type-2直觉模糊决策的TSK模糊模型粒子滤波方法及系统
阅读：554发布：2020-05-08
专利汇可以提供type-2直觉模糊决策的TSK模糊模型粒子滤波方法及系统专利检索，专利查询，专利分析的服务。并且本 发明 公开了type-2直觉模糊决策的TSK模糊模型粒子滤波方法及系统，利用type-2直觉模糊决策目标函数，选出能够体现运动目标的特性的最优特征集；构建TSK模糊模型，将最优特征集作为输入，基于TSK模糊模型的前件隶属函数计算每条规则的权重，利用加权求和的方法得到多条模糊规则的状态融合结果作为TSK模糊模型的输出；基于状态融合结果构建粒子滤波的重要 密度 函数，从重要密度函数中 抽取 粒子进行滤波更新。本发明利用type-2直觉模糊决策目标函数选出能够体现运动目标的特性的最优特征集来构建TSK模糊模型，既减少模型的规则数和模型的 冗余度 也提高了模型的精确度，采用构建TSK模糊模型的输出结果作为粒子滤波 算法 的重要密度函数，大幅度降低粒子的退化问题。，下面是type-2直觉模糊决策的TSK模糊模型粒子滤波方法及系统专利的具体信息内容。
1.一种type-2直觉模糊决策的TSK模糊模型粒子滤波方法，其特征在于，包括如下步骤：
利用type-2直觉模糊决策目标函数，选出能够体现运动目标的特性的最优特征集；
构建TSK模糊模型，将所述最优特征集作为输入，基于TSK模糊模型的前件隶属函数计算每条规则的权重，并利用加权求和的方法得到多条模糊规则的状态融合结果作为TSK模糊模型的输出；
基于状态融合结果构建粒子滤波的重要密度函数，并从重要密度函数中抽取粒子进行滤波更新。
2.根据权利要求1所述的type-2直觉模糊决策的TSK模糊模型粒子滤波方法，其特征在于，所述利用type-2直觉模糊决策目标函数，选出能够体现运动目标的特性的最优特征集的步骤，包括：
通过降岭函数进行运动目标初选特征集中的各特征相似度计算；
根据相似度构建基于type-2直觉模糊决策的目标函数，选出能够体现运动目标的特性的最优特征集。
3.根据权利要求2所述的type-2直觉模糊决策的TSK模糊模型粒子滤波方法，其特征在于，所述各特征相似度计算包括：速度相似度计算、新息相似度计算、航向角相似度计算及时间间隔相似度计算。
4.根据权利要求3所述的type-2直觉模糊决策的TSK模糊模型粒子滤波方法，其特征在于，所述根据所述相似度构建基于type-2直觉模糊决策的目标函数，选出能够体现运动目标的特性的最优特征集的步骤，包括：
对各特征相似度进行融合；
基于type-2直觉模糊决策的目标函数，选取出直觉模糊决策分数大于预设阈值的特征，构成所述最优特征集。
5.根据权利要求4所述的type-2直觉模糊决策的TSK模糊模型粒子滤波方法，其特征在于，预设阈值 其中，Q+1为初选特征集中所有特征的个数。
6.根据权利要求1所述的type-2直觉模糊决策的TSK模糊模型粒子滤波方法，其特征在于，
在TSK模糊模型构建过程中，使用基于相关熵和时空信息的模糊C回归聚类算法对前件参数进行识别，后件参数使用强跟踪算法进行估计。
7.根据权利要求1所述的type-2直觉模糊决策的TSK模糊模型粒子滤波方法，其特征在于，所述根据所述重要密度函数进行粒子滤波的步骤，包括：
从所述重要密度函数中进行抽样，得到粒子状态集；
计算粒子状态集中粒子的权值，并对权值进行标准化处理；
基于所述标准化的权值及所述粒子状态集，计算粒子的状态及协方差。
8.一种type-2直觉模糊决策的TSK模糊模型粒子滤波系统，其特征在于，包括：
最优特征集获取模块，用于利用type-2直觉模糊决策目标函数，选出能够体现运动目标的特性的最优特征集；
TSK模糊模型构建模块，用于构建TSK模糊模型，将所述最优特征集作为输入，基于TSK模糊模型的前件隶属函数计算每条规则的权重，并利用加权求和的方法得到多条模糊规则的状态融合结果作为TSK模糊模型的输出；
粒子滤波模块，用于基于状态融合结果构建粒子滤波的重要密度函数，并从重要密度函数中抽取粒子进行滤波更新。
9.一种终端，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-7中任一所述的type-2直觉模糊决策的TSK模糊模型粒子滤波方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7中任一所述的type-2直觉模糊决策的TSK模糊模型粒子滤波方法。
