高速列车非线性模型的极大似然辨识

提出高速列车非线性模型的极大似然(Maximum likelihood, ML)辨识方法,适合于高速列车在非高斯噪声干扰下的非线性模型的参数估计.首先,构建了描述高速列车单质点力学行为的随机离散非线性状态空间模型,并将高速列车参数的极大似然(ML)估计问题转化为期望极大(Expectation maximization, EM)的优化问题; 然后,给出高速列车状态估计的粒子滤波器和粒子平滑器的设计方法,据此构造列车的条件数学期望,并给出最大化该数学期望的梯度搜索方法,进而得到列车参数的辨识算法,分析了算法的收敛速度; 最后,进行了高速列车阻力系数估计的数值对比实验. 结果表明, 所提出的辨识方法的有效性.     

带不确定量测和未知虚警概率的粒子滤波器

为了解决带不确定量测和未知虚警概率的非线性非高斯系统状态估计问题,本文提出了一种新的粒子滤波方法,利用随机不确定量测模型来更新粒子和权值,并基于极大似然准则来辨识未知的虚警概率.本文所提出的带不确定量测和已知虚警概率的粒子滤波方法与现有标准的粒子滤波方法具有几乎一致的计算复杂度,但是更适合用于处理带不确定量测的非线性非高斯系统状态估计问题.此外,在状态转移密度函数被选择为建议密度函数时,本文证明了基于所提出的虚警概率辨识方法的极大似然估计唯一,从而为精确辨识虚警概率提供了理论保证.单变量非平稳增长模型和纯方位跟踪的数值仿真验证了所提出粒子滤波方法的有效性和与现有方法相比的优越性.     

列车动力学模型时变环境参数自适应辨识

考虑列车制动性能与制动距离对列车安全的重要影响, 分析了列车运行的动力学特性, 构建了列车离散化制动模型,并针对影响列车制动性能的关键参数 — 钢轨粘着系数难以直接观测、随钢轨环境变化的特点, 提出基于滑动窗口与最大期望理论的轮轨粘着系数在线辨识算法. 首先, 依据数据特征确定滑动窗口位置与窗口尺寸; 然后, 构造列车动力学模型参数的条件数学期望, 并结合粒子滤波与粒子平滑算法以及贝叶斯理论, 估计预设模型参数下的列车运行状态; 在此基础上, 分析粘着系数的后验概率, 并极大化条件数学期望对模型参数预设进行优化更新, 进而实现模型真实参数的逐步逼近. 最后, 考虑雪地、隧道等场景下的粘着系数变化, 对本文方法进行了仿真验证, 并数值分析了粘着系数对制动距离的影响. 仿真结果表明本文算法可快速、准确地对粘着系数进行实时辨识, 掌握轮轨间实时粘着状态.     

系统辨识算法的复杂性、收敛性及计算效率研究

实践中经常会遇到大型计算问题和优化问题, 使得求解问题算法的复杂性、计算量和计算精度等成为突出问题, 特别是大规模非线性多变量系统的辨识. 对此, 提出几个有趣的研究课题: 1) 利用信息滤波技术和多新息辨识理论研究能提高辨识精度的大规模系统辨识理论与方法; 2) 利用递阶辨识原理研究维数高、变量数目多、计算量小的多变量系统递阶辨识方法; 3) 利用鞅收敛理论建立非线性多变量系统辨识方法的收敛理论; 4) 利用并行计算与递阶计算技术提高辨识算法的计算效率, 以解决一类大规模非线性多变量系统的模型化问题.

     

一种带有色量测噪声的非线性系统辨识方法

利用最大似然判据, 本文提出了一种带有色量测噪声的非线性系统辨识方法. 首先, 利用量测差分方法将有色量测噪声白色化, 获得新的量测方程, 从而将带有色量测噪声的非线性系统辨识问题转化成带白色量测噪声和一步延迟状态的非线性系统辨识问题. 其次, 利用期望最大化(Expectation maximization, EM)算法提出了一种新的基于最大似然估计的非线性系统辨识方法, 该算法由期望步骤(Expectation step, E-step)和最大化步骤(Maximization step, M-step)两部分组成. 在期望步骤中, 基于当前估计的参数并利用带有色量测噪声的高斯近似滤波器和平滑器, 近似计算完整的对数似然函数的期望. 在最大化步骤中, 近似计算的似然函数期望值被最大化, 并且通过解析更新获得噪声参数估计, 通过Newton更新方法获得模型参数的估计. 最后, 数值仿真验证了本文提出算法的有效性.     

