-
公开(公告)号：CN112861969A
公开(公告)日：2021-05-28
申请号：CN202110171636.2
申请日：2021-02-08
Applicant: 杭州电子科技大学
IPC: G06K9/62 , G06F16/2458
Abstract: 本发明公开了一种基于MIC改进的k‑modes聚类方法。本发明在传统k‑modes聚类方法上，引入MIC的概念，重新定义了一种新的距离度量方式。该方法考虑了对象某个属性值本身的不同，又考虑了对象其它属性对该属性值的影响，可以通过计算它们之间的MIC值来体现属性、对象之间的相关度，MIC值越大代表相关性越强反之越弱，使之更符合实际问题情况。通过基于MIC的距离公式计算每一个对象到类中心的距离，并将其分配到距离最小的类中心所在的类。得到新的划分，直到每个对象所属的类不再改变。通过对UCI数据集进行聚类仿真，结果表明基于MIC的k‑modes算法能有效地提高聚类算法精度，验证了本发明的有效性。
-
公开(公告)号：CN112649804A
公开(公告)日：2021-04-13
申请号：CN202011514658.6
申请日：2020-12-21
Applicant: 杭州电子科技大学
IPC: G01S13/86
Abstract: 本发明公开了一种基于特征函数的集中式多传感器融合滤波方法，本发明通过对多个传感器采用集中的设计方式，将所有传感器收集到的信息都传输到融合中心之后，再对所有数据进行特征函数滤波处理。在时间充足的情况下，不遗漏任何信息。通过集中式融合方式，可以在很大程度上提高滤波估计精度，集中式设计考虑到了所有可能的情况，不考虑信息的丢包和延迟，收集到了所有的信息，能够得到非常高的估计精度，能在样本数量不太大、时间充足又要求高精度的非线性系统甚至强非线性系统中得到很好的应用。
-
公开(公告)号：CN112561834A
公开(公告)日：2021-03-26
申请号：CN202011514183.0
申请日：2020-12-21
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于特征函数的并行式多传感器融合滤波方法，本发明通过对多个传感器采用并行的设计方式，将所有传感器的测量信息并行起来进行滤波，各个传感器之间相互独立的工作，互不干扰，且不考虑信息的延时和丢包现象，时间效率高。通过并行的融合方式，可以在很大程度减少因信息缺失和传输干扰而导致的滤波估计误差，同时并行式滤波器在传感器数量特别大时，能简化计算复杂度，得到较高的估计精度，能在非线性系统甚至强非线性系统中得到很好的应用。
-
公开(公告)号：CN113032988B
公开(公告)日：2024-04-12
申请号：CN202110290122.9
申请日：2021-03-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于最大相关熵的高阶扩展卡尔曼滤波器设计方法。本发明给定两个一维随机变量，得到有限数据驱动下随机变量对的相关熵；然后给定无人机运动的状态模型和测量模型；通过将状态模型中的高阶多项式定义为系统的隐性变量，将系统的状态模型伪线性化表示，并同理将测量模型伪线性化表示，得到它们的线性形式；对线性形式的状态模型和测量模型，利用递归滤波器设计思想得到高阶扩展卡尔曼滤波器；利用多维独立向量的相关熵形式和得到的高阶扩展卡尔曼滤波器，设计得到基于最大相关熵的高阶扩展卡尔曼滤波器。本发明可以解决在非线性非高斯系统情况下，滤波性能下降和发散的问题，可以将其应用到实时估计和目标跟踪领域中去。
-
公开(公告)号：CN113032988A
公开(公告)日：2021-06-25
申请号：CN202110290122.9
申请日：2021-03-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于最大相关熵的高阶扩展卡尔曼滤波器设计方法。本发明给定两个一维随机变量，得到有限数据驱动下随机变量对的相关熵；然后给定无人机运动的状态模型和测量模型；通过将状态模型中的高阶多项式定义为系统的隐性变量，将系统的状态模型伪线性化表示，并同理将测量模型伪线性化表示，得到它们的线性形式；对线性形式的状态模型和测量模型，利用递归滤波器设计思想得到高阶扩展卡尔曼滤波器；利用多维独立向量的相关熵形式和得到的高阶扩展卡尔曼滤波器，设计得到基于最大相关熵的高阶扩展卡尔曼滤波器。本发明可以解决在非线性非高斯系统情况下，滤波性能下降和发散的问题，可以将其应用到实时估计和目标跟踪领域中去。
-
Patent Agency Ranking
公开(公告)号：CN112529508A
公开(公告)日：2021-03-19
