多模型控制方法的研究进展及其应用现状

本文探讨了多模型控制算法的发展和现状,对几种主要的发展成熟的算法---多模型预测控制算法---多模型自适应控制算法、交互式多模型算法进行了研究.同时分析了多模型控制算法中模型切换及稳定性、模型集的选取等关键问题.分析了当前多模型控制算法应用的现状和今后的发展方向.  

具有参数自适应的交互式多模型算法

动态多模型估计（SMME）广泛应用于结构和参数的不确定／变化的估计问题中，比如目标跟踪和故障诊断与隔离，然而由先验信息选定的滤波参数是模式切换与模式未切换情况下的折衷，针对SMME，本文通过在每个滤波循环开始处起始多个状态预测器实时辨识滤波参数，包括模式切换概率和基于模型的过程噪声方差，考虑到交互式多模型（IMM）是SMME中比较有效的方法，我们将上述的参数辨识与IMM相结合，提出了一种自适应IMM（AIMM），在跟踪一个机动目标的仿真中，AIMM表现出了比IMM更高的估计精度。  

基于多模型的过热汽温自适应串级控制

针对电厂过热汽温被控对象具有大惯性、大滞后特性且对象参数随负荷变化较大等因素，该文提出了一种基于多模型的自适应串级控制方案，在若干不同的工况点建立对象棋型并设计出相应的控制器，根据运行工况选择相应的控制器，从而实现全工况运行的自适应控制。主调节器采用内模控制器，可以克服对象情性区的时滞特性，副调节器采用比例控制器，可以快速消除系统的内部扰动。针对某超临界600MW直流锅炉过热汽温系统，对该文给出的控制方案进行了仿真试验，仿真结果表明，所提出的控制方案在跟踪性、抗干扰性和鲁棒性方面得到了很好的兼顾，实现了系统全工况运行的满意控制。  

基于神经网络与多模型的非线性自适应广义预测控制

针对一类不确定非线性离散时间动态系统, 提出了基于神经网络与多模型的非线性广义预测自适应控制方法. 该自适应控制方法由线性鲁棒广义预测自适应控制器, 神经网络非线性广义预测自适应控制器和切换机制三部分构成. 线性鲁棒广义预测自适应控制器保证闭环系统的输入输出信号有界, 神经网络非线性广义预测自适应控制器能够改善系统的性能. 切换策略通过对上述两种控制器的切换, 保证系统稳定的同时, 改善系统性能. 给出了所提自适应方法的稳定性和收敛性分析. 最后通过仿真实例验证了所提方法的有效性.  

多模型多传感器信息融合Kalman平滑器

基于标量加权的线性最小方差最优信息融合算法,对多模型多传感器离散线性随机系统,给出了一种分布式标量加权信息融合固定滞后Kalman平滑器.它只需计算加权标量系数,可减小在融合中心的计算负担.当各子系统存在稳态滤波时,又给出了标量加权信息融合稳态平滑器,它计算量小,便于实时应用.并给出了两个子系统之间的平滑误差互协方差阵的计算公式.仿真例子验证了其有效性.  

基于多个颜色分布模型的Camshift跟踪算法

视角变化往往会引起目标外观特征的变化, 传统的基于单一颜色直方图模型的 Camshift 跟踪算法往往不能适应这种变化. 为此, 本文从提高模型描述能力入手, 提出利用目标外观的先验知识, 为目标建立多个颜色模型, 在此基础上设计目标函数, 通过对目标函数的优化, 实时地为每帧跟踪从多个模型的凸组合中选取最优模型. 另外, 在对 Camshift 算法深入研究的过程中, 发现了概率图平均亮度和图像块颜色分布之间的一种定量关系, 这种关系为进一步理解多模型算法的工作机理提供了帮助. 头部跟踪的实验结果表明, 与单一固定模型以及自适应单模型算法相比, 多模型 Camshift 算法对目标外观的快速变化适应性很强, 而且计算代价不大.  

A Principal Components Approach to Combining Regression Estimates

The goal of combining the predictions of multiple learned models is to form an improved estimator. A combining strategy must be able to robustly handle the inherent correlation, or multicollinearity, of the learned models while identifying the unique contributions of each. A progression of existing approaches and their limitations with respect to these two issues are discussed. A new approach, PCR*, based on principal components regression is proposed to address these limitations. An evaluation of the new approach on a collection of domains reveals that (1) PCR* was the most robust combining method, (2) correlation could be handled without eliminating any of the learned models, and (3) the principal components of the learned models provided a continuum of regularized weights from which PCR* could choose.  

基于混合逻辑的非线性系统多模型预测控制

针对已有的多模型预测控制算法在模型预测过程中采用局部线性模型进行预测而产生的预测误差较大这一问题, 本文将非线性过程的多模型描述与输出预测之间的因果关系以约束条件的形式引入到模型预测控制的设计中, 将非线性过程描述成为一个混合逻辑动态系统模型, 模型切换规则以先验知识的形式引入到多模型预测过程中, 该模型可以全局地表征非线性过程的特性, 从而解决了多模型约束非线性预测控制的模型预测与模型切换问题.  

含有界扰动系统的多模型自适应控制

对含有有界扰动和参数不确定性的离散时间被控对象建立多个辨识模型, 覆盖被控对象的参数不确定性. 给定指标切换函数, 构成多模型自适应控制器. 引入“局部化”技术, 在保持计算精度的同时, 提高了计算速度. 同时证明, 多模型自适应控制可以保证闭环系统输入输出稳定, 且保证对给定有界参考输入、被控对象输出可在一给定界范围内跟踪参考输入.  

多模型概率假设密度平滑器

针对杂波环境下的多个机动目标跟踪问题, 本文将多模型概率假设密度(Multiple-model probability hypothesis density, MM-PHD)滤波器和平滑算法相结合, 提出了MM-PHD前向--后向平滑器. 为了避免引入复杂的随机有限集(Random finite set, RFS)理论, 本文根据PHD的物理空间(Physical space)描述法推导得到了MM-PHD平滑器的后向更新公式. 由于MM-PHD前向--后向平滑器的递推公式中包含有多个积分, 因此它在非线性非高斯条件下没有解析的表达形式. 故本文又给出了它的序贯蒙特卡洛(Sequential Monte Carlo, SMC)实现. 100次蒙特卡洛(Monte Carlo, MC)仿真实验表明, 与MM-PHD滤波器相比, MM-PHD平滑器能够更加精确地估计多个机动目标的个数和状态, 但MM-PHD平滑器存在一定的时间滞后, 并且需要耗费更大的计算代价.