基于RBF神经网络的直接广义预测控制

针对广义预测控制算法需要在线递推求解 Diophantine 方程及矩阵求逆等计算量大的缺陷,对参数未知多变量非线性系统提出一种径向基函数神经网络的直接广义预测控制算法.该算法将多变量非线性系统转化为多变量时变线性系统,用三次样条基函数逼近系统广义误差向量中的时变系数,然后利用径向基神经网络来逼近控制增量表达式,并基于广义误差估计值对控制器参数向量即网络权值向量θu和广义误差估计值中的未知向量θe进行自适应调整.仿真结果验证了此算法的有效性.     

基于卡尔曼滤波的陀螺仪降噪处理

针对MEMS陀螺仪输出信号随机漂移误差造成测量精度低的问题,提出了一种基于BP神经网络的卡尔曼滤波降噪模型.基于BP神经网络的基本原理,首先利用BP神经网络对系统进行学习,获得系统状态方程,然后建立了基于BP神经网络的滤波模型,最后应用于卡尔曼滤波对MEMS陀螺仪信号进行降噪.半实物模拟仿真实验表明:基于BP神经网络的卡尔曼滤波后的数据的速率随机游走等系数比原始数据下降6.89倍,验证了本方法的降噪性能优于基本卡尔曼模型,在MEMS陀螺仪的数据处理方面具有一定的应用价值.     

基于未知输入观测器的非线性时间序列故障预报

将未知非线性系统的输出作为时间序列并进行空间重构,针对得到的离散线性时变系统,提出了基于未知输入观测器的预测新方法.以实时拟合时间序列的线性AR模型作为时变系统的已知线性部分,将拟合误差作为时变系统的未知输入,实现了对非线性时间序列的一步预测.再利用递推预测的方法,将一步预测推广到N步预测,同时证明了该方法的预测误差有界.通过未知输入的预测值和状态的预测误差的变化可以方便地判断故障的发生,实现故障预报.仿真结果证明了方法的有效性.     

随机2-DFM模型的状态估计

研究了在随机作用下的多输入多输出线性时变 2 - D离散 FM 模型 ,利用斜割支线和几何方法 ,求出了 2 - D随机 FM 模型的卡尔曼滤波与预测公式 ,并且给出了滤波与预测误差的方差阵和协方差阵     

基于塔台仿真系统的飞行短期冲突检测

考虑到雷达数据的误差以及气流等随机因素影响,将卡尔曼滤波引入飞行器短期冲突检测中,以实现更精确的预报。已知研究表明飞行航迹误差服从零均值高斯分布模型。卡尔曼滤波能有效地应对该误差分布模型,滤波结果更接近实际飞行情况,并对未知状态进行有效预测。按照民航飞行安全要求,文中对飞行水平方向和垂直方向的冲突进行预测。通过理论分析和仿真模拟试验,对比传统方法,文中提供的方法不但能对真实存在冲突做出准确预报,还能对潜在的冲突以概率的形式提供参考信息。     

随机2-D FMⅡ模型的状态估计

研究了在随机作用下的多输入多输出线性时变2-D离散FMⅡ模型,利用斜割支线 和几何方法,求出了2-D随机FMⅡ模型的卡尔曼滤波与预测公式,并且给出了滤波与预测 误差的方差阵和协方差阵.     

未知多变量非线性系统自适应模糊预测控制

对一类未知多变量非线性系统提出了直接自适应模糊预测控制方法,此方法首先对被控对象提出了线性时变子模型加非线性子模型的预测模型,然后直接用模糊逻辑系统组成的向量来设计预测控制器,并基于时变死区函数对控制器中的未知向量和广义误差估计值中的未知矩阵进行自适应调整．文中证明了此方法可使广义误差向量估计值收敛到原点的一个邻域内．     

强跟踪平方根容积卡尔曼滤波和 自回归模型融合的故障预测

为了解决非线性系统中不可测量参数的预测问题,提出一种带有次优渐消因子的强跟踪平方根容积卡尔曼滤波(STSCKF)和自回归(AR)模型相结合的故障预测方法.利用AR模型时间序列预测法预测未来时刻的测量值,将预测的测量值作为STSCKF的测量变量,从而将预测问题转化为滤波估计问题.STSCKF通过在预测误差方差阵的均方根中引入渐消因子调节滤波过程中的增益矩阵,克服了故障参数变化函数未知情况下普通SCKF跟踪故障参数缓慢甚至失效的局限性,使得STSCKF能较好地预测故障参数的发展趋势.连续搅拌反应釜(CSTR)仿真结果表明,STSCKF的预测精度高于普通SCKF和强跟踪无迹卡尔曼滤波(STUKF),验证了方法的有效性.     

