电子技术

旋转捷联惯导系统精对准技术

孙枫，孙伟

电子技术

旋转捷联惯导系统精对准技术

孙枫，孙伟

针对惯性器件常值偏差对捷联惯导系统导航精度的影响，提出了一种单轴旋转调制方案并建立该系统误差方程。单轴旋转调制方法是一种自校正方法，它可以在不使用外部信息的条件下，通过对惯性测量单元（IMU）的转动来调制惯性器件的常值偏差，将系统中陀螺常值漂移和加速度计零位误差调制成周期变化的量，达到误差补偿的目的。采用这种自动补偿法可以提高捷联惯导系统长时间工作的精度，充分发挥惯性导航“自主性”的优点。捷联惯导系统初始对准就是确定从载体坐标系到计算地理坐标系的初始捷联矩阵，并且进行姿态校准。提高对准精度、减少对准时间是初始对准中的主要问题。对于以速度为观测量的初始对准来说，卡尔曼滤波器并不是在任何情况下都可以提供较为理想的估计效果。捷联惯导系统的可观测性较差，尤其是在静基座环境下系统可观测性最弱，在采用卡尔曼滤波技术解决捷联惯导系统精对准问题的过程中，系统较差的观测性影响了滤波器进行状态估计的收敛速度和估计精度。在单轴旋转的捷联惯导系统中，通过IMU的转动能够改变系统误差模型中的捷联矩阵，从而改善惯导系统的可观测性。本文采用的基于谱条件数的可观测分析方法实质上是一种基于观测矩阵奇异值的分析方法，该方法可以计算出IMU在静止和旋转状态下捷联系统的可观测度，采用卡尔曼滤波方法实现了旋转捷联系统的精对准。仿真实验结果表明，改变捷联惯导系统误差模型中的系统矩阵可提高系统中状态参数可观测性，利用谱条件数法求解出各个状态参数的可观测度，经比较看出IMU旋转状态下，系统中东向陀螺漂移、方位陀螺漂移和方位失准角的可观测度较静止状态有了提高。IMU旋转状态下的姿态角误差较静止状态时有了很大的改善，尤其是方位姿态角误差，提高了近一个数量级以上，完全达到了预期精度要求。在旋转捷联惯导系统中实现初始对准具有重大的实际意义，但是目前这方面的研究仍处于起步阶段，如何在实际的工程应用中实现这一对准方法是今后研究的方向。

来源出版物：系统工程与电子技术, 2010, 32(3): 630-633

入选年份：2014

一种基于类Haar特征和改进AdaBoost分类器的车辆识别算法

文学志，方巍，郑钰辉

摘要：目的：车辆图像识别中，机器学习方法由于识别性能高、鲁棒性好以及操作便捷而受到越来越多的关注，机器学习方法主要用于进行两类的分类识别：目标物或非目标物。基于类Haar特征提取和AdaBoost分类器的机器学习方法因其识别效果好、具有较好的实时性在人脸检测领域取得了较好的应用效果，然而该方法存在着训练样本规模非常大时，训练分类器所需时间过长的问题。本文提出一种基于类 Haar特征结合改进的AdaBoost分类器的识别算法，将其应用于车辆图像识别，在提高识别性能的同时缩短分类器的训练时间。方法：整个算法包括两个过程：训练过程和识别过程。训练过程一方面从海量类 Haar特征中选取对分类识别起关键作用的特征，另一方面为识别过程准备用于两类分类识别的AdaBoost分类器。训练过程共包括图像预处理、计算积分图、提取类 Haar特征、训练 AdaBoost分类器4个子模块；识别过程首先对测试样本提取关键类 Haar特征，然后将提取的关键特征输入到AdaBoost进行车辆存在性检测。算法的创新点在于：对传统AdaBoost分类器的改进上：传统AdaBoost分类器是直接根据特征值来寻找分类误差最小的弱分类器，本文方法则是将样本的特征值与其类别标签结合起来寻找弱分类器，从而可大大缩短训练时间；2）提出了一种新的弱分类器阈值构造方法：传统计算分类阈值的方法是求平均值的方法，本文则根据样本分布规律来构造分类阈值，从而使各弱分类器的分类能力更强。结果：为了验证文中方法的有效性和可行性，将其用于白天基于单目视觉静态图像自车后方车辆检测系统中，共组织了三组实验分别用来验证文中方法的有效性、文中所提出的分类阈值设置方法在分类性能上的优越性以及在大幅缩短训练时间上的可行性。从三组实验的结果来看：与文献中的识别方法相比，文中方法车辆识别率最高且虚警率最低，分类器所需存储空间仅次于基于级联AdaBoost分类器的方法。应用文中所提出的自适应阈值设置方法对车辆的识别效果要优于传统的阈值设置方法，这说明文中的阈值设置方法能更好地反映训练样本的分布规律。文中所提出的改进 AdaBoost算法训练所需时间比传统AdaBoost算法训练所需时间节省了15个多小时，这对训练非常耗时的 AdaBoost算法来说已经取得了不小的进步。结论：文中提出了一种基于类Haar特征和改进 AdaBoost算法的车辆图像识别方法。在训练改进 AdaBoost算法的过程中，文中提出了两种改进措施：1）提出将样本特征值与其类别标签结合起来生成弱分类器的方法；2）提出了一种自适应的阈值设置方法。实验结果表明，文中所提出的方法在训练所需时间和识别性能方面取得了比传统方法更好的效果，具有较好的应用前景。

