广义连续随机线性系统的状态估计问题

利用矩阵的奇异值分解理论，给出了广义连续随机线性系统的奇异值标准形式，基于标准形式，在两种情况下，将系统分解成两个子系统，通过估计子系统的状态，讨论了广义连续随机线性系统的状态估计问题，得到该系统状态的最优预测和滤波递推方程。     

离散事件动态系统的受控Petri网控制研究

讨论了基于受控Ｐｅｔｒｉ网描述的离散事件系统的一类控制问题，包括部分观测信息下的状态标识估计，系统的状态反馈控制设计等。     

线性离散奇异系统的最优估计新方法

讨论了线性离散奇异系统的状态估计问题.在系统正则的前提下,将奇异系统的滤波估计问题转化为系统状态噪声带有前向时滞的滤波估计问题,基于等价系统的新息分析及射影定理,通过求解两个耦合的Riccati方程求得等价系统的滤波估计器,最终得到与原始奇异系统状态同维的预报,滤波,及平滑估计器.     

线性离散奇异系统的最优估计新方法

讨论了线性离散奇异系统的状态估计问题. 在系统正则的前提下, 将奇异系统的滤波估计问题转化为系统状态噪声带有前向时滞的滤波估计问题, 基于等价系统的新息分析及射影定理, 通过求解两个耦合的Riccati方程求得等价系统的滤波估计器, 最终得到与原始奇异系统状态同维的预报, 滤波, 及平滑估计器.     

分布参数系统中传感器位置的优化

针对实际工程问题中的分布参数系统输出和状态检测传感器存在观测噪声的情况，提出了一种基于信息矩阵行列式的优化算法，得到分布参数系统检测传感器的最佳位置配置，同时获得系统状态的最优估计．该算法通过对分布参数进行参数辨识，得到信息矩阵，利用其行列式优化传感器的位置配。仿真结果表明了该方法的有效性，对分布参数系统输出和状态检测传感器位置选择具有参考价值．     

基于Bootstrap滤波的非线性系统的识别

Bootstrap滤波是一种基于贝叶斯状态估计和蒙特卡罗方法的新的海波方法，相对于经典的卡尔曼滤波而言，它不受状态方程须为线性以及状态与噪声须是高斯分布的限制，具有很强的适应性。对贝叶斯估计及Bootstrap滤波方法在非线性系统识别中的应用进行了分析与数值模拟，计算结果表明了该方法的有效性和实用性。     

一类非线性系统的快速鲁棒故障诊断

结合在线估计器和滑模观测器方法，基于所给出的一种新的自适应学习算法，提出了一种针对非线性不确定系统的鲁棒故障诊断方法．滑模观测器可以消除建模不确定性的影响以得到准确的状态估计，而在线估计器可以实时估计故障的大小．在此，基于李亚普诺夫函数，在理论上证明了所给出的状态和参数估计误差都是一致有界的；针对三容水箱DTS200所做的仿真实验，其结果验证了该方法的可行性．研究结果表明，由于滑模项的引入，使得该方法的故障检测时间大大缩短，其性能比Polycarpou所提出的在线估计器方法的性能要好．     

基于降维切换观测器的切换系统扰动输入估计

针对一类具有扰动输入的不确定线性切换系统,提出了一种切换系统状态估计和扰动输入估计方法。通过输出矩阵变换和状态等价变换,解耦原切换系统的未知干扰输入,得到不受扰动输入影响的降维切换系统,并在此基础上设计切换降维观测器,以实现对切换系统状态的渐近估计;然后,通过考虑高增益滑模微分器,对系统的输出微分进行渐近估计,从而在切换系统状态和输出微分估计的基础上,提出一种扰动输入的重构方法。通过对切换系统实例进行数值仿真,验证了所提方法的有效性。     

一种基于粒子滤波的非线性系统参数和状态联合估计方法

提出了一种新的基于粒子滤波的非线性系统参数和状态联合估计方法.该算法利用粒子滤波方法,结合核平滑收缩技术,同时采用标准贝塔分布代替传统的高斯分布,来拟合系统未知参数的后验分布,最终实现非线性系统中参数的迭代估计.仿真结果表明,该算法提高了未知参数和状态的估计精度,在估计的收敛性方面也有明显的改善.     

