.4 基于最小模型组的最优模型扩展机动目标跟踪算法 |
3.4.1 最小KL(Kullback-Leibler)信息准则下的最优模型扩展 |
3.4.2 模型集自适应 |
3.4.3 实验与仿真分析 |
3.5 本章小结 |
第四章 基于变结构多模型的多机动目标跟踪算法 |
4.1 引言 |
4.2 交互式多模型联合概率数据关联算法 |
4.2.1 联合概率数据关联算法(JPDA) |
4.2.1.1 关联事件的建立 |
4.2.1.2 联合概率的计算 |
4.2.2 交互式多模型联合概率数据关联(IMMJPDA)算法 |
4.3 基于变结构多模型联合概率数据关联算法 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 论文总结 |
5.2 工作展望 |
致谢 |
参考文献 |
附录 |
(7)深海AUV多源导航信息融合方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题的研究背景与意义 |
1.2 国内外水下航行器发展现状 |
1.2.1 美国自主水下航行器的研究现状 |
1.2.2 其它国家自主水下航行器的研究现状 |
1.2.3 我国自主水下航行器研究现状 |
1.3 AUV组合导航系统的发展现状 |
1.4 AUV组合导航信息融合方法发展现状 |
1.4.1 信息预处理技术 |
1.4.2 估计理论与方法 |
1.4.3 多模型(MM)估计 |
1.4.4 联邦滤波器 |
1.5 论文主要研究内容 |
第二章 高斯和确定采样型滤波算法研究 |
2.1 非线性贝叶斯滤波理论 |
2.2 非线性变换方法 |
2.2.1 泰勒级数展开非线性变换 |
2.2.2 UT变换 |
2.2.3 其它确定采样型数值积分准则 |
2.3 高阶无味卡尔曼滤波算法 |
2.3.1 高阶UT变换 |
2.3.2 高阶无味卡尔曼滤波算法 |
2.3.3 高斯和-高阶无味卡尔曼滤波算法 |
2.4 仿真实验 |
2.5 本章小结 |
第三章 AUV多源导航传感器及信息预处理 |
3.1 引言 |
3.2 坐标系及参数定义 |
3.2.1 常用坐标系 |
3.2.2 姿态角定义 |
3.3 AUV组合导航传感器测量原理及误差分析 |
3.3.1 捷联惯性导航系统 |
3.3.2 多普勒计程仪 |
3.3.3 磁航向仪 |
3.3.4 地形辅助导航系统 |
3.3.5 动力学模型辅助导航 |
3.4 传感器信号降噪 |
3.4.1 基于小波变换的阈值滤波算法 |
3.4.2 经验模态分解EMD降噪方法 |
3.5 仿真实验 |
3.6 本章小结 |
第四章 多模型估计AUV组合导航信息融合研究 |
4.1 引言 |
4.2 多模型方法概述 |
4.2.1 混合系统描述 |
4.2.2 广义伪贝叶斯估计方法 |
4.2.3 交互式多模型(IMM)算法 |
4.2.4 变结构多模型估计VSMM |
4.3 基于期望模式修正方法的IMM算法 |
4.3.1 期望模式修正方法 |
4.3.2 EMA-IMM算法 |
4.4 SINS/DVL组合导航 |
4.5 仿真实验 |
4.6 本章小结 |
第五章 贝叶斯网络多模型估计AUV组合导航研究 |
5.1 引言 |
5.2 模型概率自适应交互式多模型算法 |
5.2.1 影响模型概率的因素分析 |
5.2.2 新息交互式多模型IFIMM算法 |
5.2.3 仿真验证 |
5.3 贝叶斯网络交互式多模型算法 |
5.3.1 贝叶斯网络 |
5.3.2 BN-IMM算法 |
5.3.3 贝叶斯网络AUV组合导航系统 |
5.3.4 仿真实验 |
5.4 本章小结 |
第六章 AUV组合导航联邦多模型估计信息融合方法研究 |
6.1 引言 |
6.2 AUV组合导航联邦信息融合方法 |
6.2.1 联邦滤波器 |
6.2.2 组合导航系统误差模型 |
6.2.3 仿真实验 |
6.3 联邦多模型估计信息融合算法 |
6.3.1 联邦多模型估计器结构 |
6.3.2 联邦多模型估计算法 |
6.3.3 AUV组合导航多模型联邦信息融合结构 |
6.3.4 仿真实验 |
6.4 跑车试验数据半物理仿真 |
6.5 本章小结 |
第七章 结论与展望 |
7.1 工作内容总结 |
7.2 本文创新成果 |
7.3 下一步工作展望 |
参考文献 |
攻读博士学位期间发表的论文和取得的科研成果 |
致谢 |
(8)基于效果反馈的机动目标跟踪算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 目标跟踪算法国内外研究现状 |
1.2.1 单目标跟踪算法 |
1.2.2 多目标跟踪算法 |
