递推最小二乘(Recursive Least Squares,RLS)算法因其简单、快速的特点,在微振动自适应控制领域被广泛应用。由于微振动主动控制系统中扰动环境的特殊性及复杂性,需要重点考虑微振动控制中所采用的参数自适应算法在参数估计过程中的鲁...递推最小二乘(Recursive Least Squares,RLS)算法因其简单、快速的特点,在微振动自适应控制领域被广泛应用。由于微振动主动控制系统中扰动环境的特殊性及复杂性,需要重点考虑微振动控制中所采用的参数自适应算法在参数估计过程中的鲁棒性。针对多输入多输出(Multiple Input Multiple Output,MIMO)微振动主动控制系统,基于无限冲激响应(Infinite Impulse Response,IIR)滤波器,提出一种结合死区和归一化的MIMO鲁棒参数自适应算法,并给出其详细的算法推导与收敛性分析。在此基础上,通过构建三自由度微振动主动振动控制实验系统,针对单频窄带扰动、双频窄带扰动展开了对比实验分析,相关的实验结果验证了所提出鲁棒参数自适应算法的可行性和鲁棒性。展开更多
已有的轨迹预测方法难以对移动对象运动轨迹进行准确地描述,尤其在复杂且不确定的车载自组织网络(vehicular ad hoc network)(也称车联网)环境中.为了解决这一问题,提出基于变分高斯混合模型(variational Gaussian mixture model,VGMM)...已有的轨迹预测方法难以对移动对象运动轨迹进行准确地描述,尤其在复杂且不确定的车载自组织网络(vehicular ad hoc network)(也称车联网)环境中.为了解决这一问题,提出基于变分高斯混合模型(variational Gaussian mixture model,VGMM)的环境自适应轨迹预测方法 ESATP(environment self-adaptive prediction method based on VGMM).首先,在传统高斯混合模型的基础上使用变分贝叶斯推理近似方法处理混合高斯分布;其次设计变分贝叶斯期望最大化算法学习计算高斯混合模型参数,有效运用参数先验信息得到更高精度预测模型;最后,针对输入轨迹数据特征,使用参数自适应选择算法自动调节参数组合,灵活调整混合高斯分量的个数和轨迹段大小.实验结果表明:所提方法在实验中表现出较高的预测准确性,可应用于车辆移动定位产品中.展开更多
文摘已有的轨迹预测方法难以对移动对象运动轨迹进行准确地描述,尤其在复杂且不确定的车载自组织网络(vehicular ad hoc network)(也称车联网)环境中.为了解决这一问题,提出基于变分高斯混合模型(variational Gaussian mixture model,VGMM)的环境自适应轨迹预测方法 ESATP(environment self-adaptive prediction method based on VGMM).首先,在传统高斯混合模型的基础上使用变分贝叶斯推理近似方法处理混合高斯分布;其次设计变分贝叶斯期望最大化算法学习计算高斯混合模型参数,有效运用参数先验信息得到更高精度预测模型;最后,针对输入轨迹数据特征,使用参数自适应选择算法自动调节参数组合,灵活调整混合高斯分量的个数和轨迹段大小.实验结果表明:所提方法在实验中表现出较高的预测准确性,可应用于车辆移动定位产品中.