MIMO系统的多模型预测控制

针对非线性多变量系统提出一种多模型预测控制(MMPC)策略.首先给出一种多模型 辨识方法,利用模糊满意聚类算法将复杂非线性系统划分为若干子系统,并获得多个线性模型, 通过模型变换得出全局系统模型,接着对全局MIMO系统设计MMPC,并进行了系统的性能分 析,最后以pH中和过程为例,通过仿真研究验证了辨识和控制算法的有效性.     

基于人工神经网络的Hammerstein模型辨识

证明了Ｈａｍｍｅｒｓｔｅｉｎ模型在有色噪声情况下，可利用系统的稳态信息辨识模型的非线性增益，并提出了神经元网络的辨识方法。利用系统的动态信息，运用一般的辅助变量法可辨识Ｈ模型的线性子系统。仿真结果表明该方法辨识精度高，具有一定的实用性。     

基于结构自适应滤波方法的非线性系统辨识

针对非线性系统辨识中定结构参数辨识局限性高和辨识率低的问题，将结构自适应引入辨识的优化，提出一种基于子系统的结构自适应滤波（SSAF）方法。该方法的模型由若干子系统级联而成，每一个子系统均为线性-非线性混合结构。子系统的线性部分是一个一阶或二阶可选的无限脉冲响应滤波器（IIR），非线性部分则是一个静态的非线性函数。初始化中，子系统的参数随机产生，生成的若干子系统按照设定的连接规则进行随机连接，而不含反馈的连接机制确保了非线性系统的有效性。采用一种自适应多精英引导的复合差分进化（AMECoDEs）算法用于自适应模型循环优化，直至找到最优的结构和参数，即全局最优。实验结果表明，SSAF方法在非线性测试函数以及真实数据集上的表现优异，辨识率高且收敛性好，与聚焦时滞递归神经网络（FTLRNN）相比，它所用参数的个数仅为FTLRNN的1/10，且适应值精度提高了7%，验证了所提方法的有效性。     

带未知模型参数和衰减观测率系统自校正分布式融合估计

研究了带未知模型参数和衰减观测率多传感器线性离散随机系统的信息融合估计问题.在模型参数和衰减观测率未知的情形下, 应用递推增广最小二乘(Recursive extend least squares, RELS)算法和加权融合估计算法提出了分布式融合未知模型参数辨识器; 应用相关函数对描述衰减观测现象的随机变量的数学期望和方差进行在线辨识.将辨识后的模型参数、数学期望和方差代入到最优分布式融合状态滤波器中, 获得了相应的自校正融合状态滤波算法.应用动态误差系统分析(Dynamic error system analysis, DESA)方法证明了算法的收敛性.仿真例子验证了算法的有效性.     

污水处理过程的递阶神经网络建模

针对污水处理过程的多变量和多非线性子系统的串级结构特点, 提出了一种基于活性污泥过程机理的递 阶神经网络建模方法.该方法将神经网络与过程机理模型以串级方式连接, 以神经网络辨识活性污泥过程模型中的非线性组分反应速率. 分析各子过程建模误差的关系, 给出了模型的稳定学习算法和稳定性理论分析. 最后通过某污水处理厂生化脱氮过程实际运行数据的实验表明所提出的建模方法是有效的.     

High-speed train navigation system based on multi-sensor data fusion and map matching algorithm

Navigation system for high-speed trains is necessary for increased operational safety and efficiency, new services for customers, and low maintenance cost. This paper proposes a high accuracy navigation system for high-speed trains based on a sensor fusion algorithm, with non-holonomic constraints, for multiple sensors, such as accelerometers, gyroscopes, tachometers, Doppler radar, differential GPS, and RFID, and a map matching algorithm. In the proposed system, we consider the federated Kalman filter for sensor fusion, where local filters utilize filter models developed for various sensor types. Especially, the local Kalman filter for RFID positioning, that is detected at irregular time intervals due to the varying train speed and RFID tag spacing, is developed to maintain high performance during GPS outage. In addition, an orthogonal projection map matching algorithm is developed to improve the performance of the proposed system. The performance of the proposed system is demonstrated with numerous simulations for a high-speed train in Korea. The simulation results are analyzed with respect to the existence of tunnel, RFID deployment spacing, RFID location uncertainty, and DGPS error.     

