自适应抗差联邦滤波算法

简要介绍了抗差估计理论；在顾及扰动异常的情况下，把自适应抗差Kalman滤波应用到联邦滤波上，对联邦滤波进行了改进，提出了一种自适应抗差联邦滤波算法。由计算结果可知，自适应抗差联邦滤波能较好地抑制载体观测异常和状态扰动异常对动态系统参数估值的影响，较好地提高导航解的精度。     

自适应抗差联邦滤波算法

简要介绍了抗差估计理论;在顾及扰动异常的情况下,把自适应抗差Kalman滤波应用到联邦滤波上,对联邦滤波进行了改进,提出了一种自适应抗差联邦滤波算法.由计算结果可知,自适应抗差联邦滤波能较好地抑制载体观测异常和状态扰动异常对动态系统参数估值的影响,较好地提高导航解的精度.     

观测值含有粗差的抗差粒子滤波算法

作为非线性滤波的代表,粒子滤波得到广泛应用。该算法通过随机生成的具有权重的样本（粒子）来计算后验概率密度。其中赋权的过程需要综合系统信息和观测信息,当观测值含有粗差时,会使粒子错误赋权影响滤波结果。提出一种新的基于抗差估计的抗差粒子滤波算法,通过计算粒子等价权,抑制观测值粗差的影响。模拟计算分析表明,当观测值含有粗差时,与标准粒子滤波相比,该方法能有效提高滤波精度。     

非线性自适应抗差滤波定轨算法

讨论了应用卡尔曼滤波进行卫星精密定轨所遇到的一些问题,提出了一种新的非线性自适应抗差滤波定轨算法。该方法首先采用非线性滤波来提高定轨精度,避免了模型线性化误差的影响。另外,采用双因子方差膨胀模型来自适应地调节观测噪声的协方差阵,以控制观测异常对定轨结果的影响;通过自适应因子实时调节状态噪声协方差阵,以降低状态异常对定轨结果的影响。通过CHAMP卫星定轨计算,验证了新方法的可行性和有效性。     

应用高斯粒子群优化的无迹粒子滤波

针对粒子滤波算法中存在的粒子退化与粒子匮乏的缺陷,提出了利用高斯粒子群优化无迹粒子滤波的新算法。算法使用无迹粒子滤波进行重要性采样,并将高斯粒子群优化算法融入重采样过程中。该算法选取的概率密度更加接近系统真实状态,有效增加了粒子的多样性,提高了抽样效率,降低了粒子退化程度,缓解了粒子匮乏现象。试验结果表明,该算法的滤波精度明显优于粒子滤波与无迹粒子滤波算法所得到的滤波精度。     

基于当前加速度模型的抗差自适应Kalman滤波

动态导航与定位的质量取决于对动态载体扰动和观测异常扰动的认知和控制。首先介绍机动载体的当前统计模型,分析该模型存在的问题,提出一种基于“当前”加速度模型的抗差自适应卡尔曼滤波算法。跟以往建立的自适应KALMAN滤波进行比较,计算结果表明,该算法不仅可以提高滤波器的精度,而且更能有效地控制观测异常和动态扰动异常对导航解的影响,使导航解更能反映导航系统的真实情况。     

多目标粒子群算法与选址中的形状优化

选址问题是GIS最基本的任务之一.一般性的选址是基于点的位置优化,可利用有关GIS功能完成.实际的选址问题是很复杂的.在给定设施的数量和面积前提下,需要在空间上确定设施的最佳位置,并对形状进行优化,以获取最大的效用.采用一般的方法无法求解这种最优化问题.而且,当选址问题涉及多个目标和不同的约束性条件时,就会变得异常复杂.提出了利用多目标粒子群优化算法和区域形状变异算法相结合来解决复杂的空间选址问题.具有智能的搜索方法,大大提高了空间搜索能力,并保持了搜索区域的连通性,取得了较好的效果.     

基于粒子群优化的模糊特征自适应选择方法

模糊特征的选择影响着模糊分类的结果.从大量模糊特征中选择出有效特征进行分类,存在着一定的难度.粒子群优化算法(PSO)是基于群体智能的新型进化计算技术,具有自适应、自组织等智能特性,具有强大的寻找最优解的能力.将离散二进制PSO用于模糊特征选择,实现了基于PSO的模糊特征自适应选择方法,并通过航空和卫星遥感影像的模糊分...     

基于粒子群优化的模糊特征自适应选择方法

模糊特征的选择影响着模糊分类的结果。从大量模糊特征中选择出有效特征进行分类,存在着一定的难度。粒子群优化算法(PSO)是基于群体智能的新型进化计算技术,具有自适应、自组织等智能特性,具有强大的寻找最优解的能力。将离散二进制PSO用于模糊特征选择,实现了基于PSO的模糊特征自适应选择方法,并通过航空和卫星遥感影像的模糊分类实验,验证了此方法的有效性。     

多因子自适应序贯平差

针对参数先验信息含有异常的问题,基于自适应滤波原理和双因子等价权原理,在单因子自适应序贯平差的基础上,提出了多因子自适应序贯平差,推导了相应的多因子自适应序贯平差公式。基于各点和各个参数不符值构造出了点自适应因子和坐标分量自适应因子,最后利用GPS网数据进行了计算与分析,结果表明,在先验信息异常量级不同的情况下,多因子自适应序贯平差结果优于单因子自适应序贯平差结果。     

