多变量时间序列的建模预报及其应用

本文针对推广的Box-Jenkins型多变量传递函数模型,提出了实用的建模预报新算法.算 法中包括本文提出的噪声统计特性指数加权有限记忆自适应估计器(EWLMAE)和双置信区 间的不良数据检测方法,以及估计预报算式.相对于其他算法,因算法全部采用线性算式,系 统部分和噪声部分参数同时估计,故计算较简单,收敛速度较快.仿真和应用结果验证了所提 算法的有效性.     

一种具有自适应功能的ARMAX建模预报新方案

本文提出了以自校正预报器为主体的,由初建模-STP-再建模三部分组成的对ARMAX 过程的实时建模预报方案,给出了参数增量校正算法和检测不良数据的方法.本方案全部采 用线性估计算法,算法简易、速度快.仿真和实际运行表明本方案具有良好的预报、估计特性.     

一类自适应预报结果的误差分析

本文对一类自适应预报方法的预报误差进行了分析,得出了预报误差的形式整齐的上界估计。     

基于有效风速估计与预测的风电机组自适应最大风能跟踪控制（英文）

针对如何在有效风速未知情况下实现风电机组最大风能跟踪(MPPT)的问题,本文使用支持向量回归(SVR)和自适应控制原理,提出基于有效风速估计与预测的自适应MPPT控制方案.首先,使用机组的历史运行数据,训练得到基于SVR的风速估计与预测模型,为MPPT控制提供实时参考输入.其次,结合在线学习估计器(OLA)和减小转矩增益(DTG)控制原理,设计自适应MPPT控制器,该控制器能够较好应对系统未知动态特性和干扰,且能降低传动链载荷.最后,使用李雅普诺夫原理证明闭环系统所有信号都是有界的.仿真结果表明本文提出的方法能够获得良好的MPPT效果,进而提高机组产能.     

基于有效风速估计与预测的风电机组自适应最大风能跟踪控制

针对如何在有效风速未知情况下实现风电机组最大风能跟踪(MPPT)的问题,本文使用支持向量回归(SVR)和自适应控制原理,提出基于有效风速估计与预测的自适应MPPT控制方案.首先,使用机组的历史运行数据,训练得到基于SVR的风速估计与预测模型,为MPPT控制提供实时参考输入.其次,结合在线学习估计器(OLA)和减小转矩增益(DTG)控制原理,设计自适应MPPT控制器,该控制器能够较好应对系统未知动态特性和干扰,且能降低传动链载荷.最后,使用李雅普诺夫原理证明闭环系统所有信号都是有界的.仿真结果表明本文提出的方法能够获得良好的MPPT效果,进而提高机组产能.     

广义离散随机线性系统自校正最优预报器

运用现代时间序列分析[1]的方法研究广义离散随机线性系统最优及自适应状态估计. 将状态估计转化为输出预报和白噪声估计,从而提出了系统的最优预报器,并且证明最优预 报器对于初始值的选取渐近稳定.在噪声统计未知时提出了自校正预报器.仿真例子说明了 其有效性.     

CRN中基于自适应阈值和OR-决策规则的频谱感知策略

针对传统认知无线电网络(CRN)的频谱感知策略没有考虑噪声不确定性问题,提出一种基于噪声功率估计自适应阈值和OR-决策规则的频谱感知策略。首先,将各接收器数据构建成一个数据矩阵,并计算矩阵的协方差矩阵。然后,计算协方差矩阵的特征值,并根据特征值的均值来获得噪声的最大似然估计。接着,根据估计的噪声和能量信号的检验统计量来确定决策阈值。最后,各节点根据决策阈值作出局部决策并上传融合中心(FC),FC利用OR-决策规则作出最终决策。实验结果表明,该方案的决策阈值能够随噪声自适应调整,有效提高了检测率,对噪声不确定性具有很好的鲁棒性。     

自适应状态和参数的联合估计新方法

提出了一种有效的自适应状态和参数的联合估计方法，应用状态空间方法和现代时间序列分析方法，基于白噪声滤波器和输出预报器，给出了线性离散定常系统自适应最倨状态和偏差联合估计方法，仿真例子说明了新方法的有效性。     

直线电机的非参数模型直接自适应预测控制

将基于紧格式线性化的非参数模型直接自适应预测控制方法应用到直线电机速度和位置控制中.控制器的设计是直接基于伪偏导数的估计和预报,而伪偏导数信息则足通过参数估计算法和预报算法利用I/O数据在线导出.仿真演示了该方法对电机这种不确知动态非线性系统的有效性和抗干扰能力.     

