改进粒子滤波器的室内地磁匹配精度研究

针对粒子滤波算法在室内地磁分布的连续性变化中会发生滤波发散,加之算法中重采样步骤使该现象恶化,直接导致室内定位过程中目标丢失的问题。该文受Hausdorff距离度量法中点集匹配思想的启发,提出了一种利用初定位误差作为最大粒子匹配距离的约束思想,通过缩小匹配空间的区域范围的方法来解决传统算法的发散问题。最后实验表明,此方法解决了粒子滤波器在地磁匹配中出现的滤波发散现象,同时使得定位结果更加快速收敛。     

桥梁变形数据小波去噪与PSO-BP神经网络预测

跨海大桥在运行期间因受自身因素以及飓风、海浪等多种外界因素的影响,桥梁变形表现为非线性变形.针对这种现象,本文以跨海大桥观测数据为例,使用小波理论进行去噪处理,对去噪后的数据分别建立BP神经网络预测模型以及POS-BP神经网络预测模型,并对比分析预测结果.结果表明:POS-BP神经网络预测模型预测精度更高.     

应用重力场模型GL1500E和LLR天平动参数估算月核大小及其组成

针对月核大小及密度估计问题,利用高分辨率重力场模型GL1500E的二阶位系数和LLR(lunar laser ranging)天平动参数,考虑月核分层为外核和内核的情况,结合非线性粒子群优化算法,对月核大小和组成进行了估计。大批量的统计结果表明,大概率分布的外核半径rc1约为469 km,内核半径rc2约为303 km,外核密度ρc1约为4613 kg/m3,内核密度ρc2约为7004 kg/m3,月幔密度ρm约为3340 kg/m3。月幔密度非常接近地质研究结果3360 kg/m3,内外核半径与近期其他研究结果相近,估算的月核大小与密度组成具有一定的参考价值。若月核由纯铁和硫化亚铁组成,则研究表明,内核大部分由纯铁组成,外核大部分由硫化亚铁组成。     

基于粒子群算法优化SVM的GPS高程拟合方法

采用支撑向量机(Support Vector Machine,SVM)模型进行GPS高程拟合时,拟合精度受模型参数(核参数和惩罚因子)选择影响较大,传统交叉验证法存在计算复杂,易陷入局部最优的问题.本文将粒子群(Particle Swarm Optimization,PSO)算法引入SVM模型,利用PSO全局搜索能力强...     

基于粒子群算法的组合模型在变形分析中的应用

在构建并联组合模型进行变形预测时,单项模型权值的确定是个关键问题。为了提高变形预测的精度,以基坑监测数据为例,采用GM(1,1)模型与ARMA模型进行组合,在拟合误差平方和最小的准则下,使用粒子群算法求解两单项模型的最优权值,进而构建并联组合模型进行变形预测。结果表明,该方法融合各单项模型的优势,可以提高预测精度,避免求解线性规划问题,具有较好的实用性。     

大坝变形监测的粒子群优化高斯过程预测

针对大坝变形数据的非平稳非线性特点,传统预测模型受到了一定限制。鉴于高斯过程(Gaussian Process,GP)对非平稳数据具有高自适应性,考虑到其自身在协方差函数选取以及超参数优化方面存在不足,为提高高斯过程模型的预测精度,文中通过粒子群算法(Particle Swarm Optimization,PSO)优化其超参数并选择最优协方差函数。通过实例验证分析,比较多元回归分析、GP、PSO-GP三种模型在大坝变形监测数据处理中的预测精度,表明大坝非线性预测模型粒子群优化高斯过程算法具有较高的预测精度,是一种有效的大坝变形分析预测方法。     

粒子群算法优化的神经网络短期钟差预报

针对导航卫星钟差短期预报精度上的不足,该文提出了一种基于粒子群算法优化的BP神经网络钟差预报模型,通过粒子群算法来对BP神经网络的权值和阈值进行优化,利用IGS的钟差数据进行实验,并与灰色GM(1,1)模型、二次多项式模型和BP神经网络模型的预报结果进行对比分析。结果表明,粒子群优化算法的BP神经网络模型钟差预报效果良好,3h预报精度能够达到0.3ns,体现了本文钟差预报模型的实用性。     

改进分数阶达尔文粒子群的多Renyi熵图像分割算法

针对智能优化图像分割算法易陷入局部最优、分割精度不高等问题,本文融合改进的分数阶达尔文粒子群算法和二维Renyi熵多阈值,提出了一种新的多阈值遥感图像分割算法。算法利用粒子自身进化信息来定义进化因子,结合进化因子并利用高斯图函数调整分数阶次a系数以实现精确计算和快速收敛;根据局部最优概率因子对局部最优位置进行Levy飞行随机扰动以提高算法跳出局部最优的能力;同时将二维Renyi熵单阈值扩展到多阈值分割上,并结合改进的分数阶达尔文粒子群算法,将二维Renyi熵多阈值应用于遥感图像分割中仿真结果表明,与其他2种智能优化分割算法相比,本文分割算法在细节处理和分割精度上均有明显优势,在PRI上至少提升7.27%、VOI至少降低6.5%、GCE至少降低10.4%.     

顾及有色噪声的自适应粒子滤波UWB定位算法

传统卡尔曼滤波算法要求噪声模型符合高斯分布,在UWB室内定位中,由于载体本身的机制等干扰,观测噪声不仅仅是白噪声,也存在有色噪声的情况,而粒子滤波可以处理有色噪声的问题。本文通过增加似然分布自适应调整来改进粒子滤波用于目标跟踪的精度,同时研究在白噪声、有色噪声下似然分布自适应调整粒子滤波和拓展卡尔曼滤波在UWB中的优势与不同。试验结果表明：观测噪声为白噪声时,拓展卡尔曼滤波和粒子滤波均可以较好地实现对行人的定位跟踪;观测噪声为有色噪声时,自适应粒子滤波定位效果优于粒子滤波、拓展卡尔曼滤波。     

PDR算法对地磁室内定位精度的提升研究

利用建筑物中金属结构引起的地磁场扰动可以对室内的行人目标进行定位,而且基于地磁场的定位无需布设任何额外设施,因此可以以低成本实现定位。但仅靠单一的地磁技术无法满足室内定位的精度要求。为了解决磁场数据中单点定位的模糊性问题,本文提出了一种利用粒子滤波算法将PDR与地磁相融合的室内定位方法,并开发了地磁室内导航系统,以智能手机为硬件平台构建磁力计传感器模型,建立匹配轨迹的均方误差准则并实现PDR累积误差实时校正的迭代计算。在68 m×1.8 m的试验区域内,产生的平均定位误差为1.13 m,最大定位误差为2.17 m。本文算法的定位精度比单独PDR算法提升了42%;与单一地磁指纹匹配算法相比,定位精度提高了57%。试验证明,本文提出的融合算法对提高室内定位精度具有显著的作用。