稳定的非线性系统广义预测控制

针对广义预测控制(GPC)算法稳定性分析困难,对参数未知非线性系统提出一种稳定广义预测控制(DGPC)方法。该方法首先将非线性系统转换为时变线性系统,然后利用三次样条基函数逼近时变系统中的系数,通过带时变遗忘因子的递推最小二乘算法辨识系数获得对象模型。基于模型通过性能指标中的前馈增益设计来保证控制系统稳定,仿真结果验证了该方法的有效性。     

基于改进容积卡尔曼的PMLSM无传感控制研究

在永磁直线同步电机(PMLSM)的无传感器控制系统中,需要对动子的位置和速度进行实时状态估计。针对标准的容积卡尔曼滤波算法在PMLSM无传感控制中存在状态协方差矩阵易失去非负定性,以及噪声统计特性未知时变导致的滤波精度降低甚至发散的问题,提出一种容积卡尔曼滤波的改进算法。该算法结合平方根滤波和改进的渐消型记忆时变噪声估值器特点,能够保证滤波过程中状态协方差阵的非负定性,同时具有应对噪声变化的自适应能力。在永磁同步直线电机的无传感控制仿真实验中,改进的CKF算法能够明显提高标准CKF的滤波精度,在速度跟踪性能上,负载突变前、后的最大跟踪误差百分比分别为0.428 6%、0.146 8%,稳定跟踪后的跟踪误差百分比稳定在0.045 7%。     

基于正多胞体空间扩展滤波的时变参数系统辨识方法

针对未知但有界噪声时变参数系统,提出了一种基于正多胞体空间扩展滤波的参数辨识方法.采用有界误差方法对测量噪声和参数变化过程进行建模,通过选取最优扩展系数进而扩大正多胞体大小,使得正多胞体包含变化后的参数可行集,由时不变参数系统约束条件构造扩展系数方程,通过线性规划方法求解前k步扩展系数值,选取最大值作为最终扩展系数.采用扩展系数更新每一步时变参数正多胞体约束条件,求解全部参数的上下界得到包裹参数可行域的最紧致正多胞体.仿真示例说明该方法辨识时变参数的有效性和准确性.     

卡尔曼滤波在捷联惯组误差系数预测中的应用

研究捷联惯组误差系数预测建模问题,由于惯组误差系数漂移因素的复杂性、不确定性以及测试数据的小子样特性,时间序列分析方法难以准确描述漂移规律,预测精度不高。为提高惯组误差系数预测精度,将时间序列分析方法和卡尔曼滤波结合,研究了一种卡尔曼滤波的时间序列预测模型。首先采用时间序列分析方法对惯组测试数据建立时间序列预测方程,然后根据预测方程建立卡尔曼滤波方程,最后依靠卡尔曼递推方程不断地修正预测方程的系数,采用修正的预测模型进行预测。仿真结果表明,采用改进方法可以有效地提高预测精度,能够很好地满足对惯组测试数据分析的要求。     

含噪声驱动阵的相关噪声卡尔曼滤波及稳定性

探讨相关噪声下离散时变线性系统的卡尔曼滤波模型。借助广义逆和最小模最小二乘解的思想,在Frobenius范数意义下,获得基于偏差最优估计的转换系数矩阵,将相关噪声系统转化为不相关噪声系统,获得相应的卡尔曼滤波模型。理论上,在误差协方差矩阵有界前提下,获证该滤波模型是全局渐近稳定的,数值实验获该模型的合理性。理论和实验结果表明,该模型是稳定的,且可有效解决含相关噪声和时变量测噪声驱动阵的离散时变系统的状态估计问题。     

FAST-SR-UKF算法及其在组合导航系统中的应用

为解决无迹卡尔曼滤波（UKF）算法在组合导航应用中遇到的系统模型不确定、系统噪声统计特性未知以及计算误差较大等问题,提出了模糊自适应强跟踪平方根无迹卡尔曼滤波（FAST-SR-UKF）算法,该算法不仅具有传统UKF的优势,而且包含如下特点：通过模糊自适应强跟踪模块,增强了系统对模型不确定性以及噪声统计参数未知的适应能力;利用平方根滤波的思想,提高了模糊自适应强跟踪无迹卡尔曼滤波算法的数值稳定性,改善了由于计算误差导致的滤波发散问题。仿真结果表明：相对于传统的UKF算法,该算法精度更高、鲁棒性更强。     