自适应动态演化粒子群算法在Web主题信息搜索中的应用

针对传统的基于单一价值评价的网络爬虫搜索策略存在的不足,提出了一种基于自适应动态演化粒子群(adaptive dynamical evolutional particle swarm optimization,ADEPSO)的启发式网络爬虫搜索算法。本算法综合立即价值和未来价值两种链接评价方法,并依据链接价值所反映的Web实际搜索情况动态调整两种价值的关系,使网络爬虫能更准确地预测页面的重要性。实验表明,该算法具有较高的搜索效率。     

论动态自适应滤波

动态导航与定位的质量取决于对动态载体扰动和观测异常扰动的认知和控制。本文首先介绍了目前广泛使用的Sage自适应滤波，讨论了自适应滤波的残差向量、新息向量及状态参数预报值残差向量的解析关系，以及它们之间的协方差矩阵之间的关系；分析了基于新息向量、残差向量和状态参数预报值残差向量的自适应协方差估计存在的问题。对新近发展起来的抗差滤波、Sage自适应滤波及抗差自适应滤波进行了综合比较与分析，结果表明抗差自适应滤波解算理论与方法除自适应地估计载体状态预报向量的协方差矩阵外，还能自适应地估计任意历元观测量的权。计算结果证实，抗差自适应滤波不仅计算简单，而且能有效地控制观测异常和载体状态扰动异常对动态系统参数估值的影响。     

噪声协方差矩阵加权估计的Sage自适应滤波

介绍了经典 Kalm an滤波和目前广泛使用的 Sage自适应滤波 ,分析了基于新息向量、残差向量和状态改正数向量的自适应协方差估计存在的问题 ,提出了一种改进 Sage自适应滤波的新方法。计算结果表明 ,该方法能有效地控制观测异常和动态扰动异常对噪声协方差估计的影响 ,在高动态 GPS数据处理中具有较强的数值稳定性和自适应性。     

粒子群优化算法在遥感影像增强中的应用

遥感影像的复杂性给影像增强处理带来了困难。非完全Beta函数增强方法具有理想的增强效果,但是,其参数的合理选取是算法的关键与难点。粒子群优化算法(PSO)是基于鸟群群体智能的新型进化计算技术,具有自适应、自组织等智能特性,具有强大的寻找最优解的能力。这里将PSO用于Beta函数参数的自适应选取,实现了基于PSO的非完全Beta函数增强方法,并通过航空和卫星遥感影像的增强实验,验证了该方法的有效性。     

GPS/DR组合导航自适应Kalman滤波算法

针对GPS/DR组合导航Kalman滤波的异常扰动影响问题,引入了自适应滤波算法。给出了由预测残差确定自适应因子的过程。利用实测数据进行验证,结果表明无论是单因子自适应滤波还是多因子自适应滤波都能够很好地控制状态异常对滤波估值的影响,滤波精度均优于标准Kalman滤波导航解;而且因为多因子自适应滤波避免损失可靠的状态参数信息,较单因子自适应滤波,精度又有明显提高。     

自适应抗差Kalman滤波在多天线原始观测值瞬时姿态确定中的应用

由载波相位观测值直接解算姿态能实现观测及姿态约束信息的最优利用。本文推导了基于失准角及乘性误差四元数的载波相位观测模型,分别建立了有外部角速度传感器和无外部传感器辅助下姿态参数估计的状态模型;利用自适应抗差滤波估计姿态误差,借鉴分类自适应因子的思想,分别确定模糊度和姿态误差参数的自适应因子,其中姿态自适应因子由Ratio值构造的三段函数确定。自适应抗差滤波能够充分利用约束信息和历史信息,将其融合在浮点解计算过程中,极大提高模糊度浮点解精度及其协方差的结构,在此基础上使用整数最小二乘模糊度降相关平差法(least-squares ambiguity decorrelation adjustment,LAMBDA)方法即能快速搜索出固定解,满足实时性需求。采用实测舰载GNSS 3天线测姿算例对方法进行了验证,结果表明,基于自适应抗差滤波的观测值直接定姿方法效率高、可靠性好。     

微粒群优化方法的遥感影像变化检测研究

针对目前多时相光谱直接变化检测方法存在训练样本分布限制和样本特征组合单一的缺陷问题,本文将微粒群优化方法引入遥感信息变化检测领域,构建了基于微粒群优化方法的遥感信息变化检测方法,在变化监测的过程中,通过变化规则的自动搜索和建立,实现了遥感影像变化信息的一次性直接提取。在方法验证过程中,选择北京为实验区,成功实现了应用微粒群优化方法对实验区2000年至2006年、2006年至2009年两个时间段的遥感影像进行了土地覆盖类型的变化信息检测,并将应用微粒群优化方法与决策树（C4.5和PART）、最大似然等方法的变化检测结果进行了对比分析。结果表明,微粒群优化方法能够自动搜索变化规则,得到的变化规则比决策树方法更简单,并能够获得更高的检测精度。