旋轉(zhuǎn)捷聯(lián)慣導系統(tǒng)精對準技術(shù)

孫楓，孫偉

電子技術(shù)

旋轉(zhuǎn)捷聯(lián)慣導系統(tǒng)精對準技術(shù)

孫楓，孫偉

針對慣性器件常值偏差對捷聯(lián)慣導系統(tǒng)導航精度的影響，提出了一種單軸旋轉(zhuǎn)調(diào)制方案并建立該系統(tǒng)誤差方程。單軸旋轉(zhuǎn)調(diào)制方法是一種自校正方法，它可以在不使用外部信息的條件下，通過對慣性測量單元（IMU）的轉(zhuǎn)動來調(diào)制慣性器件的常值偏差，將系統(tǒng)中陀螺常值漂移和加速度計零位誤差調(diào)制成周期變化的量，達到誤差補償?shù)哪康?。采用這種自動補償法可以提高捷聯(lián)慣導系統(tǒng)長時間工作的精度，充分發(fā)揮慣性導航“自主性”的優(yōu)點。捷聯(lián)慣導系統(tǒng)初始對準就是確定從載體坐標系到計算地理坐標系的初始捷聯(lián)矩陣，并且進行姿態(tài)校準。提高對準精度、減少對準時間是初始對準中的主要問題。對于以速度為觀測量的初始對準來說，卡爾曼濾波器并不是在任何情況下都可以提供較為理想的估計效果。捷聯(lián)慣導系統(tǒng)的可觀測性較差，尤其是在靜基座環(huán)境下系統(tǒng)可觀測性最弱，在采用卡爾曼濾波技術(shù)解決捷聯(lián)慣導系統(tǒng)精對準問題的過程中，系統(tǒng)較差的觀測性影響了濾波器進行狀態(tài)估計的收斂速度和估計精度。在單軸旋轉(zhuǎn)的捷聯(lián)慣導系統(tǒng)中，通過IMU的轉(zhuǎn)動能夠改變系統(tǒng)誤差模型中的捷聯(lián)矩陣，從而改善慣導系統(tǒng)的可觀測性。本文采用的基于譜條件數(shù)的可觀測分析方法實質(zhì)上是一種基于觀測矩陣奇異值的分析方法，該方法可以計算出IMU在靜止和旋轉(zhuǎn)狀態(tài)下捷聯(lián)系統(tǒng)的可觀測度，采用卡爾曼濾波方法實現(xiàn)了旋轉(zhuǎn)捷聯(lián)系統(tǒng)的精對準。仿真實驗結(jié)果表明，改變捷聯(lián)慣導系統(tǒng)誤差模型中的系統(tǒng)矩陣可提高系統(tǒng)中狀態(tài)參數(shù)可觀測性，利用譜條件數(shù)法求解出各個狀態(tài)參數(shù)的可觀測度，經(jīng)比較看出IMU旋轉(zhuǎn)狀態(tài)下，系統(tǒng)中東向陀螺漂移、方位陀螺漂移和方位失準角的可觀測度較靜止狀態(tài)有了提高。IMU旋轉(zhuǎn)狀態(tài)下的姿態(tài)角誤差較靜止狀態(tài)時有了很大的改善，尤其是方位姿態(tài)角誤差，提高了近一個數(shù)量級以上，完全達到了預期精度要求。在旋轉(zhuǎn)捷聯(lián)慣導系統(tǒng)中實現(xiàn)初始對準具有重大的實際意義，但是目前這方面的研究仍處于起步階段，如何在實際的工程應用中實現(xiàn)這一對準方法是今后研究的方向。