type-2直觉模糊决策的TSK模糊模型粒子滤波方法及系统
技术领域
[0001] 本发明涉及粒子滤波领域，具体涉及type-2直觉模糊决策的TSK模糊模型粒子滤波方法及系统。
背景技术
[0002] 建模技术在许多领域都被广泛应用于非线性系统的精确建模。模糊系统具有很好的描述动态过程非线性行为复杂动态的能力。模糊模型辨识是基于实测数据的复杂非线性系统高精度建模的有效工具。利用模糊逻辑的非线性映射能力，定义在紧集上的复杂非线性系统可以一致逼近任意精度。在TSK模糊模型建模过程中，结构识别和参数识别都是非常关键的步骤，它们决定了模型的质量。结构识别的相关工作包括规则数的确定、结构参数的选择和模糊空间划分，即关于前件特征变量的决策问题。
[0003] 一组特性可能包含足够的信息来体现目标的运动趋势，当一个模型建模问题由特征定义时，特征的数量可能相当大，其中许多特征可能是不相关的或多余的。因为不相关的信息被缓存在特征的整体中，这些不相关的特征可能会降低使用所有特征的建模的性能，在粒子滤波时由于采用模型的规则数和模型的冗余度高，使得造成的粒子退化程度较高。
发明内容
[0005] 第一方面，本发明实施例提供一种type-2直觉模糊决策的TSK模糊模型粒子滤波方法，包括如下步骤：利用type-2直觉模糊决策目标函数，选出能够体现运动目标的特性的最优特征集；构建TSK模糊模型，将所述最优特征集作为输入，基于TSK模糊模型的前件隶属函数计算每条规则的权重，并利用加权求和的方法得到多条模糊规则的状态融合结果作为TSK模糊模型的输出；基于状态融合结果构建粒子滤波的重要密度函数，并从重要密度函数中抽取粒子进行滤波更新。
[0006] 在一实施例中，所述利用type-2直觉模糊决策目标函数，选出能够体现运动目标的特性的最优特征集的步骤，包括：通过降岭函数进行运动目标初选特征集中的各特征相似度计算；根据相似度构建基于type-2直觉模糊决策的目标函数，选出能够体现运动目标的特性的最优特征集。
[0007] 在一实施例中，所述各特征相似度计算包括：速度相似度计算、新息相似度计算、航向角相似度计算及时间间隔相似度计算。
[0008] 在一实施例中，所述根据所述相似度构建基于type-2直觉模糊决策的目标函数，选出能够体现运动目标的特性的最优特征集的步骤，包括：对各特征相似度进行融合；基于type-2直觉模糊决策的目标函数，选取出直觉模糊决策分数大于预设阈值的特征，构成所述最优特征集。
[0009] 在一实施例中，预设阈值 其中，Q+1为初选特征集中所有特征的个数。
[0011] 在一实施例中，所述根据所述重要密度函数进行粒子滤波的步骤，包括：从所述重要密度函数中进行抽样，得到粒子状态集；计算粒子状态集中粒子的权值，并对权值进行标准化处理；基于所述标准化的权值及所述粒子状态集，计算粒子的状态及协方差。
[0012] 第二方面，本发明实施例提供一种type-2直觉模糊决策的TSK模糊模型粒子滤波系统，包括：最优特征集获取模块，用于利用type-2直觉模糊决策目标函数，选出能够体现运动目标的特性的最优特征集；TSK模糊模型构建模块，用于构建TSK模糊模型，将所述最优特征集作为输入，基于TSK模糊模型的前件隶属函数计算每条规则的权重，并利用加权求和的方法得到多条模糊规则的状态融合结果作为TSK模糊模型的输出；粒子滤波模块，用于基于状态融合结果构建粒子滤波的重要密度函数，并从重要密度函数中抽取粒子进行滤波更新。
[0013] 第三方面，本发明实施例提供一种终端，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行本发明实施例第一方面所述的type-2直觉模糊决策的TSK模糊模型粒子滤波方法。
[0014] 第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行本发明实施例第一方面所述的type-2直觉模糊决策的TSK模糊模型粒子滤波方法。
[0015] 本发明技术方案，具有如下优点：
