一种遗忘因子模糊自调整的快速时变参数辨识方法

本文提出了一种遗忘因子模糊自调整辨识算法，理论分析和仿真试验表明，该方法对参数的快速时变具有较快的跟踪能力及较高的辨识精度，在线计算的复杂性和工作量增加较少，是一种实用的适于快速时变系统的辨识算法     

一类时变参数的递推辨识方法

本文对线性时变系统的参数辨识方法进行了分析和研究,提出了一类新的时变参数递推辨识方法。算法假定时变参数由自回归模型表示,并保证辨识算法结构传递矩阵正实或严格正实。本文分别给出了白噪声和有色噪声情况的两种递推辨识算法,证明了它们的一致收敛性。结构分析表明,最小二乘估计和朗道自适应串联辨识算法是这类辨识方法的特例。在给定的结构条件下,辨识算法对周期和单调变化的时变参数有一定的跟踪能力。     

滤波辨识(5):输出误差自回归滑动平均系统的滤波辅助模型递推广义增广参数估计

针对输出误差自回归滑动平均系统,即Box-Jenkis系统,利用滤波辨识理念,研究和提出了滤波辅助模型广义增广随机梯度辨识方法、滤波辅助模型多新息广义增广随机梯度辨识方法、滤波辅助模型多新息广义增广投影辨识方法、滤波辅助模型递推广义增广梯度辨识方法、滤波辅助模型多新息递推广义增广梯度辨识方法、滤波辅助模型递推广义增广最小二乘辨识方法、滤波辅助模型多新息递推广义增广最小二乘辨识方法。这些滤波辅助模型广义增广辨识方法可以推广到其他有色噪声干扰下的线性和非线性多变量随机系统中。     

辅助模型辨识方法(3):输入非线性输出误差自回归系统

输入非线性系统包括输入非线性方程误差类系统和输入非线性输出误差类系统.针对输入非线性输出误差自回归系统,分别基于过参数化模型,基于关键项分离原理,基于数据滤波技术,研究了相应的基于过参数化模型的辅助模型递推辨识方法、基于关键项分离的辅助模型递推辨识方法、基于数据滤波的辅助模型递推辨识方法.这些方法可以推广到其他输入非线性输出误差系统、输出非线性输出误差系统、反馈非线性系统等.并给出了几个典型辨识算法的计算步骤、流程图和计算量.     

多变量方程误差类系统的部分耦合迭代辨识方法

针对多变量方程误差滑动平均系统,利用最小二乘原理和迭代搜索原理,给出了增广随机梯度辨识方法、递推增广最小二乘辨识方法、梯度迭代辨识方法和最小二乘迭代辨识方法.针对多变量方程误差滑动平均系统和多变量方程误差自回归滑动平均系统,将多变量系统分解为一些子系统,利用耦合辨识概念,讨论了梯度迭代辨识方法、部分耦合(子系统)梯度迭代辨识方法、子系统最小二乘迭代方法和部分耦合子系统最小二乘迭代辨识方法.进一步结合数据滤波技术,研究了多变量方程误差自回归滑动平均系统的子系统梯度迭代辨识方法、部分耦合(子系统)梯度迭代辨识方法、部分耦合子系统最小二乘迭代辨识方法.文中给出了几个典型算法的计算步骤.     

输入非线性方程误差自回归系统的多新息辨识方法

典型块结构非线性系统包括基本的输入非线性系统、输出非线性系统、输入输出非线性系统、反馈非线性系统等.输入非线性系统包括输入非线性方程误差类系统和输入非线性输出误差类系统.以输入非线性方程误差自回归系统,即输入非线性受控自回归自回归(IN-CARAR)系统为例,分别基于过参数化模型,基于关键项分离原理,基于数据滤波技术以及基于辨识模型分解技术,研究和提出了IN-CARAR系统的随机梯度辨识方法、多新息随机梯度辨识方法、递推最小二乘辨识方法、多新息最小二乘辨识方法.这些方法可以推广到其他输入非线性方程误差系统、输入非线性输出误差类系统、输出非线性方程误差类系统、输出非线性输出类系统、反馈非线性系统等.同时,给出了几个典型辨识算法的计算步骤、流程图和计算量.     

时变参数估计的新方法及在故障诊断中的应用

首次将模糊控制的原理引入时变系统的辨识中，提出了一种遗忘因子模糊自调整原理，导出了一种实现比较简便，对参数时变具有较高跟踪速度和精度的辨识方法。该方法不仅适用于故障诊断的参数估计，也适合于时变系统参数估计问题，理论分析和仿真验证了该方法的有效性。     

输出误差系统的多新息辨识方法

研究了输出误差(OE)系统和输出误差自回归滑动平均(OEARMA)系统(即Box-Jenkins系统)的辅助模型随机梯度算法、辅助模型多新息随机梯度算法、辅助模型递推最小二乘算法、辅助模型多新息最小二乘算法,输出误差系统的修正辅助模型随机梯度算法、遗忘因子辅助模型随机梯度算法、变递推间隔辅助模型随机梯度算法、变递推间隔辅助模型多新息随机梯度算法、变递推间隔辅助模型递推最小二乘算法等,以及输出误差自回归(OEAR)系统的基于滤波的辅助模型多新息广义随机梯度算法和基于滤波的辅助模型多新息广义最小二乘算法.     