來源出版物：系統(tǒng)工程與電子技術(shù), 2010, 32(3): 630-633

入選年份：2014

一種基于類Haar特征和改進AdaBoost分類器的車輛識別算法

文學志，方巍，鄭鈺輝

摘要：目的：車輛圖像識別中，機器學習方法由于識別性能高、魯棒性好以及操作便捷而受到越來越多的關(guān)注，機器學習方法主要用于進行兩類的分類識別：目標物或非目標物?；陬怘aar特征提取和AdaBoost分類器的機器學習方法因其識別效果好、具有較好的實時性在人臉檢測領(lǐng)域取得了較好的應用效果，然而該方法存在著訓練樣本規(guī)模非常大時，訓練分類器所需時間過長的問題。本文提出一種基于類 Haar特征結(jié)合改進的AdaBoost分類器的識別算法，將其應用于車輛圖像識別，在提高識別性能的同時縮短分類器的訓練時間。方法：整個算法包括兩個過程：訓練過程和識別過程。訓練過程一方面從海量類 Haar特征中選取對分類識別起關(guān)鍵作用的特征，另一方面為識別過程準備用于兩類分類識別的AdaBoost分類器。訓練過程共包括圖像預處理、計算積分圖、提取類 Haar特征、訓練 AdaBoost分類器4個子模塊；識別過程首先對測試樣本提取關(guān)鍵類 Haar特征，然后將提取的關(guān)鍵特征輸入到AdaBoost進行車輛存在性檢測。算法的創(chuàng)新點在于：對傳統(tǒng)AdaBoost分類器的改進上：傳統(tǒng)AdaBoost分類器是直接根據(jù)特征值來尋找分類誤差最小的弱分類器，本文方法則是將樣本的特征值與其類別標簽結(jié)合起來尋找弱分類器，從而可大大縮短訓練時間；2）提出了一種新的弱分類器閾值構(gòu)造方法：傳統(tǒng)計算分類閾值的方法是求平均值的方法，本文則根據(jù)樣本分布規(guī)律來構(gòu)造分類閾值，從而使各弱分類器的分類能力更強。結(jié)果：為了驗證文中方法的有效性和可行性，將其用于白天基于單目視覺靜態(tài)圖像自車后方車輛檢測系統(tǒng)中，共組織了三組實驗分別用來驗證文中方法的有效性、文中所提出的分類閾值設(shè)置方法在分類性能上的優(yōu)越性以及在大幅縮短訓練時間上的可行性。從三組實驗的結(jié)果來看：與文獻中的識別方法相比，文中方法車輛識別率最高且虛警率最低，分類器所需存儲空間僅次于基于級聯(lián)AdaBoost分類器的方法。應用文中所提出的自適應閾值設(shè)置方法對車輛的識別效果要優(yōu)于傳統(tǒng)的閾值設(shè)置方法，這說明文中的閾值設(shè)置方法能更好地反映訓練樣本的分布規(guī)律。文中所提出的改進 AdaBoost算法訓練所需時間比傳統(tǒng)AdaBoost算法訓練所需時間節(jié)省了15個多小時，這對訓練非常耗時的 AdaBoost算法來說已經(jīng)取得了不小的進步。結(jié)論：文中提出了一種基于類Haar特征和改進 AdaBoost算法的車輛圖像識別方法。在訓練改進 AdaBoost算法的過程中，文中提出了兩種改進措施：1）提出將樣本特征值與其類別標簽結(jié)合起來生成弱分類器的方法；2）提出了一種自適應的閾值設(shè)置方法。實驗結(jié)果表明，文中所提出的方法在訓練所需時間和識別性能方面取得了比傳統(tǒng)方法更好的效果，具有較好的應用前景。

來源出版物：電子學報, 2011, 39(5): 1121-1126

入選年份：2015

一種基于相位比較的量子遺傳算法

李士勇，李浩

摘要：量子遺傳算法是一種量子計算與遺傳算法相融合的概率優(yōu)化算法。在量子遺傳算法中，確定旋轉(zhuǎn)門轉(zhuǎn)角是決定其性能的關(guān)鍵。在當前量子遺傳算法中，各旋轉(zhuǎn)角度乃至當前個體的進化效果在很大程度上均依賴于該二進制解，但該二進制解是對量子染色體測量之后按一定概率得到的，是該量子染色體描述的疊加態(tài)中眾多基態(tài)的一種。理論上說，它具有塌縮到任何一種狀態(tài)的可能性。因此，二進制解并不能完全代表該染色體，而按照該二進制解來確定旋轉(zhuǎn)角，會有發(fā)生錯誤旋轉(zhuǎn)進而導致進化倒退的可能。為了合理地確定旋轉(zhuǎn)門轉(zhuǎn)角，本文提出將當前量子位與最優(yōu)二進制解比較來確定旋轉(zhuǎn)門轉(zhuǎn)角的改進量子遺傳算法，稱為基于相位比較的量子遺傳算法。在這種算法中，量子染色體及其旋轉(zhuǎn)門的進化均采用角度形式表示，并給出了量子旋轉(zhuǎn)門轉(zhuǎn)角的調(diào)整公式。在每一步迭代中，種群中各個體以不同的速度向著最優(yōu)解進化。一方面，可以避免種群中所有量子染色體始終以相同速度向同一目標演化，進而避免由種群中個體的多樣性降低而導致的早熟收斂；另一方面，種群中部分個體進化速度較快，可以迅速收斂到最優(yōu)解附近進行局部搜索，部分個體收斂速度較慢，可以在較長時間內(nèi)實現(xiàn)全局搜索。這種使種群中的各個體以不同速率向著最優(yōu)解進化的方式，較好地實現(xiàn)了全局探索與局部開發(fā)之間的合理平衡。該算法還引入了染色體變異操作，按照變異概率隨機選取量子位，對選中的量子位施加量子非門變換，互換該量子位的兩個概率幅，增加種群多樣性，以避免算法陷入早熟收斂。本文在對該算法的收斂性進行了分析之后，為了檢驗其優(yōu)化性能，將其用于函數(shù)極值求解及PID控制器的參數(shù)優(yōu)化，并與標準遺傳算法和基本量子遺傳算法比較，仿真結(jié)果表明了該算法具有較好的尋優(yōu)性能。

