基于优化权值网络的系统偏差配准方法研究
发布时间：2021-04-06 17:00
在多传感器监控系统中,目标的位置和速度等信息都是通过传感器测量获得的。随着当今科技的进步,传感器的性能也有了很大提升。但是传感器在长期使用过程中,还是不免会受其内部部件老化、外部环境影响导致量测信息有所偏差,以至于影响后续的监控过程,所以必须对传感器的量测数据进行系统偏差配准。在实际工程应用中,传感器的系统偏差来源往往是未知的,难以构建其系统偏差模型。因此,本文以系统偏差先验模型未知的传感器系统偏差配准为研究背景,以权值网络（Weight Network,WN）为研究对象,采用优化算法（或滤波算法）为技术手段对WN进行优化,开展了传感器系统偏差配准的研究。本文针对系统偏差配准中一些问题进行了相关研究工作,具体包括以下几个方面:无迹卡尔曼滤波算法（Unscented Kalman Filtering,UKF）和传统网络结合进行系统偏差配准时,针对由状态协方差负定引起的系统发散问题,本文提出了一种平方根无迹卡尔曼滤波算法（Square Root Unscented Kalman Filtering,SRUKF）优化WN的系统偏差配准算法——SRUKF-WN。该算法首先构建了包含WN网络连接...
【文章来源】：河南大学河南省
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
三种算法X方向系统偏差估计图和图分别为三种算法在和
基于优化权值网络的系统偏差配准方法研究26值设置为0~1之间的随机数向量。对比算法（传统网络算法）的参数如表3-2所示。表3-2仿真参数名称数值隐含层学习率0.02输出层学习率0.01最大训练次数1000目标误差1e-10各层神经元2、8、2为了减弱随机噪声以及设置的随机初始值对仿真结果造成的影响，仿真实验采用蒙特卡洛仿真形式，仿真次数为50。采用的仿真环境为Inteli5，主频为3.30Ghz，内存为4.00GB。仿真软件为MatlabR2014a。3.4.2仿真结果及分析通过上述所设置的仿真场景以及仿真参数，并以系统偏差估计的RMSE（见公式（2-31））作为算法精度的衡量指标，用UKF与传统网络结合算法（UKF-NN）、传统网络算法（NN）作为对比算法，得出了目标在匀速运动和转弯运动下的仿真效果图如图3-5~图3-17所示。仿真结果一：将匀速运动的目标的传感器量测值输入到SRUKF-WN算法及其对比算法中，估计出系统偏差值。仿真结果如图3-5~图3-11所示。图3-5三种算法X方向系统偏差估计图3-6三种算法Y方向系统偏差估计图3-5和图3-6分别为三种算法在X和Y方向的系统偏差估计值（网络实际输出值）与参考真实值（网络期望输出值）的变化曲线。从两幅图中可以看出，NN算法、UKF-NN算以及SRUKF-WN算法在X和Y方向的系统偏差估计值均趋于参考真实值-6m和8m。
3基于SRUKF-WN算法的系统偏差配准27NN算法的系统偏差估计值在1-80s持续下降，80s之后基本收敛于参考真实系统偏差值。这是由于传统的NN算法的学习率是固定不变的，必定会造成收敛速度慢的情况。UKF-NN算法由于迭代过程中使用的是状态协方差矩阵，会出现状态协方差负定，从而导致系统偏差估计值有这样一个过程，即在1-4s之间下降，4-75s稳定于参考真实值，在75s之后出现剧烈波动。SRUKF-WN算法在迭代过程中使用的是状态协方差矩阵的平方根形式，不会出现状态协方差负定而导致估计值波动的情况。从图3-5和图3-6中也可以看出，SRUKF-WN算法的系统偏差估计值在1-10s之间迅速下降，10s之后收敛于参考真实系统偏差值，并没有出现波动。三种算法在X和Y方向上的系统偏差估计的均方根误差值（RMSE）变化曲线分别如图3-7和图3-8所示。为了能更直观清晰地分析这三种算法的性能结果，在蒙特卡洛仿真次数为50次，仿真步长为200s，以及上述给定的仿真环境及仿真软件下，同时给出了这三种算法系统偏差估计的平均均方根误差值以及三种算法的算法耗时，分别如图3-9和图3-10所示。图3-7三种算法X方向系统偏差估计的RMSE图3-8三种算法Y方向系统偏差估计的RMSE0.35090.20140.25000.45980.19520.6250NNUKF-NNSRUKF-WN050100150200250算法用时(s)247.7241.478.9图3-9三种算法系统偏差估计的平均RMSE图3-10三种算法的算法用时从图3-7和图3-8可以看出，SRUKF-WN算法和NN算法的系统偏差估计的RMSE