[0016] 本发明提供的一种type-2直觉模糊决策的TSK模糊模型粒子滤波方法及系统，利用type-2直觉模糊决策目标函数，选出能够体现运动目标的特性的最优特征集；构建TSK模糊模型，将所述最优特征集作为输入，基于TSK模糊模型的前件隶属函数计算每条规则的权重，并利用加权求和的方法得到多条模糊规则的状态融合结果作为TSK模糊模型的输出；基于状态融合结果构建粒子滤波的重要密度函数，根据重要密度函数进行粒子滤波。本发明利用type-2直觉模糊决策目标函数，选出能够体现运动目标的特性的最优特征集来构建TSK模糊模型，既可以减少模型的规则数和模型的冗余度，也提高了模型的精确度，采用构建的TSK模糊模型的输出结果作为粒子滤波算法的重要密度函数，大幅度降低了粒子的退化问题。附图说明
[0017] 为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0018] 图1为本发明实施例提供的type-2直觉模糊决策的TSK模糊模型粒子滤波方法的一个具体示例的流程图；
[0019] 图2为本发明实施例提供基于type-2直觉模糊特征决策方法的结构图；
[0020] 图3为本发明实施例提供降岭形分布示意图；
[0021] 图4为本发明实施例提供的TSK模糊模型示意图；
[0022] 图5为本发明实施例提供目标运动的估计轨迹及均方根误差示意图；
[0023] 图6为本发明实施例提供的type-2直觉模糊决策的TSK模糊模型粒子滤波系统的组成示意图；
[0024] 图7为本发明实施例提供的一种终端的模块组成示意图。
具体实施方式
[0025] 下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0026] 此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
[0027] 实施例1
[0028] 本发明实施例提供一种type-2直觉模糊决策的TSK模糊模型粒子滤波方法，如图1所示，包括如下步骤：
[0029] 步骤S1:利用type-2直觉模糊决策目标函数，选出能够体现运动目标的特性的最优特征集。
[0030] 实际中，运动目标的特征属性的隶属度是一个需要解决的问题，采用证据理论决策的方式选择最能够体现目标机动性的特征属性，它对输入的串联组合特征矢量中的各种不同特征的特征类型和衡量尺寸没有一致性要求，也无需对串联组合特征矢量做任何预处理，利用模糊分布函数对各个特征分别进行处理，能够处理由各种不同特征简单联合而成的组合特征，本发明实施例利用type-2直觉模糊决策目标函数，选出能够体现运动目标的特性的最优特征集，作为运动目标的“最优”决策的特征子集。
[0031] 步骤S2:构建TSK模糊模型，将最优特征集作为输入，基于TSK模糊模型的前件隶属函数计算每条规则的权重，并利用加权求和的方法得到多条模糊规则的状态融合结果作为TSK模糊模型的输出。
[0032] 本发明实施例基于运动目标的“最优”决策的特征子集构建TSK模糊模型，既可以减少模型的规则数和模型的冗余度，也提高了模型的精确度。
[0033] 步骤S3:基于状态融合结果构建粒子滤波的重要密度函数，根据重要密度函数进行粒子滤波。
[0034] 本发明实施例采用构建粒子滤波算法作为重要密度函数，由此采样的粒子的多样性会得到一定程度的提升，大幅度降低了粒子的退化问题。
[0035] 在一实施例中，执行步骤S1的过程，包括：通过降岭函数进行运动目标初选特征集中的各特征相似度计算；根据相似度构建基于type-2直觉模糊决策的目标函数，选出能够体现运动目标的特性的最优特征集。其中，各特征相似度计算包括：速度相似度计算、新息相似度计算、航向角相似度计算及时间间隔相似度计算。具体的实现过程如图2所示，目标进行特征进行相似度计算后，对各特征相似度进行融合，基于type-2直觉模糊决策的目标函数，选出选取直觉模糊决策分数大于预设阈值的特征，构成最优特征集。
[0036] 本发明实施例在目标运动的每一时刻上，分别用该时刻上每个特征与真实轨迹中该特征进行比较，得到此时刻的特征差。特征差越小，用这维特征所表征的样本的相似性就越高。同时为了降低特征提取时产生的误差对判断结果的影响，需要模糊分布满足特征差较小时，下降缓慢，特征差较大时，相似性迅速下降。本实施例以速度v、新息r和航向角差θ特征差为自变量，采用降岭形分布计算相同维上特征之间的相似度，该分布用下式表示：