基于SCKF方法的非线性随机动态系统故障诊断方法

基于平方根容积卡尔曼滤波方法(Square root cubature Kalman filter,SCKF),研究一类非线性随机动态系统的故障检测与估计问题。SCKF对解决复杂非线性系统的状态估计问题,具有精度高、稳定性优和计算复杂度低等优点。针对发生执行器故障的非线性随机动态系统,采用SCKF估计系统状态,并根据状态估计结果,利用滑动时间窗口技术设计残差信号,检测故障发生。在检测到故障之后,构造增广系统,实现对执行器故障幅值的估计。通过仿真试验验证了所提出方法的有效性。     

New sigma point filtering algorithms for nonlinear stochastic systems with correlated noises

New sigma point filtering algorithms, including the unscented Kalman filter (UKF) and the divided difference filter (DDF), are designed to solve the nonlinear filtering problem under the condition of correlated noises. Based on the minimum mean square error estimation theory, the nonlinear optimal predictive and correction recursive formulas under the hypothesis that the input noise is correlated with the measurement noise are derived and can be described in a unified framework. Then, UKF and DDF with correlated noises are proposed on the basis of approximation of the posterior mean and covariance in the unified framework by using unscented transformation and second order Stirling’s interpolation. The proposed UKF and DDF with correlated noises break through the limitation that input noise and measurement noise must be assumed to be uncorrelated in standard UKF and DDF. Two simulation examples show the effectiveness and feasibility of new algorithms for dealing with nonlinear filtering issue with correlated noises.     

有丢包的随机不确定参数系统的最优融合滤波

研究了有数据丢包的带随机不确定参数的多传感器系统的分布式最优(线性最小方差)融合滤波问题。首先,引入虚拟噪声,将原系统转化为等价的参数确定的有丢包的新系统。然后,进行状态扩维,得到新系统的各子系统的扩维状态的滤波估计、滤波误差方差和滤波误差互协方差。根据扩维状态与原系统状态的关系,求出原系统状态的各局部滤波估计、滤波误差方差和滤波误差互协方差。利用线性最小方差意义下的矩阵加权最优融合算法,得到原系统的分布式矩阵加权最优融合滤波器。理论分析和仿真算例都表明,融合滤波器优于每一个局部滤波器。     

离散最小阶奇异滤波器

本文是文献￣［１］结果的推广，讨论了含有部分未知动态嗓声的奇异线性定常离散随机系统的最小阶滤波器．类似于奇异最优调节器，本文提出了广义ｌｅｇｅｎｄｒｅ－ｃｌｅｂｓｃｂ条件；满足该条件和文中引理条件以及可扰条件时，本文证明了稳态最优滤波器是存在的，且具有最小阶（ｎ─ｍ＋ｒ）．同时，并给出了一种求解最小阶奇异滤波器的算法．文中举例说明了这一算法的可行性．     

一种U—D分解自适应推广卡尔曼滤波及应用

为了改善自适应卡尔曼滤波的数值稳定性和计算效率,防止滤波发散,本文在自适应推广卡尔曼滤波的基础上,利用U-D分解滤波,提出一种U-D分解自适应推广卡尔曼滤波新算法,并把该算法应用于飞行状态估计问題,仿真及实际飞行数据计算结果证明了本文方法的有效性.     