來源出版物：系統(tǒng)工程與電子技術(shù), 2010, 32(10): 2219-2222

入選年份：2015

求解TSP問題的離散型螢火蟲群優(yōu)化算法

周永權(quán)，黃正新，劉洪霞

摘要：目的：旅行商問題（Traveling Salesman Problem，TSP）是一個典型的NP難問題之一。它在計算機科學、運籌學及工程優(yōu)化等領(lǐng)域都有著廣泛地應用。近年來，人們從仿生學機理中受到啟發(fā)，提出了許多種用于求解TSP問題的群智能優(yōu)化算法，如人工神經(jīng)網(wǎng)絡(luò)（ANN）、遺傳算法（GA）、蟻群優(yōu)化（ACO）算法、粒子群優(yōu)化（PSO）算和人工免疫算法（AIA）等。這些群智能算法雖不能保證在有限時間內(nèi)獲得TSP問題的最優(yōu)解，但通過隨機地搜索選擇多個候選解“驗證”后，錯誤概率會降到令人滿意的地步，目前已成為人們求解TSP問題的最有效方法。本文將新興的螢火蟲群優(yōu)化算法離散化，提出一種離散型螢火蟲群優(yōu)化（DGSO）算法且用于求解TSP問題，給出一種新的求解TSP問題的方法。方法：基于TSP問題的特點，提出一種離散型螢火蟲群優(yōu)化（DGSO）算法，給出一種有效編碼和解碼方法，并定義適合編碼的個體間距離計算公式和編碼更新公式。同時，為增強算法求解TSP問題的局部搜索能力，加快算法的收斂速度，算法使用了操作簡單的2-Opt優(yōu)化算子。結(jié)果：通過對10個TSP問題進行數(shù)值仿真實驗，實驗結(jié)果表明本文提出的算法是在種群規(guī)模較小，迭代次數(shù)較少的情況下就可以收斂到已知最優(yōu)解。在大規(guī)模 TSP問題中算法所獲得的最優(yōu)值與理論最優(yōu)值的誤差也在1%以下。結(jié)論：提出了一種離散型螢火蟲群優(yōu)化算法（DGSO），將連續(xù)型螢火蟲群優(yōu)化算法推廣到離散情形。通過對10個TSP問題進行了計算機數(shù)值仿真實驗，實驗結(jié)果表明，在中小規(guī)模算例中算法都能夠在較少的代數(shù)內(nèi)找到滿意解，在大規(guī)模算例中算法計算出的最優(yōu)值與理論最優(yōu)值的誤差也在 1%以下，表明本文提出的離散型螢火蟲群優(yōu)化算法是有效和正確的。本文提出的離散螢火蟲群優(yōu)化算法也可應用于求解離散論域的其它復雜優(yōu)化問題。