[0037]
[0038] 其中，x表示特征差的大小，a1表示特征差的最小值，a2表示特征差的最大值，分布情况如图3所示。
[0039] 本发明实施例通过公式(2)计算第i个特征的相似度：
[0040]
[0041] 其中， 特征差矩阵dfji＝|fji-f(j-1)i|,j＝1,2,…,K,i＝1,2,…,Q，j表示时间。
[0042] 在一实施例中，假设时间间隔T的论域为M，时间间隔T的隶属度采用高斯型的相似度函数，具体如下：
[0043]
[0044] 其中σT,cT分别代表时间间隔标准差和时间间隔均值。从式(3)可以看出，离均值越近，相似度就越大，反之越小。
[0045] 本发明实施例在对量测进行预处理后，利用时间间隔T、速度v、新息r和航向角差θ等因素的直觉模糊决策分数，选取直觉模糊决策分数大于阈值τ的特征，然后以它们作为最能够体现目标机动性特征构建TSK模糊模型，这样可以更加充分地利用到目标的运动特性，又避免了多特征造成的模糊规则太多引起计算量增大的负担。
[0046] 由于直觉模糊集合能够解决目标运动模型的不确定性，本发明实施例采用融合直觉模糊隶属度算法和Type-2的模糊C均值回归算法处理非线性噪声带来的影响，建立以下的目标函数：
[0047]
[0048]
[0049] 其中， 代表各个特征的相似度，Q+1代表特征的个数，C代表聚类数，μij(Mi)表示在时刻j特征Mi的隶属度。
[0050] 本发明实施例根据拉格朗日方法最小化目标函数，得到上下隶属度：
[0051]
[0052]
[0053] 其中，μ'i为上隶属度， 为下隶属度，m1,m2是模糊权重指数。
[0054] 为了结合直觉模糊特性，将隶属度函数由传统的模糊集扩展为直觉模糊集，本发明实施例通过引入直觉指数πA(x)来修正隶属函数：
[0055]
[0056] 其中 分别表示直觉指数πA(x)中隶属度权值和非隶属度权值。
[0057] 本发明实施例将直觉模糊隶属度进行归一化，得到最终的直觉模糊隶属度：
[0058] 直觉指数、隶属度和非隶属度是直觉模糊集中的三个成员，其之间具有归一化的关系，已知三者中的任意两个成员的值，利用归一化的关系可以求得剩余成员的值。直觉模糊集通常由隶属度函数、非隶属函数和直觉指数表示，非隶属度的生成可以用特定的函数生成。其中，直觉指数计算如下：
[0059]
[0060] 而 表示如下：
[0061]
[0062]
[0063] Mi表示量测的第i个属性。决策结果为：
[0064]
[0065] 本发明实施例的阈值 仅以此举例，不以此为限。
[0066] 本发明实施例采用基于type-2直觉模糊特征决策得到的“最优”特征对系统进行TSK模糊模型建模，既实现了特征的自适应选择，也实现了TSK规则的自适应调整。
[0067] 本发明实施例基于上述决策结果得到的特征，构建粒子滤波算法中的TSK模糊模型，一般TSK模糊模型认为任何非线性系统，可以用如下Nf个模糊线性模型表表示：
[0068] 模型i：
[0069]
[0070]
[0071] 其中， 表示规则的前件参数， 表示模型i中第G个前件参数对应的模糊集， 和 分别表示状态转移矩阵和观测矩阵,，TSK模糊模型可以通过如图4所示的6层网络结构得来，其中d>m。
[0072] 本发明实施例为了得到更加精确的TSK模糊网络模型，对模型中的前件参数和后件参数分别进行识别与估计。由于模糊层中的前件参数隶属函数设置为高斯型函数，本发明实施例采用微调方法对高斯函数的均值和标准差对前件参数进行识别，对于后件参数则采用强跟踪算法进行估计。
[0073] 在粒子滤波框架下，T-S模糊模型主要为每个粒子产生涵盖丰富空间信息的先验概率密度函数。鉴于获得的T-S模糊模型状态估计 以及协方差估计 对于每个粒子，以状态估计 以及协方差估计 构建改进的先验概率密度函数：
[0074] 通常情况下，选取先验概率密度函数作为重要密度函数，即
[0075]
[0076] 结合上式和权重更新公式得到粒子权重，计算如下：
[0077]