来源出版物：电子学报, 2011, 39(5): 1121-1126

入选年份：2015

一种基于相位比较的量子遗传算法

李士勇，李浩

摘要：量子遗传算法是一种量子计算与遗传算法相融合的概率优化算法。在量子遗传算法中，确定旋转门转角是决定其性能的关键。在当前量子遗传算法中，各旋转角度乃至当前个体的进化效果在很大程度上均依赖于该二进制解，但该二进制解是对量子染色体测量之后按一定概率得到的，是该量子染色体描述的叠加态中众多基态的一种。理论上说，它具有塌缩到任何一种状态的可能性。因此，二进制解并不能完全代表该染色体，而按照该二进制解来确定旋转角，会有发生错误旋转进而导致进化倒退的可能。为了合理地确定旋转门转角，本文提出将当前量子位与最优二进制解比较来确定旋转门转角的改进量子遗传算法，称为基于相位比较的量子遗传算法。在这种算法中，量子染色体及其旋转门的进化均采用角度形式表示，并给出了量子旋转门转角的调整公式。在每一步迭代中，种群中各个体以不同的速度向着最优解进化。一方面，可以避免种群中所有量子染色体始终以相同速度向同一目标演化，进而避免由种群中个体的多样性降低而导致的早熟收敛；另一方面，种群中部分个体进化速度较快，可以迅速收敛到最优解附近进行局部搜索，部分个体收敛速度较慢，可以在较长时间内实现全局搜索。这种使种群中的各个体以不同速率向着最优解进化的方式，较好地实现了全局探索与局部开发之间的合理平衡。该算法还引入了染色体变异操作，按照变异概率随机选取量子位，对选中的量子位施加量子非门变换，互换该量子位的两个概率幅，增加种群多样性，以避免算法陷入早熟收敛。本文在对该算法的收敛性进行了分析之后，为了检验其优化性能，将其用于函数极值求解及PID控制器的参数优化，并与标准遗传算法和基本量子遗传算法比较，仿真结果表明了该算法具有较好的寻优性能。

来源出版物：系统工程与电子技术, 2010, 32(10): 2219-2222

入选年份：2015

求解TSP问题的离散型萤火虫群优化算法

周永权，黄正新，刘洪霞

摘要：目的：旅行商问题（Traveling Salesman Problem，TSP）是一个典型的NP难问题之一。它在计算机科学、运筹学及工程优化等领域都有着广泛地应用。近年来，人们从仿生学机理中受到启发，提出了许多种用于求解TSP问题的群智能优化算法，如人工神经网络（ANN）、遗传算法（GA）、蚁群优化（ACO）算法、粒子群优化（PSO）算和人工免疫算法（AIA）等。这些群智能算法虽不能保证在有限时间内获得TSP问题的最优解，但通过随机地搜索选择多个候选解“验证”后，错误概率会降到令人满意的地步，目前已成为人们求解TSP问题的最有效方法。本文将新兴的萤火虫群优化算法离散化，提出一种离散型萤火虫群优化（DGSO）算法且用于求解TSP问题，给出一种新的求解TSP问题的方法。方法：基于TSP问题的特点，提出一种离散型萤火虫群优化（DGSO）算法，给出一种有效编码和解码方法，并定义适合编码的个体间距离计算公式和编码更新公式。同时，为增强算法求解TSP问题的局部搜索能力，加快算法的收敛速度，算法使用了操作简单的2-Opt优化算子。结果：通过对10个TSP问题进行数值仿真实验，实验结果表明本文提出的算法是在种群规模较小，迭代次数较少的情况下就可以收敛到已知最优解。在大规模 TSP问题中算法所获得的最优值与理论最优值的误差也在1%以下。结论：提出了一种离散型萤火虫群优化算法（DGSO），将连续型萤火虫群优化算法推广到离散情形。通过对10个TSP问题进行了计算机数值仿真实验，实验结果表明，在中小规模算例中算法都能够在较少的代数内找到满意解，在大规模算例中算法计算出的最优值与理论最优值的误差也在 1%以下，表明本文提出的离散型萤火虫群优化算法是有效和正确的。本文提出的离散萤火虫群优化算法也可应用于求解离散论域的其它复杂优化问题。