來源出版物：電子學報, 2012, 40(6): 1164-1170

入選年份：2015

基于貝葉斯網(wǎng)絡(luò)的GO法模型算法

劉林林，任羿，王自力，等

摘要：目的：GO法是評價具有多狀態(tài)時序特性的復雜系統(tǒng)可靠性的有效方法，但GO法操作符眾多且邏輯復雜，并且多重共有信號導致常規(guī)的概率累積算法非常復雜，此外，GO法缺乏相應的工具軟件支持，這些問題制約了GO法在工程中的應用。針對這些問題，本文提出一種基于貝葉斯網(wǎng)絡(luò)的GO法新算法，該算法的關(guān)鍵是將 GO法模型與貝葉斯網(wǎng)絡(luò)模型建立相應的映射規(guī)則，以將復雜的GO法模型轉(zhuǎn)換為對應的貝葉斯網(wǎng)絡(luò)，再利用貝葉斯網(wǎng)絡(luò)算法來對模型進行計算，該方法結(jié)合利用GO法模型建模方便性和貝葉斯網(wǎng)絡(luò)的前向和后向推理計算能力，為GO法的工程應用提供簡單直觀易于理解易于應用的算法支持，此外，貝葉斯網(wǎng)絡(luò)擴展了GO法模型的故障診斷能力。方法：首先分析GO法模型操作符的定義，根據(jù)各GO法操作符不同的特點將其分為功能類操作符和邏輯類操作符；本文只考慮工程中常用的操作符：5個邏輯類操作符（包括2、9、10、11、15）以及6個功能類操作符（包括1、3、5、6、7、8）。其次，分步給出各操作符到貝葉斯網(wǎng)絡(luò)的通用映射規(guī)則：1）將操作符本身及輸入信號流映射為貝葉斯網(wǎng)絡(luò)的根節(jié)點（邏輯類操作符節(jié)點本身無需映射），2）將輸出信號映射為貝葉斯網(wǎng)絡(luò)的子節(jié)點，3）并將這些根節(jié)點與子節(jié)點建立父子關(guān)系，4）將先驗概率賦給對應的根節(jié)點，5）再根據(jù)操作符的內(nèi)在邏輯給出條件概率表（Conditional Probability Table，CPT）并賦給子節(jié)點。然后基于這些操作符的貝葉斯網(wǎng)絡(luò)映射規(guī)則，給出完整GO模型映射轉(zhuǎn)換為貝葉斯網(wǎng)絡(luò)的完整的可編程流程，即從GO法模型的最終輸出信號開始，沿著信號流從后向前遍歷整個GO法模型，依照各操作符的映射規(guī)則，逐個將模型中的操作符和信號流完整的轉(zhuǎn)換為對應的貝葉斯網(wǎng)絡(luò)節(jié)點和連接，同時將先驗概率賦給各個根節(jié)點，將CPT賦給各個子節(jié)點。最后，再利用基于MATLAB的貝葉斯網(wǎng)絡(luò)工具箱（BNT），對GO法模型映射得到的貝葉斯網(wǎng)絡(luò)模型進行前向計算，得到系統(tǒng)中所有信號流的各個狀態(tài)的概率。然后，將系統(tǒng)輸出狀態(tài)設(shè)置為失敗狀態(tài)，并將其作為證據(jù)注入到貝葉斯網(wǎng)絡(luò)中，對貝葉斯網(wǎng)絡(luò)進行后向推理，從而計算出各個功能操作符的失敗概率，找出其中失敗概率最大的節(jié)點即為系統(tǒng)的薄弱環(huán)節(jié)，從而實現(xiàn)故障診斷的功能。結(jié)果：本部分應用文獻中已有的一個兩狀態(tài)供水系統(tǒng)的GO法模型作為案例進行方法進行正確有效性驗證，該案例包含了工程中 13個功能操作符和1個2/4邏輯的邏輯操作符，最常用的幾類功能操作符，以及一個相對復雜的N中取K邏輯操作符，而且有多重共有信號，要求計算系統(tǒng)供水的成功和故障概率，即需要計算系統(tǒng)最終輸出信號流的成功和故障狀態(tài)的概率。應用GO法模型到貝葉斯網(wǎng)絡(luò)的轉(zhuǎn)換方法將案例GO法模型映射轉(zhuǎn)換為對應的貝葉斯網(wǎng)絡(luò)，再應用 BNT對貝葉斯網(wǎng)絡(luò)進行前向計算，計算得到最終輸出信號流的成功和失敗概率分別為 0.990881和0.009119，該計算結(jié)果與原文獻中的計算結(jié)果一致。進一步利用貝葉斯網(wǎng)絡(luò)進行故障診斷，假設(shè)系統(tǒng)最終輸出狀態(tài)為失敗，即將貝葉斯網(wǎng)絡(luò)的最終節(jié)點的2狀態(tài)的概率設(shè)置為 1，作為證據(jù)更新到貝葉斯網(wǎng)絡(luò)中，重新進行反向推理計算得到各根節(jié)點的后驗概率，然后通過直方圖展示了在系統(tǒng)失敗情況下各貝葉斯網(wǎng)絡(luò)根節(jié)點的失敗后驗概率，從圖中可以看出在系統(tǒng)失敗的情況下，驅(qū)動信號A和驅(qū)動信號B對應的貝葉斯網(wǎng)絡(luò)節(jié)點S5和S11的失敗概率最高，是系統(tǒng)的最薄弱環(huán)節(jié)，因此在系統(tǒng)失敗時應重點排查驅(qū)動信號A和驅(qū)動信號B的故障情況。結(jié)論：本文提出一種基于貝葉斯網(wǎng)絡(luò)的GO法新算法，給出了GO法操作符的貝葉斯網(wǎng)絡(luò)節(jié)點映射規(guī)則及通過GO法模型構(gòu)建貝葉斯網(wǎng)絡(luò)的完整流程，貝葉斯網(wǎng)絡(luò)能夠很好的表達GO法具有的多狀態(tài)和時序特性，最后通過一個簡單的供水系統(tǒng)的案例對比計算驗證了新算法正確性，并簡述了案例模型的故障診斷過程。新算法無需考慮共有信號問題，并且除了能直接得出傳統(tǒng)的計算結(jié)果，利用形成的貝葉斯網(wǎng)絡(luò)模型還可以進行故障推理和診斷。算法轉(zhuǎn)換過程簡單直觀，易于理解，并且有多種成熟軟件算法工具支持，便于GO法在工程中的推廣應用。

來源出版物：系統(tǒng)工程與電子技術(shù), 2015, 37(1): 212-218

入選年份：2015