本文编号：3121788
【文章来源】：河南大学河南省
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
三种算法X方向系统偏差估计图和图分别为三种算法在和
基于优化权值网络的系统偏差配准方法研究26值设置为0~1之间的随机数向量。对比算法（传统网络算法）的参数如表3-2所示。表3-2仿真参数名称数值隐含层学习率0.02输出层学习率0.01最大训练次数1000目标误差1e-10各层神经元2、8、2为了减弱随机噪声以及设置的随机初始值对仿真结果造成的影响，仿真实验采用蒙特卡洛仿真形式，仿真次数为50。采用的仿真环境为Inteli5，主频为3.30Ghz，内存为4.00GB。仿真软件为MatlabR2014a。3.4.2仿真结果及分析通过上述所设置的仿真场景以及仿真参数，并以系统偏差估计的RMSE（见公式（2-31））作为算法精度的衡量指标，用UKF与传统网络结合算法（UKF-NN）、传统网络算法（NN）作为对比算法，得出了目标在匀速运动和转弯运动下的仿真效果图如图3-5~图3-17所示。仿真结果一：将匀速运动的目标的传感器量测值输入到SRUKF-WN算法及其对比算法中，估计出系统偏差值。仿真结果如图3-5~图3-11所示。图3-5三种算法X方向系统偏差估计图3-6三种算法Y方向系统偏差估计图3-5和图3-6分别为三种算法在X和Y方向的系统偏差估计值（网络实际输出值）与参考真实值（网络期望输出值）的变化曲线。从两幅图中可以看出，NN算法、UKF-NN算以及SRUKF-WN算法在X和Y方向的系统偏差估计值均趋于参考真实值-6m和8m。
3基于SRUKF-WN算法的系统偏差配准27NN算法的系统偏差估计值在1-80s持续下降，80s之后基本收敛于参考真实系统偏差值。这是由于传统的NN算法的学习率是固定不变的，必定会造成收敛速度慢的情况。UKF-NN算法由于迭代过程中使用的是状态协方差矩阵，会出现状态协方差负定，从而导致系统偏差估计值有这样一个过程，即在1-4s之间下降，4-75s稳定于参考真实值，在75s之后出现剧烈波动。SRUKF-WN算法在迭代过程中使用的是状态协方差矩阵的平方根形式，不会出现状态协方差负定而导致估计值波动的情况。从图3-5和图3-6中也可以看出，SRUKF-WN算法的系统偏差估计值在1-10s之间迅速下降，10s之后收敛于参考真实系统偏差值，并没有出现波动。三种算法在X和Y方向上的系统偏差估计的均方根误差值（RMSE）变化曲线分别如图3-7和图3-8所示。为了能更直观清晰地分析这三种算法的性能结果，在蒙特卡洛仿真次数为50次，仿真步长为200s，以及上述给定的仿真环境及仿真软件下，同时给出了这三种算法系统偏差估计的平均均方根误差值以及三种算法的算法耗时，分别如图3-9和图3-10所示。图3-7三种算法X方向系统偏差估计的RMSE图3-8三种算法Y方向系统偏差估计的RMSE0.35090.20140.25000.45980.19520.6250NNUKF-NNSRUKF-WN050100150200250算法用时(s)247.7241.478.9图3-9三种算法系统偏差估计的平均RMSE图3-10三种算法的算法用时从图3-7和图3-8可以看出，SRUKF-WN算法和NN算法的系统偏差估计的RMSE
本文编号：3121788
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3121788.html