来源出版物：电子学报, 2012, 40(6): 1164-1170

入选年份：2015

基于贝叶斯网络的GO法模型算法

刘林林，任羿，王自力，等

摘要：目的：GO法是评价具有多状态时序特性的复杂系统可靠性的有效方法，但GO法操作符众多且逻辑复杂，并且多重共有信号导致常规的概率累积算法非常复杂，此外，GO法缺乏相应的工具软件支持，这些问题制约了GO法在工程中的应用。针对这些问题，本文提出一种基于贝叶斯网络的GO法新算法，该算法的关键是将 GO法模型与贝叶斯网络模型建立相应的映射规则，以将复杂的GO法模型转换为对应的贝叶斯网络，再利用贝叶斯网络算法来对模型进行计算，该方法结合利用GO法模型建模方便性和贝叶斯网络的前向和后向推理计算能力，为GO法的工程应用提供简单直观易于理解易于应用的算法支持，此外，贝叶斯网络扩展了GO法模型的故障诊断能力。方法：首先分析GO法模型操作符的定义，根据各GO法操作符不同的特点将其分为功能类操作符和逻辑类操作符；本文只考虑工程中常用的操作符：5个逻辑类操作符（包括2、9、10、11、15）以及6个功能类操作符（包括1、3、5、6、7、8）。其次，分步给出各操作符到贝叶斯网络的通用映射规则：1）将操作符本身及输入信号流映射为贝叶斯网络的根节点（逻辑类操作符节点本身无需映射），2）将输出信号映射为贝叶斯网络的子节点，3）并将这些根节点与子节点建立父子关系，4）将先验概率赋给对应的根节点，5）再根据操作符的内在逻辑给出条件概率表（Conditional Probability Table，CPT）并赋给子节点。然后基于这些操作符的贝叶斯网络映射规则，给出完整GO模型映射转换为贝叶斯网络的完整的可编程流程，即从GO法模型的最终输出信号开始，沿着信号流从后向前遍历整个GO法模型，依照各操作符的映射规则，逐个将模型中的操作符和信号流完整的转换为对应的贝叶斯网络节点和连接，同时将先验概率赋给各个根节点，将CPT赋给各个子节点。最后，再利用基于MATLAB的贝叶斯网络工具箱（BNT），对GO法模型映射得到的贝叶斯网络模型进行前向计算，得到系统中所有信号流的各个状态的概率。然后，将系统输出状态设置为失败状态，并将其作为证据注入到贝叶斯网络中，对贝叶斯网络进行后向推理，从而计算出各个功能操作符的失败概率，找出其中失败概率最大的节点即为系统的薄弱环节，从而实现故障诊断的功能。结果：本部分应用文献中已有的一个两状态供水系统的GO法模型作为案例进行方法进行正确有效性验证，该案例包含了工程中 13个功能操作符和1个2/4逻辑的逻辑操作符，最常用的几类功能操作符，以及一个相对复杂的N中取K逻辑操作符，而且有多重共有信号，要求计算系统供水的成功和故障概率，即需要计算系统最终输出信号流的成功和故障状态的概率。应用GO法模型到贝叶斯网络的转换方法将案例GO法模型映射转换为对应的贝叶斯网络，再应用 BNT对贝叶斯网络进行前向计算，计算得到最终输出信号流的成功和失败概率分别为 0.990881和0.009119，该计算结果与原文献中的计算结果一致。进一步利用贝叶斯网络进行故障诊断，假设系统最终输出状态为失败，即将贝叶斯网络的最终节点的2状态的概率设置为 1，作为证据更新到贝叶斯网络中，重新进行反向推理计算得到各根节点的后验概率，然后通过直方图展示了在系统失败情况下各贝叶斯网络根节点的失败后验概率，从图中可以看出在系统失败的情况下，驱动信号A和驱动信号B对应的贝叶斯网络节点S5和S11的失败概率最高，是系统的最薄弱环节，因此在系统失败时应重点排查驱动信号A和驱动信号B的故障情况。结论：本文提出一种基于贝叶斯网络的GO法新算法，给出了GO法操作符的贝叶斯网络节点映射规则及通过GO法模型构建贝叶斯网络的完整流程，贝叶斯网络能够很好的表达GO法具有的多状态和时序特性，最后通过一个简单的供水系统的案例对比计算验证了新算法正确性，并简述了案例模型的故障诊断过程。新算法无需考虑共有信号问题，并且除了能直接得出传统的计算结果，利用形成的贝叶斯网络模型还可以进行故障推理和诊断。算法转换过程简单直观，易于理解，并且有多种成熟软件算法工具支持，便于GO法在工程中的推广应用。

来源出版物：系统工程与电子技术, 2015, 37(1): 212-218

入选年份：2015