基于DBO与遗忘因子AEKF的有色噪声协同优化算法

摘要

针对自适应扩展卡尔曼滤波(AEKF)算法在处理有色噪声时历史数据依赖性强、估计精度受限等问题，提出一种基于蜣螂优化(DBO)与遗忘因子AEKF的协同优化算法。该算法基于有色噪声特性构建AEKF预测模型，通过引入遗忘因子动态调整历史数据权重分配，从而降低其对当前估计的干扰，并在此基础上改进AEKF的更新校正模型。进一步利用DBO算法的强大全局优化能力，以信噪比(SNR)作为目标函数评估指标，构建遗忘因子的动态优选机制，最终形成具备参数自适应能力的FFAEKF-DBO协同优化算法。选取4类典型有色噪声信号数据集和凯斯西储大学提供的滚动轴承振动数据集进行实验，多维度评估本文算法的性能。结果表明：在有色噪声测试中，与EKF,AEKF和FFAEKF相比，本文算法展现出全面优势，从粉红噪声来看，相较于基准EKF算法，本文算法的MAE与RMSE分别降低了约16.93%和17.99%,SNR增益获得了0.93 dB的显著提升，且归一化互相关系数(NCC)始终保持最优。在滚动轴承振动信号分析中，该算法在保持信号均值稳定的同时显著降低均方差，且NCC值持续优于对比算法。所提算法通过遗忘因子动态优化机制有效解决了AEKF算法对历史数据的依赖，显著提升了有色噪声抑制精度，为工业信号处理及故障诊断提供了可靠技术支撑。

关键词

自适应扩展卡尔曼滤波 / 蜣螂算法 / 协同优化 / 遗忘因子 / 动态优选机制 / 故障诊断 / 有色噪声