[0078] 在一具体实施例中，利用本发明实施例提供的方法，得到运动目标的状态方程和测量方程如下所示：
[0079]
[0080]
[0081] 其中，Nf表示模糊规则的总数目， 状态向量，xk表示目标x轴坐标，yk表示目标y轴坐标， 和 分别表示目标在x轴和y轴坐标对应的速度。过程噪声ek假设是服从零均值和协方差为σi,e的高斯过程噪声Q，其中Q是一个2×2矩阵(Qij＝0,for i≠j,Q＝diag(σi,e,σi,e))。观测噪声vk假设为服从非高斯分布噪声初始状态x0由目标初始位置决定x0＝
[1km,0.15km/s,6km,0.26km/s]T，主要描述目标的位置和速度，先验概率密度函数设服从的高斯分，其中x0|0＝[1km,0.15km/s,6km,0.26km/s]T，P0|0＝[0.152 0 0 0；0 0.01 0 0；0
0 0.152 0；0 0 0 0.01]。
[1km,0.15km/s,6km,0.26km/s]T，主要描述目标的位置和速度，先验概率密度函数设服从的高斯分，其中x0|0＝[1km,0.15km/s,6km,0.26km/s]T，P0|0＝[0.152 0 0 0；0 0.01 0 0；0
0 0.152 0；0 0 0 0.01]。
[0083]
[0084]
[0085] 为了验证发明实施例提供方法的有效性，实现了type-2直觉模糊决策的TSK模糊建模的粒子滤波算法(T2IF-TSKPF)。如图5(a)所示表示目标运动的估计轨迹，从图中可以看出，ITS-PF算法跟踪效果和仿真估计大概一致，尤其是在目标机动的情况下表现出很好的鲁棒性，说明该算法在非线性系统中能够高效地处理不确定信息。主要原因是在目标机动时所选取的模型集不能有效的匹配目标运动的状态，而T2IF-TSKPF算法能根据空间信息模糊隶属度自适应的调整每条规则对应的权重，从而得到合适的目标机动时刻的状态估计。如图5(b)-图5(d)分别描述了交互粒子滤波算法(IMMPF)、交互Rao-Blackwellized粒子滤波算法(IMMRBPF)、TSK粒子滤波算法(ITS-PF)及type-2直觉模糊决策的TSK模糊建模的粒子滤波算法(T2IF-TSKPF)的目标的位置均方根误差、x轴方向的均方根误差和y轴方向的均方根误差，可以看出本申请提供的type-2直觉模糊决策的TSK模糊建模的粒子滤波算法(T2IF-TSKPF)的均方差误差最小，滤波效果更好。
[0086] 实施例2
[0087] 本发明实施例提供一种type-2直觉模糊决策的TSK模糊模型粒子滤波系统，如图6所示，包括：
[0088] 最优特征集获取模块1，用于利用type-2直觉模糊决策目标函数，选出能够体现运动目标的特性的最优特征集；此模块执行实施例1中的步骤S1所描述的方法，在此不再赘述。
[0089] TSK模糊模型构建模块2，用于构建TSK模糊模型，将所述最优特征集作为输入，基于TSK模糊模型的前件隶属函数计算每条规则的权重，并利用加权求和的方法得到多条模糊规则的状态融合结果作为TSK模糊模型的输出；；此模块执行实施例1中的步骤S2所描述的方法，在此不再赘述。
[0090] 粒子滤波模块3，用于基于状态融合结果构建粒子滤波的重要密度函数，并从重要密度函数中抽取粒子进行滤波更新。此模块执行实施例1中的步骤S3所描述的方法，在此不再赘述。
[0091] 本发发明实施例提供的type-2直觉模糊决策的TSK模糊模型粒子滤波系统，利用type-2直觉模糊决策目标函数，选出能够体现运动目标的特性的最优特征集；构建TSK模糊模型，将所述最优特征集作为输入，基于TSK模糊模型的前件隶属函数计算每条规则的权重，并利用加权求和的方法得到多条模糊规则的状态融合结果作为TSK模糊模型的输出；基于状态融合结果构建粒子滤波的重要密度函数，根据重要密度函数进行粒子滤波。本发明利用type-2直觉模糊决策目标函数，选出能够体现运动目标的特性的最优特征集来构建TSK模糊模型，既可以减少模型的规则数和模型的冗余度，也提高了模型的精确度，采用构建的TSK模糊模型的输出结果作为粒子滤波算法的重要密度函数，大幅度降低了粒子的退化问题。
[0092] 实施例3