双线性时间序列模型参数估计的最优滤波方法

本文给出了一种用于双线性时间序列模型参数估计的自适应Kalman滤波器,在滤波过程中对误差协方差阵进行监控,使Kalman增益矩阵不趋于零,以保证观测数据对滤波的校正作用,并通过仿真例子将它和递推预报误差估计方法进行了比较。     

基于自适应TIADC的频谱模块设计

通过对时间交替采样(Time-interleaved ADC,TIADC)理论和下变频快速傅里叶(Fast Fourier Transform,FFT)的研究,提出一种复用FFT结构的自适应TIADC频谱分析设计方案。该方案首先通过四通道ADC进行时间交替高速采样,并采用频域互谱法估计时延误差,利用Farrow滤波器进行自适应校正;然后对采样数据作下变频处理,并复用FFT模块,实现高速采样的频谱分析;最后通过FPGA实验验证,证明自适应TIADC的频谱模块设计不仅能准确反映采集信号频谱信息,而且硬件资源开销相对减小。     

自适应BP神经网络在日最高气温预报中的应用

气象数据规模飞速增长,BP神经网络由于其强大的非线性系统拟合能力,在气象数据尤其是气温相关数据的分析和预测中得到广泛应用。考虑到气温数据的海量规模,采用传统BP神经网络的预报面临误差收敛速度慢、容易陷入局部极小等问题,从而严重影响预测的效率和精准度。本文以BP算法为基础提出了一种改进的学习率自适应算法建立BP网络预报模型,并针对气象数据的多维性和周期性提出了优化方案。实验结果表明该方法可以高效的完成最高气温的预测,并且相对传统算法拥有更高的预报精度。     

数据驱动的无模型自适应直线伺服系统精密控制和实现

针对现代制造业对高精度机床伺服系统的要求, 将数据驱动的无模型自适应控制方法应用到直线伺服系统的位置控制中, 控制器设计不包括直线伺服系统结构的任何信息, 是直接基于动态线性化模型中伪偏导数的估计和预报, 而伪偏导数是根据直线电机电压输入和位置输出在线估计的. 永磁同步直线电机运动控制系统的实时实验结果表明, 在相同条件下, 数据驱动的无模型自适应控制方法的位置跟踪误差比PID减小了0.4mm到2.6 mm, 比神经网络控制时减小了0.2mm到0.5 mm. 该方法还提高了对负载扰动的鲁棒性.     

符合H.264标准的一种基于内容的变尺寸宏块分割方法

提出了一种基于视频内容预分析的变尺寸宏块分割(CBVSBM)的实现方案,变尺寸宏块分割是H.264编码器端提供的重要编码工具。该方案根据每帧视频的内容,自适应地在自顶向下的变尺寸运动估计(TDVSBM)和自底向上的变尺寸运动估计(BUVSBM)两种变尺寸宏块分割算法(VSBM)间进行切换,从而结合了两种算法的优点。为了实现两种VSBM算法间的自适应选择,提出了一种简单而有效的基于STGS图的预判准则。理论分析和实验结果表明,该算法的运算复杂度低于TDVSBM和BUVSBM,而在视频质量上总是优于TDVSBM且与BUVSBM几乎相当。     