基于分段常值的贝叶斯状态估计滤波算法

针对上有高斯噪声的非线性随机系统状态估计问题,提出了一种基于分段常值的贝叶斯状态估计滤波算法。本文对此种滤波算法的误差进行了分析。并且对地形辅助导航定位系统的应用进行了仿真,仿真结果表明基于分段常值的贝叶斯状态估计滤波算法是一种鲁棒性很强的滤波算法。     

带乘性噪声和测量时滞的随机系统二次滤波

研究了状态方程中有乘性噪声,并且观测有时滞的随机双线性系统二次滤波器设计问题。因乘性噪声导致系统参数矩阵具有随机性,并且观测方程有时滞,无法直接采用经典的Kalman滤波方法,所以本研究基于Kronecker代数方法,首先将原系统转化为包含原系统状态和观测及其二阶Kronecker积的线性增广系统;然后基于新息重组方法将增广系统转化为无时滞系统,并利用投影定理得到增广系统系统的线性最优滤波器;最后提取增广状态估计的前n个分量,从而得到原系统的二次最优滤波器。仿真结果表明该滤波器与现有的线性最优滤波器相比,估计精度提高27％,整体性能有较大提高。     

图像椒盐噪声的分阶段中值滤波算法

针对自适应中值滤波算法的缺陷---对高密度椒盐噪声图像滤波后留下黑色斑块,提出了一种分阶段中值滤波算法。该算法对图像执行两次小窗口的滤波操作,相较于采用较大窗口的滤波,其在有效去除噪声的同时降低了结果图像的模糊程度。先对所有噪声点进行一次中值滤波消除了盐粒噪声,再用窗口内非噪声点的灰度中值代替胡椒噪声点的灰度值以去除黑色斑块。最后的仿真实验结果表明,本文算法既有像自适应中值算法一样滤除低密度椒盐噪声的良好性能,又有对高密度椒盐噪声图像的降噪能力。     

带有乘性噪声的时滞系统多传感器信息融合

研究了带有乘性噪声的线性时滞系统的局部最优预报估计和全局最优线性加权信息融合问题。通过虚拟噪声补偿技术,将该问题转化为一类带有未知时变噪声的随机系统的状态最优估计问题。基于等价系统的新息重组分析及Hilbert空间上的投影定理,给出局部最优预报器设计,进而通过求解与各单传感器子系统有相同维数的Riccati方程得到多传感器分布式全局最优加权信息融合算法。与集中式融合估计算法相比,该方法无需扩维。最后通过一个仿真实例证明该算法的有效性。     

一种自适应混合滤波姿态解算算法

针对低成本惯性测量器件采用基于滤波的姿态解算算法存在精度低、抗干扰性差等问题,提出了一种基于共轭梯度法与互补滤波相融合的自适应参数调节的混合滤波算法.该算法首先利用共轭梯度算法对加速度计和磁力计的数据进行姿态四元数的迭代估算,再通过互补滤波算法将陀螺仪更新的姿态与其进行信息融合,最后根据载体的运动状态自适应调节滤波参数,实现最优姿态估计.为验证所提算法的可行性和抗干扰性,与其他滤波融合算法在移动机器人平台上进行抗磁干扰和抗运动加速度干扰实验.实验结果表明,该算法可以有效地降低磁干扰和运动加速度干扰对姿态角解算的影响,其姿态角解算精度优于传统的梯度下降法、高斯牛顿法和共轭梯度法的滤波融合算法.     

模糊自适应无迹卡尔曼滤波方法用于天文导航

为克服航天器自主天文导航中不确定测量噪声对导航精度的影响,提出了一种基于模糊推理的自适应无迹卡尔曼滤波(FUKF)方法.该方法根据滤波过程中实际测量残差方差与理论残差方差的比值,将系统滤波过程分为普通模式和自适应模式.分别对两种模式建立模糊隶属度函数,应用模糊推理规则,得到自适应修正因子,对系统的测量噪声方差阵进行实时修正,使其跟踪实际测量噪声的变化.当系统受到不确定环境噪声影响时,该滤波算法仍然有效收敛.将该方法应用于直接敏感地平的航天器自主天文导航中,不同测量噪声水平下的仿真结果表明,该算法对不确定的测量噪声具有较强的自适应能力,保证了导航信息的输出精度.