简介：在干扰大的外界环境中,传统滤波法对组合导航系统进行状态估计的精度难以满足要求,为此提出了引入Elman神经网络.描述了它的状态估计的设计方法,对如何获取训练样本及网络的训练算法给予了详细的介绍,并把优化后的算法与原有方法进行仿真对比.最后以INS/GPS组合导航系统为例,分别用传统滤波法与Elman神经网络法进行状态估计.仿真结果证明了该法的有效性和实用性.
简介：故障树在设备的故障诊断中被广泛应用.当系统复杂度较大时,故障模式和故障树的分支会剧烈增加,故障现象和故障原因因此出现复杂关系,这必然给故障检测和诊断推理带来极大的困难.在故障诊断中引入一种新的人工智能方法,即蚁群算法,可以确定故障树的最优检测次序,并指导系统多故障状态的决策.由于该方法具有平行性、鲁棒性等特点,可以很好地解决前面所提问题.仿真结果显示,在故障树中采用该新方法可行、有效.
简介：针对舰机惯导传递对准过程中舰船机动受限、系统可观测性差等特点,提出了基于状态参数可观测度分析的自适应滤波方法.通过系统状态参数可观测性分析,量化各状态分量可观测程度,进而根据可观测度大小分组构造自适应调节因子,并采用滤波增益衰减法对观测度低的分量通道进行有效处理,以此来提高传递对准滤波算法的适应性和滤波估计精度.舰船模拟轨迹下仿真结果表明,基于状态参数可观测度分析的自适应滤波方法和常规方法相比,具有较高的精度和较快的收敛速度,对准精度由3′提高到2′,滤波估计收敛时间由15min缩短至8min.
基于神经网络的组合导航系统状态估计
基于蚁群算法的复杂系统多故障状态的决策
基于状态参数可观测度分析的舰机传递对准自适应滤波方法