基于AAR模型的听觉诱发中潜伏期反应特征提取

针对听觉刺激诱发的脑干中潜伏期反应(MLR)信号的非平稳特性,采取计算其自适应自回归(AAR)模型系数的方法进行特征提取,实现不同注意状态的分类。首先对采集的MLR数据进行去噪预处理,然后结合相对误差方差(REV)准则分别进行卡尔曼滤波和最小均方误差自适应算法估计其AAR模型参数。利用支持向量机对两种估计方法的特征参数分别进行分类。最后根据最大互信息和分类结果进行比较,最小均方误差自适应算法估计AAR模型系数的分类正确率达到77.45%,最大互信息值为0.3011,其效果优于卡尔曼滤波算法。     

基于数据融合技术的多模型状态监测与故障预报

提出了将多传感器数据融合技术引入到工程系统的状态监测与故障预报领域,实现多模型监测,以提高故障预报的准确性和可靠性,并研究了将Bayes融合算法和自适应加权算法相结合实现多模型的决策融合。并针对一套石油化工工业的流化催化裂化装置(FCCU)仿真系统建立了多模型监测系统,融合的结果表明,对比于单一模型预报,通过使用融合算法实现多模型监测可以有效地提高预报的可靠性。     

基于改进卡尔曼滤波器的扰动抑制无模型自适应控制方案

针对无模型自适应控制方法在测量扰动作用下控制效果不佳的问题, 本文提出了一种新的扰动抑制无模 型自适应控制方案. 首先基于受控系统的动态线性化数据模型及测量扰动的统计特性, 在最小方差估计准则下推导 了基于系统输入输出数据的改进卡尔曼滤波器. 然后基于此滤波器给出了一种新的扰动抑制无模型自适应控制方 案. 该方案仅需用到受控系统的输入输出数据, 即可实现在强测量扰动作用下系统的无模型自适应控制. 仿真结果 显示, 相比现有的扰动抑制无模型自适应控制方案, 该方案在系统跟踪常值参考信号、时变参考信号时均能有效地 抑制测量扰动, 适用性更好的同时可以获得更小的跟踪误差及更大的数据信噪比.     

空间光通信中轨道短时预报

瞄准、捕获和跟踪(PAT)技术是星间光通信的关键技术之一,高精度卫星轨道短时预报能有效实现PAT.首先在EGM96地球引力场模型下建立了卫星状态动力方程和预报方程,然后改进基于数值算法的扩展卡尔曼滤波算法对卫星轨道短时预报,最后以champ卫星星载GPS实时定轨数据为卡尔曼滤波器观测数据进行仿真实验:预报卫星位置误差约亚米级,速度误差约0.05m/s;卫星位置和速度的均方差估计趋于稳定,在一定程度上能很好地克服离散误差和模型误差对轨道估计精度的影响.PAT瞄准精度约1.6 μrad.预报轨道精度能满足空间光通信PAT技术要求.     

基于ANFIS模型的烟气含氧量建模和预测

针对电厂热工测量参数难以进行有效预测的问题,提出一种基于ANFIS模型的烟气含氧量建模和预测方法.基于自适应神经模糊推理系统(ANFIS)学习能力与泛化能力均较强的优点,建立软测量预报模型,借助某电厂循环流化床锅炉烟气含氧量实测数据进行仿真,结果表明,基于ANFIS的自适应预测模型,具有良好的预报能力,具有较高的预报精度和鲁棒性,可以较好地解决电厂烟气含氧量预测问题,对于实现锅炉燃烧系统的优化运行和预测控制具有一定的价值.     

基于线性动态系统的视频压缩感知自适应改进

线性动态系统的视频压缩感知(CS-LDS)是指从随机采样数据中直接估计出模型参数,然而对所有视频帧采取同样的采样方式,使得采样数据存在一定的时间冗余.针对这一问题,结合自适应压缩采样技术提出了一种自适应的改进算法.首先,对视频信号建立线性动态系统(LDS)模型;然后,通过自适应压缩采样方法得到视频信号的采样数据;最后,通过采样数据估计出系统模型参数,实现视频信号的重构.实验结果表明,在不影响视频重构质量的条件下,所提方法相对于CS-LDS算法,不仅能够节省统一测量过程中20%~40%的采样数据,而且平均每帧能够节省0.1~0.3 s的运行时间.改进后的算法降低了采样数目与算法运行时间.