基于STeC的高速列车运行模型与算法

为了使高速列车正点运行到达目的车站,提出了基于STeC(时空一致性)语言的高速列车运行模型与算法。该模型具有位置触发自动调整高速列车运行的特点,实现动态确定高速列车制动点并保证列车正点到达目的车站,从而满足了高速列车运行实时系统对时间和空间的一致性要求。通过Matlab/Simulink的仿真测试,证明了该模型的正确性和有效性。     

基于高斯混合模型聚类的非均匀采样系统的多模型切换辨识

从概率统计方法出发,提出一种基于高斯混合模型聚类与递推最小二乘算法的非均匀采样系统的多模型建模方法.首先,采用高斯混合模型作为调度函数,使用最大期望(EM)算法迭代更新估计高斯混合模型中参数,从而通过每个子系统的高斯概率密度函数计算和比较来确定子系统的激活情况; 其次,采用递推最小二乘算法估计局部子系统参数;然后,使用鞅收敛定理对所提出的算法性能进行分析; 最后,通过非均匀采样系统的多模型建模来证明所提出方法的有效性.     

Distributed EM Algorithm for Gaussian Mixtures in Sensor Networks

This paper presents a distributed expectation–maximization (EM) algorithm over sensor networks. In the E-step of this algorithm, each sensor node independently calculates local sufficient statistics by using local observations. A consensus filter is used to diffuse local sufficient statistics to neighbors and estimate global sufficient statistics in each node. By using this consensus filter, each node can gradually diffuse its local information over the entire network and asymptotically the estimate of global sufficient statistics is obtained. In the M-step of this algorithm, each sensor node uses the estimated global sufficient statistics to update model parameters of the Gaussian mixtures, which can maximize the log-likelihood in the same way as in the standard EM algorithm. Because the consensus filter only requires that each node communicate with its neighbors, the distributed EM algorithm is scalable and robust. It is also shown that the distributed EM algorithm is a stochastic approximation to the standard EM algorithm. Thus, it converges to a local maximum of the log-likelihood. Several simulations of sensor networks are given to verify the proposed algorithm.      

高速列车数据驱动无模型自适应容错控制

针对高速列车运行控制中的牵引/制动力约束和执行器故障问题,提出一种基于偏格式动态线性化的无模型自适应容错控制(PFDL-MFAFTC)算法.首先,利用无模型自适应控制框架下的伪梯度概念,将难以精确获取参数(列车质量、阻力以及执行器故障等)的高速列车动力学模型转化为偏格式动态线性化数据模型;其次,利用径向基函数神经网络(...     

基于灰色遗传的高速列车速度控制器模型研究

速度控制器是列车自动驾驶系统(ATO)的核心,针对目前尚无研发成熟的速度控制器应用于高速列车的情况,引入灰色系统理论研究高速列车速度控制器模型;在灰色遗传预测模块中,对影响模型精度的λ值提出了基于遗传算法的求解方法,根据列车运行的4个目标设计其适应度函数,并加入先验知识判定对约束条件进行处理,同时建立新陈代谢GM(1,1)模型,在列车运行过程中不断求解新的模型参数a和b,实现模型在线校正,使系统可以进行长期预测;在灰色决策模块中,将高速列车的工况及运行目标转化为决策要素,应用灰靶决策产生最优策略控制列车运行;仿真结果显示了该模型应用于列车自动控速时的有效性和实时性,并使各项运行指标都有所提高。     

用于图像分割的滤波EM算法

利用邻近像素类别上的相关性,在采用EM算法对模型参数求解的过程中,以滤波方法引入像素的空间位置信息,降低了EM对初始值选择的敏感性.该算法在引入了像素的位置信息的同时,保持了EM算法的简单性,并为混合分量个数的选择提供了一种新的实现途径.对实际图像的分割结果证实了算法的有效性.     

基于最优预见控制的高速列车速度控制器研究

针对高速列车自动驾驶(ATO)速度控制器的设计及性能问题,以列车运行过程中的安全性、舒适性、控制输入为约束条件,提出用最优预见算法设计控制器。该算法以列车动力学为基础,确定列车模型传递函数,进行极点配置之后使控制系统稳定;以列车模型为该算法的控制对象,将列车运行过程中的线路附加阻力和基本阻力作为干扰,实现列车ATO模式下目标速度的自动跟踪控制。选取京津城际北京南站至武清站间线路数据进行仿真验证,仿真结果表明该算法在降低列车运行能耗、提高旅客舒适性与列车运行准点率方面的有效性。     

基于人工鱼群算法的列车运行调整方法研究

由于列车运行调整是大规模、非线性、强约束、建模困难的问题,用一般运筹学方法不易求解。基于人工鱼群算法,提出列车运行调整方法,并给出了详细的计算步骤。具体的,考虑车站到发线数目约束和列车越行约束,以列车进入车站和驶离车站的总晚点时间最少为目标,建立了高速铁路列车运行调整模型。利用郑西高铁运输数据进行仿真,结果说明人工鱼群算法在列车运行调整中具有有效性和收敛性。