基于鲁棒估计的动态数据校正方法

针对目前动态数据校正方法存在的缺陷，本文在以前的工作基础上把基于鲁棒估计原理构造的鲁棒估计函数用于含异常点类型的过失误差的数据校正，Monte Carlo模拟结果及对TE问题的校正计算结果表明，这种基于鲁棒估计的过换误差侦破和数据协调同步方法可以在得到协调数据的同时很准确的侦破和识别出测量数据中所含的过失误差，具有较强的优越性。     

一种基于分段逆模型的传感器非线性校正方法

为解决传感器非线性校正问题,提出一种基于分段逆模型的传感器非线性校正方法。通过对传感器特性数据进行变换和分段,在给定最大拟合误差和最大拟合阶次的情况下,得到传感器逆模型;逆模型作为补偿环节实现对传感器的非线性校正。该方法采用数据步长搜索策略和最小二乘法实现对传感器特性数据的分段,并能确定各数据段拟合函数的阶次和参数。热敏电阻非线性校正试验的结果证明了该方法的有效性。     

高炉铁水质量鲁棒正则化随机权神经网络建模

高炉炼铁过程运行优化与控制依赖于可靠、稳定的难测铁水质量(Molten iron quality, MIQ)指标模型.针对现有MIQ建模方法的不足, 本文提出一种新型的数据驱动鲁棒正则化随机权神经网络(Random vector functional-link networks, RVFLNs)算法, 用于实现MIQ指标在线估计的鲁棒建模.首先, 为了提高建模效率和降低计算复杂度, 采用数据驱动典型相关性分析方法从众多变量中提取与MIQ相关性最强的变量作为建模输入变量; 其次, 由于传统RVFLNs网络的输出权值由最小二乘估计获得, 易受离群数据影响而鲁棒性差, 引入基于Gaussian分布加权的M估计技术, 提出新型鲁棒RVFLNs算法建立多元MIQ指标的鲁棒模型; 同时, 在鲁棒加权后的最小二乘损失函数基础上, 进一步引入${L_1}$和${L_2}$两个正则化项以构成优化目标函数的Elastic net, 用于稀疏化RVFLNs网络的输出权值矩阵, 解决RVFLNs网络多重共线性和过拟合的问题.最后, 基于某大型高炉工业数据, 进行充分数据实验, 结果表明所提方法具有更高的建模与估计精度以及较强的鲁棒性能.     

IEEE1451智能传感器多传感信息自校正方法研究

针对多传感信息耦合问题,基于IEEE1451标准,提出了一种通用的多传感信息自校正模型。模型根据传感元件输出信号额定特征,从信号幅度、变化趋势等方面,实现对传感器的故障判断和自免疫处理;然后基于多传感信息插值解耦数学原理,建立了基于特定TEDS格式的校正引擎,通过将标定点数据以矩阵表格形式输入TEDS中来实现解耦校正。试验研究表明:通过TEDS解耦校正引擎,可实现对多传感耦合信息的良好校正补偿,提高检测准确度,在解耦校正的前端引入传感元件的自评估技术,可有效提高智能传感器自校正的可靠性。     

非线性过程控制系统传感器故障检测新方法

针对电厂热力系统故障检测和定位准确性低的问题,提出了基于鲁棒输入训练网络的传感器故障检测模型;采用带参数限制项的目标函数对网络进行训练,并在测试目标函数中引入影响因子,增加了模型训练精度,抑制了网络计算过程故障数据对正常值的影响,减小了残差污染,提高了模型准确性;以某300 MW电厂热力系统20组测点为对象进行算例分析,通过反复的实验,结果表明,该模型能够更加准确地对非线性系统故障点进行检测和分离,并更加精确重构各变量真实值,验证了该模型用于非线性过程传感器故障检测的有效性和可靠性.     

基于鲁棒M-估计器的全局运动估计方法

提出一种改进的基于鲁棒M-估计器的全局运动估计方法,在图像像素残差上采用在统计上鲁棒的M-估计目标函数,引入简化的像素残差权值函数作为二值函数,改进了全局运动估计中去除噪声点的方法。实验结果表明,改进算法的运动精度高,对大多数的图像序列都有较好鲁棒性且计算量小。     

基于集员估计的室内移动机器人多传感器融合定位

本文针对室内移动机器人的长距离实时鲁棒定位问题进行了研究,考虑到单一定位手段存在的不足,以二维扫描激光和里程计作为主要的定位设备,采用多传感器数据融合技术实现了移动机器人的精确定位.论文首先通过引入基于点-直线特征匹配的改进迭代最近邻(iterative closest point,ICP)扫描匹配方法对激光采集的环境点云信息进行迭代匹配以得到相对位姿变换估计,并推导了其估计不确定性的保守包络矩阵形式,然后通过建立定位过程和观测模型,引入扩展非线性集员滤波器作为多传感器融合方法,利用扫描匹配结果校正由里程计滑移带来的定位误差,并获取定位自身的不确定性边界估计.实验结果表明了本文所提出的室内定位方法的精度、实时性和鲁棒性.     