[0093] 本发明实施例提供一种终端，如图7所示，包括：至少一个处理器401，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口403，存储器404，至少一个通信总线402。其中，通信总线402用于实现这些组件之间的连接通信。其中，通信接口403可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口403还可以包括标准的有线接口、无线接口。存储器404可以是高速RAM存储器(Ramdom Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可以执行实施例1中的type-2直觉模糊决策的TSK模糊模型粒子滤波方法。存储器404中存储一组程序代码，且处理器401调用存储器404中存储的程序代码，以用于执行实施例1中的type-2直觉模糊决策的TSK模糊模型粒子滤波方法。其中，通信总线402可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。通信总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。
[0094] 其中，存储器404可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard disk drive，缩写：HDD)或固降硬盘(英文：solid-state drive，缩写：SSD)；存储器404还可以包括上述种类的存储器的组合。
[0095] 其中，处理器401可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
[0096] 其中，处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：
field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic array logic,缩写：GAL)或其任意组合。
field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic array logic,缩写：GAL)或其任意组合。
[0097] 可选地，存储器404还用于存储程序指令。处理器401可以调用程序指令，实现如本申请执行实施例1中的type-2直觉模糊决策的TSK模糊模型粒子滤波方法。
[0098] 本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机可执行指令，该计算机可执行指令可执行实施例1中的type-2直觉模糊决策的TSK模糊模型粒子滤波方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固降硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
[0099] 显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 灭火设备阀 | 2020-05-12 | 764 |
| 一种激光高速测量机及测量方法 | 2020-05-12 | 784 |
| 一种视频帧重构方法、装置及终端设备 | 2020-05-12 | 383 |
| 在便携式电子设备中记录超慢动作视频的方法和系统 | 2020-05-11 | 714 |
| 一种机械压力机滑块停上死点的控制方法 | 2020-05-11 | 684 |
| 应用在引水隧洞中的信号传输系统、方法及控制器 | 2020-05-12 | 474 |
| 一种室内场景三维重建的RGB-D相机位姿估计方法 | 2020-05-08 | 670 |
| 一种目标区域内基站群的部署优化方法及存储介质 | 2020-05-11 | 243 |
| 一种适用于自主水下航行器的双冗余CAN总线通信装置 | 2020-05-11 | 265 |
| 移动及定位装置及增材制造设备 | 2020-05-12 | 28 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