1.3 本文主要内容和章节安排 |
第2章 目标跟踪相关理论与方法 |
2.1 引言 |
2.2 机动目标跟踪算法概述 |
2.2.1 基本原理 |
2.2.2 目标建模 |
2.2.3 机动检测 |
2.2.4 自适应滤波算法 |
2.3 多目标跟踪算法概述 |
2.3.1 基本原理 |
2.3.2 数据关联与跟踪维持 |
2.3.3 跟踪起始和终结 |
2.4 本章小结 |
第3章 基于“当前”统计模型的混合网格多模型算法 |
3.1 引言 |
3.2 混合网格多模型算法 |
3.3 基于 CS 模型和混合网格的变结构多模型算法 |
3.3.1 “当前”机动加速度均值 |
3.3.2 网格自适应划分 |
3.3.3 交互滤波 |
3.4 仿真分析 |
3.5 本章小结 |
第4章 基于效果反馈的多机动目标跟踪算法 |
4.1 引言 |
4.2 多机动目标跟踪算法问题描述 |
4.3 基于 CSHGMM 的多机动目标跟踪算法 |
4.3.1 有效回波确认 |
4.3.2 关联算法选择 |
4.3.3 目标状态更新 |
4.4 仿真分析 |
4.5 本章小结 |
第5章 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
附录 |
(9)变结构多模型机动目标跟踪算法研究(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 研究题目的背景及意义 |
1.2 机动目标跟踪的研究现状 |
1.3 多模型算法的发展现状 |
1.4 论文的主要内容安排 |
第二章 机动目标跟踪基本理论 |
2.1 单机动目标跟踪基本原理 |
2.2 基本的跟踪滤波算法 |
2.2.1 卡尔曼滤波算法(KF) |
2.2.2 扩展卡尔曼滤波算法(EKF) |
2.3 机动目标跟踪模型 |
2.3.1 匀速和匀加速模型(CV和CA) |
2.3.2 匀速率转弯模型(CT) |
2.3.3 交互多模型(IMM) |
2.4 变结构多模型算法的基本原理 |
2.4.1 模型集合自适应(MSA) |
2.4.2 变结构交互多模型算法(VSIMM) |
2.5 小结 |
第三章 基于LMS-BMA的变结构多模型算法 |
3.1 引言 |
3.2 BMA算法中的KL准则 |
3.3 基于LMS-BMA的变结构多模型算法 |
3.4 机动目标跟踪的场景设计 |
3.5 实验仿真与结果分析 |
3.5.1 模型设计以及参数设置 |
3.5.2 仿真结果与分析 |
3.6 小结 |
第四章 基于期望最好模型集扩展的变结构多模型算法 |
4.1 引言 |
4.2 基于期望最好模型集扩展的变结构多模型算法 |
4.3 实验仿真与结果分析 |
4.3.1 仿真内容 |
4.3.2 仿真结果及分析 |
4.4 小结 |
第五章 基于期望模式的折衷模型扩展算法 |
5.1 引言 |
5.2 基于期望模式的折衷模型扩展算法 |
5.3 实验仿真与结果分析 |
5.3.1 仿真内容 |
5.3.2 仿真结果及分析 |
5.4 小结 |
第六章 结论和展望 |
6.1 研究结论 |
6.2 研究展望 |
参考文献 |
致谢 |
作者简介 |
(10)多模型估计的新分支——变结构多模型方法(论文提纲范文)
0 引言 |
1 VSMM的发展与近期动态 |
2 理论研究 |
2.1 VSMM方法分析 |
2.2 VSMM方法思想 |
3 算法研究 |
4 应用研究 |
5 结束语 |
四、变结构多模型估计第Ⅱ部分——模型集合自适应(论文参考文献)
- [1]改进多模型状态估计方法及应用[D]. 赵珂. 江南大学, 2021(01)
- [2]井下WSN多模型估计自适应目标跟踪算法研究[D]. 岑晓男. 内蒙古科技大学, 2019(03)
- [3]基于多模型的机动目标分布式跟踪方法[D]. 卢宙. 上海交通大学, 2019(06)
- [4]旋翼无人机中的多模型组合导航技术[D]. 李志敏. 南京航空航天大学, 2016(03)
- [5]基于VSMMUKF的移动机器人故障诊断[D]. 张凤云. 华东交通大学, 2015(11)
- [6]基于变结构多模型的机动目标跟踪方法研究[D]. 张文杰. 贵州大学, 2015(03)
- [7]深海AUV多源导航信息融合方法研究[D]. 王磊. 东南大学, 2015(08)
- [8]基于效果反馈的机动目标跟踪算法研究[D]. 何丹敏. 杭州电子科技大学, 2015(10)
- [9]变结构多模型机动目标跟踪算法研究[D]. 娄益茂. 西安电子科技大学, 2014(04)
- [10]多模型估计的新分支——变结构多模型方法[J]. 刘扬,刘火平,吴钦章. 现代防御技术, 2011(03)