神经网络在传感信号处理中的应用

传感器与神经网络的结合是智能传感器的重要发展方向。本文论述了神经网络在传感信号处理方面的应用 ,介绍了基本原理 ,举例说明应用方法。包括 :非线性校正 ,自检验与故障诊断 ,智能结构中传感阵列的信号处理 ,滤波与除噪 ,环境影响因素的补偿 ,多传感器信息融合等。这些方法都经过了传感实践的考验 ,它们对提高传感器的灵敏度、可靠性、稳定性、信噪比、选择性有重大作用。     

压力传感器的支持向量机非线性回归建模

压力传感器的输出特性易受到环境因素,尤其是温度变化的影响。针对该问题,提出了利用支持向量机(SVM)对压力传感器输出特性进行非线性补偿的校正模型。校正模型利用SVM的回归算法来逼近非线性函数的特点,通过建立压力传感器输出特性与其实际电压值之间非线性映射关系的校正模型来实现压力传感器的校正。实例表明:该方法能有效地减少温度变化对传感器输出的影响,且校正后的压力传感器具有更高的测量精度和温度稳定性。     

神经网络在传感信号处理中的应用

传感器与神经网络的结合是智能传感器的重要发展方向。本文论述了神经网络在传感信号处理方面的应用,介绍了基本原理,举例说明应用方法。包括：非线性校正,自检验与故障诊断,智能结构中传感阵列的信号处理,滤波与除噪,环境影响因素的补偿,多传感器信息融合等,这些方法都通过了传感实践的考验,它们对提高传感器的灵敏度、可靠性、稳定性、信噪比、选择性有重大作用。     

非线性动态系统中迭代的同步数据协调与显著误差检测的支持向量回归方法

化工厂中过程数据的质量严重影响到来自例如性能监控, 在线优化和控制等活动所获得的效益和性能. 由于许多化工过程通常表现为非线性动态特性, 例如扩展卡尔曼滤波(EKF)和非线性动态数据协调(NDDR)等技术已经被发展出来改进数据的质量. 近期, 迭代非线性动态数据协调(RNDDR)技术已被提出, 该技术结合了EKF和NDDR技术的优点. 但是, RNDDR技术不能够处理具有显著误差的测量值. 本文中, 一种非线性动态系统中迭代的同步数据协调与显著误差检测的支持向量(SV)回归方法被提出. SV回归是一种经验风险和结构风险间的妥协, 并且对于数据协调来说, 其对随机误差和显著误差是鲁棒的．通过将结构风险取代RNDDR中的极大似然估计并使其最小化, 我们的方法不仅可以实现迭代非线性动态数据协调, 还可以同时实现显著误差检测. 本文中的非线性动态系统仿真结果显示出, 所提出的方法在迭代实时估计框架下, 对于非线性动态系统的同步数据协调和显著误差检测是鲁棒、稳定并且精确的. 该方法也可以提供更好的控制性能.     

Mass flow estimation with model bias correction for a turbocharged Diesel engine

A systematic design method for mass flow estimation with correction for model bias is proposed. Based on an augmented observable Mean Value Engine Model (MVEM) of a turbocharged Diesel engine, the online estimation of states with additional biases is performed to compute the mass flows for different places. A correction method is applied, that utilizes estimated biases which are in a least-square sense redistributed between the correction terms to the uncertain mass flow maps and then added to the estimated mass flows. An Extended Kalman Filter (EKF) is tested off-line on production car engine data where the combination of an intake manifold pressure sensor, exhaust manifold pressure sensor and turbocharger speed sensor is compared and discussed in different sensor fusions. It is shown that the correction method improves the uncorrected estimated air mass flow which is validated against the airflow data measured in the intake duct.     

Robust and reliable estimation via Unscented Recursive Nonlinear Dynamic Data Reconciliation

The quality of process data in a chemical plant significantly affects the performance and benefits gained from activities like performance monitoring, online optimization and control. Since many chemical processes often exhibit nonlinear dynamics, techniques like Extended Kalman Filter (EKF) and Nonlinear Dynamic Data Reconciliation (NDDR) have been developed to improve the data quality. There are various issues that arise with the use of either of these techniques: EKF cannot handle inequality or equality constraints, while the NDDR has high computational cost. Recently a recursive estimation technique for nonlinear dynamic processes has been proposed which combines the merits of EKF and NDDR techniques. This technique, named as Recursive Nonlinear Dynamic Data Reconciliation (RNDDR), provides state and parameter estimates that satisfy bounds and other constraints imposed on them. However, the estimate error covariance matrix in RNDDR is computed in the same manner as in EKF, that is, the effects of both nonlinearity and constraints are neglected in the computation of the estimate error covariance matrix.

A relatively new method known as the Unscented Kalman Filter has been developed for nonlinear processes, in which the statistical properties of the estimates are computed without resorting to linearization of the nonlinear equations. This leads to improved accuracy of the estimates. In this paper, we combine the merits of the Unscented Kalman Filter and the RNDDR to obtain the Unscented Recursive Nonlinear Dynamic Data Reconciliation (URNDDR) technique. This technique addresses all concerns arising due to the presence of nonlinearity and constraints within a recursive estimation framework, resulting in an efficient, accurate and stable method for real-time state and parameter estimation for nonlinear dynamic processes.     