基于Elman神经网络的电力负荷预测模型研究

针对传统的电力负荷预测的不足，利用Elman神经网络时变能力强、误差可控、预测精度高等优点，提出一种基于循环结构Elman神经网络的电力负荷预测模型。采用学校实习基地的某企业半个月的电力负荷历史数据作为原始数据，并通过MATLAB平台进行仿真，对提出的预测方法和模型进行了研究，分析检验所建立模型的实际预测能力。首先对负荷样本数据归一化运算，使Elman神经网络输入层变量集中在[0,1]区间内，再对所建立的网络模型进行训练，使系统具备适应时变能力，增强系统全局稳定性。仿真分析结果显示：基于Elman神经网络的电力负荷预测模型预测误差小、精度高，预测速度快，表明了所提出的预测模型具有一定的实用价值。     

基于不确定模型误差系统的变分贝叶斯STCKF

强跟踪容积卡尔曼滤波器在对含有模型误差和时变噪声的非线性系统进行滤波时, 容易出现性能降低甚至发散. 鉴于此, 提出一种基于变分贝叶斯的强跟踪容积卡尔曼滤波算法. 该算法运用虚拟噪声法补偿模型误差, 假设虚拟噪声均值非零, 且满足高斯分布, 虚拟噪声方差服从逆gamma分布, 在强跟踪容积卡尔曼滤波器估计状态的同时, 采用变分贝叶斯推理估计虚拟噪声参数. 仿真结果表明, 所提出算法对含模型误差与时变噪声的非线性系统具有较好的估计精度, 相比于自适应算法具有更强的鲁棒性.     

基于小波多尺度分析的光纤陀螺振动误差分析与建模

针对振动环境对光纤陀螺性能的影响,对某型号的光纤陀螺进行了线振动实验并对实验结果进行了Allan方差分析。利用小波多尺度变换提取了光纤陀螺误差模型中的各误差项,分析并验证了零漂及噪声误差与Allan方差分析误差系数中的量化噪声、角度随机游走以及零偏误差与误差系数中的零偏稳定性、速率随机游走、速率斜坡之间的对应关系。随后利用RBF神经网络对小波多尺度分析提取的零偏误差建立模型并进行了补偿。仿真结果表明,本文提出的方法有效减小了振动环境下各误差项对光纤陀螺性能的影响, Allan方差分析结果中的五个误差系数均有较大下降,其中两项误差系数下降了一个数量级及以上,极大提高了光纤陀螺在振动环境下的输出精度,对光纤陀螺在振动环境下的误差研究具有重要指导意义。     

基于小波多尺度变换的光纤陀螺振动误差分析与补偿

针对振动环境对光纤陀螺性能的影响,对某型号的光纤陀螺进行了线振动实验并对实验结果进行了Allan方差分析。利用小波多尺度变换提取了光纤陀螺误差模型中的各误差项,分析并验证了零漂及噪声误差与Allan方差分析误差系数中的量化噪声、角度随机游走以及零偏误差与误差系数中的零偏稳定性、速率随机游走、速率斜坡之间的对应关系。随后利用RBF神经网络对小波多尺度分析提取的零偏误差建立模型并进行了补偿。仿真结果表明,本文提出的方法有效减小了振动环境下各误差项对光纤陀螺性能的影响,Allan方差分析结果中的五个误差系数均有较大下降,其中两项误差系数下降了一个数量级及以上,极大提高了光纤陀螺在振动环境下的输出精度,对光纤陀螺在振动环境下的误差研究具有重要指导意义。     

基于啤酒发酵过程的时变轨迹输出反馈鲁棒模糊预测控制

考虑到实际生产中状态不易测量和设定值变化的情况以及系统本身的非线性特性,针对啤酒发酵过程温度控制系统提出了一种时变轨迹下输出反馈鲁棒模糊预测控制方法。在啤酒发酵罐温度系统的机理模型的基础上,建立包括不确定性和未知干扰的状态空间模型;通过设计模糊集,建立为具有加权系数的T-S模糊状态空间模型;并在状态变量的中引入输出跟踪误差,建立新型多自由度状态空间模型;并运用鲁棒模型预测控制方法优化参数不确定性问题,结合李雅普诺夫稳定性理论推导出线性矩阵不等式形式的稳定性条件,通过求解线性矩阵不等式中参数来计算对应子模型控制律,并对所设计的输出反馈控制器给定权值。通过仿真结果验证了提出方法的有效性和可行性。     

未知探测概率下多目标PHD跟踪算法

针对未知探测概率下多目标跟踪问题,提出一种基于时变滤波算法的多目标概率假设密度(PHD)滤波器.算法推导了未知探测概率PHD递推式,提出了将未知探测概率转化为目标的丢失与接收事件,并依此建立了目标跟踪的马尔科夫模型,给出了该模型下时变卡尔曼滤波最优解,进而在高斯混和PHD(GMPHD)框架下推导了算法闭集解.仿真实验表明,所提出算法在未知且随时间变化的探测概率情形下,仍能实时地跟踪各目标,具有良好的工程应用前景.