申请号：CN202011536433.0
申请日：2020-12-23
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于PBFT联盟链的电力物资管理系统，该系统由数据层、网络层、共识层、合约层和应用层构成。数据层负责电力物资数据及电力物资合同的存储，通过哈希算法生成固定长度输出串，再生成相应的Merkle树封装到带有时间戳的数据区块中。网络层负责使联盟链中所有节点参与到数据区块的校验和记账过程。共识层通过PBFT共识机制解决数据层参与节点维护数据区块的一致性问题。合约层主要通过智能合约完成电力物资合同的签订，加入RBAC模型建造的权限管理模块进一步保证数据的安全性。应用层封装了该联盟链的各种应用场景。由此本发明基于PBFT联盟链的电力物资管理系统，对电力物资数据进行了精细化管理同时也保证了电力物资合同签署的安全与有效性。
-
公开(公告)号：CN112731372B
公开(公告)日：2024-05-31
申请号：CN202011513729.0
申请日：2020-12-21
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于加性潜变量扩维卡尔曼滤波的状态估计方法，本发明首先将状态模型中的非线性函数项的分量定义为潜变量，据此将状态模型扩维成基于系统原始变量和相应潜变量相结合的伪线性形式；其次建立潜变量的动态关联模型，并与上述伪线性模型相结合形成扩维状态后的线性状态模型；再次基于引入的潜变量和扩维状态，将观测模型等价改写为扩维状态后的线性模型；最后基于扩维后的状态线性模型和观测线性模型，设计含有潜变量的新型扩维卡尔曼滤波器。潜变量的引入将非线性的状态模型转化成线性形式，避免了传统扩展卡尔曼滤波由于泰勒展开式产生的截断误差，从而有效地提高了滤波效果。
-
公开(公告)号：CN112765921A
公开(公告)日：2021-05-07
申请号：CN202011537812.1
申请日：2020-12-23
Applicant: 杭州电子科技大学
IPC: G06F30/367
Abstract: 本发明公开了一种强非线性动态系统的高阶扩展卡尔曼滤波器设计方法。首先，基于多维高阶多项式建模强非线性动态系统的状态模型和测量模型；其次，将状态模型中的高阶多项式定义为系统的隐性变量，并将状态模型等价改写成基于原始变量和隐变量相结合的伪线性模型；再次，视高阶隐变量为系统的各阶加性参数，再通过对他们之前进行随机动态建模，建立起由状态与参数相结合的扩维线性状态模型；然后，再对测量模型进行相应处理，将原始系统建模为基于状态与参数相结合的扩维线性测量模型；最后，基于扩维的线性系统，设计出针对原始状态估计的新型高阶扩展卡尔曼滤波器。本发明通过数字仿真验证了新滤波器的有效性。
-
公开(公告)号：CN112764345A
公开(公告)日：2021-05-07
申请号：CN202011513880.4
申请日：2020-12-21
Applicant: 杭州电子科技大学
IPC: G05B13/04
Abstract: 本发明公开了一种基于目标状态跟踪的强非线性系统卡尔曼滤波器设计方法。本发明将目标状态和测量方程中的基本函数定义为隐变量，从而将原始目标状态模型和测量模型改写成伪线性形式；然后，将隐变量视为系统的参数变量，建立各隐变量与其他隐变量及目标状态变量之间的动态线性模型；进一步将测量模型改写成当前时刻目标状态估计值和各参数变量值之间的一阶线性乘积形式；最后，借助卡尔曼滤波器组逐步求解参数变量，设计出一个逐步线性化的高阶扩展卡尔曼滤波器。通过三个目标状态追踪案例对比的仿真测试，验证了本发明的有效性。
-
公开(公告)号：CN112731372A
公开(公告)日：2021-04-30
申请号：CN202011513729.0
申请日：2020-12-21
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于加性潜变量扩维卡尔曼滤波的状态估计方法，本发明首先将状态模型中的非线性函数项的分量定义为潜变量，据此将状态模型扩维成基于系统原始变量和相应潜变量相结合的伪线性形式；其次建立潜变量的动态关联模型，并与上述伪线性模型相结合形成扩维状态后的线性状态模型；再次基于引入的潜变量和扩维状态，将观测模型等价改写为扩维状态后的线性模型；最后基于扩维后的状态线性模型和观测线性模型，设计含有潜变量的新型扩维卡尔曼滤波器。潜变量的引入将非线性的状态模型转化成线性形式，避免了传统扩展卡尔曼滤波由于泰勒展开式产生的截断误差，从而有效地提高了滤波效果。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.02 seconds)