杯式风速传感器计量的线性研究

线性是表征杯式风速传感器角速度与风速正比关系的重要计量性能指标。传感器动态运行时,它能直接反映风杯结构设计特征,并产生风速输出值的系统误差,其技术指标要求不超过±0.5 m/s。目前,风速计量用“示值误差”表示测量结果,不能直接反映传感器的线性特征。根据检定规程的测量方法,对风速传感器在风洞中开展全量程重复性测量并获取试验数据。采用最小二乘估计法对数据的线性度进行分析,提出以“非线性误差”作为研究线性计量特性的指标。相比较单校准点的“示值误差”作为计量结果,应用非线性误差的分析方法研究线性特征,对传感器的评价更加客观。风速线性计量技术研究可进一步推动风速自动观测数据的补偿及修正技术,可应用于气象观测、电力、民航、军队及煤矿等领域,以提高风速数据准确性。     

基于B样条递推最小二乘的温度传感器非线性校正

提出一种基于B样条递推最小二乘的温度传感器非线性校正方法。利用具有低阶光滑特性的B样条函数进行逆向建模,有效地提高了校正精度;考虑到在线应用的实际需求,采用易于微处理器实现的递推最小二乘估计控制参数。分别对铂电阻和热电偶温度传感器进行了非线性校正,表明所提出的非线性校正方法具有样本点少、校正精度高、简单实用等优点,符合传感器向智能化、灵巧化方向发展的需求。     

Robust Calibration for Localization in Clustered Wireless Sensor Networks

This paper presents a robust calibration procedure for clustered wireless sensor networks. Accurate calibration of between-node distances is one crucial step in localizing sensor nodes in an ad-hoc sensor network. The calibration problem is formulated as a parameter estimation problem using a linear calibration model. For reducing or eliminating the unwanted influence of measurement corruptions or outliers on parameter estimation, which may be caused by sensor or communication failures, a robust regression estimator such as the least-trimmed squares (LTS) estimator is a natural choice. Despite the availability of the FAST-LTS routine in several statistical packages (e.g., R, S-PLUS, SAS), applying it to the sensor network calibration is not a simple task. To use the FAST-LTS, one needs to input a trimming parameter, which is a function of the sensor redundancy in a network. Computing the redundancy degree and subsequently solving the LTS estimation both turn out to be computationally demanding. Our research aims at utilizing some cluster structure in a network configuration in order to do robust estimation more efficiently. We present two algorithms that compute the exact value and a lower bound of the redundancy degree, respectively, and an algorithm that computes the LTS estimation. Two examples are presented to illustrate how the proposed methods help alleviate the computational demands associated with robust estimation and thus facilitate robust calibration in a sensor network.     

基于MC9S12XS128单片机教练车模型的设计

针对2013年驾照考试小型汽车驾驶人的考试项目新规定,为方便驾校教练员向学员传授＂倒车入库＂、＂坡道定点停车与起步＂、＂侧方停车＂、＂曲线行驶＂与＂直角转弯＂的教学过程,设计了一种用于教学演示的教练车模型。以飞思卡尔MC9S12XS128单片机为主控芯片,采用电磁传感器进行道路识别,使用语音播报芯片WT588D及功能选择按键拨码开关,Code Warrior作为编译软件,程序设计选用C语言,制作了一款有自主识别行驶路线、语音定点播报讲解、LED灯提示显示的智能教练车模型,可方便驾校学员直观、快速地理解和记忆驾驶技巧及所需注意的问题。     

Robust and efficient map-to-image registration with line segments

This work investigates map-to-image registration for planar scenes in the context of robust parameter estimation. Registration is posed as the problem of estimating a projective transformation which optimally aligns transformed model line segments from a map with data line segments extracted from an image. Matching and parameter estimation is solved simultaneously by optimizing an objective function which is based on M-estimators, and depends on overlap and the weighted orthogonal distance between transformed model segments and data segments. An extensive series of registration experiments was conducted to test the performance of the proposed parameter estimation algorithm. More than 200 000 registration experiments were run with different objective functions for 12 aerial images and randomly corrupted maps distorted by randomly selected projective transformations. Received: 10 August 2000 / Accepted: 29 January 2001     

单传感器的数据融合及有效性分析

指出了一种单传感器数据融合方法所存在的缺陷,在修正了这个缺陷的基础之上,进一步从理论上证明了在单传感器系统中,当样本观测值一定时,分组数据融合的估计效果优于传统的单组算术平均的估计效果。实例的数据分析也验证了上述结论的正确性。     

一种基于预瞄控制的Robocup足球机器人带球轨迹跟踪方法

通过深入分析足球机器人带球状态下的运动特点,结合智能预瞄控制方法建立带球状态下的非线性数学运动模型。分别对机器人的线速度和旋转速度使用专家PID控制,实现在带球情况下不丢球的机器人轨迹跟踪。仿真和试验证明该方法具有良好的快速性和鲁棒性。