滤波辨识(11):多变量CARARMA系统的滤波递阶广义增广迭代参数辨识

针对多变量受控自回归自回归滑动平均(M-CARARMA)系统,利用滤波辨识理念和递阶辨识原理,研究和提出了滤波递阶广义增广梯度迭代辨识方法、滤波递阶多新息广义增广梯度迭代辨识方法、滤波递阶递推广义增广最小二乘迭代辨识方法、滤波递阶多新息广义增广最小二乘迭代辨识方法等。这些滤波递阶广义增广迭代辨识方法可以推广到其它有色噪声干扰下的线性和非线性多变量随机系统中。     

滤波辨识(10):多变量Box-Jenkins系统的滤波辅助模型递阶广义增广参数辨识

针对多变量Box-Jenkins模型,即多变量输出误差自回归滑动平均(M-OEARMA)系统,利用滤波辨识理念和辅助模型辨识思想,研究和提出了滤波辅助模型递阶广义增广随机梯度辨识方法、滤波辅助模型递阶多新息广义增广随机梯度辨识方法、滤波辅助模型递阶广义增广递推梯度辨识方法、滤波辅助模型递阶多新息广义增广递推梯度辨识方法、滤波辅助模型递阶广义增广最小二乘辨识方法、滤波辅助模型递阶多新息广义增广最小二乘辨识方法。这些滤波辅助模型递阶广义增广辨识方法可以推广到其他有色噪声干扰下的线性和非线性多变量随机系统中。     

基于T-S模糊模型的供水系统预测控制策略研究

针对恒压供水控制系统,运用模型预测控制方法进行了建模和仿真。该方法利用带遗忘因子的加权递推最小二乘法对模型后件参数进行在线辨识,减小模型失配造成的对控制性能的影响;将非线性供水系统模型转化成线性时变状态空间模型,并由此实现对模型输出的预测,并通过滚动优化不断得到最优的预测控制输入,反馈校正过程提高了控制输出精度。仿真分析验证了该方法在供水过程中的灵敏性和准确性。     

基于改进多新息扩展卡尔曼滤波的电池SOC估计

为了提高SOC估计精度,提出基于遗忘因子改进多新息扩展卡尔曼滤波（FMIEKF）方法. 建立锂离子电池的双极化等效电路模型,开展开路电压测试. 通过递归最小二乘法,实现电池模型参数在线辨识. 提出FMIEKF进行SOC估计,该方法在融合多新息辨识理论和卡尔曼滤波基础上,引入遗忘因子削弱历史数据修正权重,解决数据过饱和问题. 通过实验和硬件在环进行验证. 结果表明,FMIEKF具有较高的准确性和收敛性,最大估计误差为0.948%,平均误差为0.214%,在不同SOC初值下20 s内收敛,可以适用于实际的电池管理系统中.     

航位推算系统非线性过程处理新方法研究

针对航位推算系统中利用扩展Kalman滤波方法解决非线性问题在算法复杂性上的缺陷和精度上的不稳定性,该 文从数据预先处理的角度出发,合理规避线性化过程,提出一种充分利用现成Kalman滤波公式的方法,即数据进入滤波器之 前就预先进行处理,获得每一组量测值,按照极坐标-笛卡儿坐标的转换方式转为相应的位置信息,再按照标准的Kalman滤波 公式构建滤波器,进行状态的最优估计。计算机仿真结果证明该算法的有效性。     

基于 SHEKF-GPM 融合的锂电池 SOC 估算

荷电状态（SOC）是电池控制策略和管理系统的重要参数。针对积分法和电压法估算锂电池 SOC 时不能减少误差累积现象,提出一种基于平方根高阶扩展卡尔曼滤波（SHEKF）与灰色预测模型（GPM） 融合的算法,用于估算锂电池 SOC。该方法结合遗忘因子递推最小二乘法（FFRLS）和二阶 RC 等效电路模 型实时在线辨识和修改锂电池模型参数,结合 SHEKF-GPM 融合模型进行锂电池 SOC 状态方程的线性部分 和非线性部分估算。通过仿真分析,得到 SHEKF-GPM 融合算法估算 SOC 时的误差低于 0.3%,协方差误 差为 0% 左右,不会产生误差累积。仿真结果表明,该方法能减少误差累积,提高电池管理系统估算锂电池 SOC 时的实用性、有效性和估算精度。     

竞争学习的非均匀采样非线性系统的模糊辨识

在实际非线性系统中,由于资源的限制,使得输入信号快速刷新,输出信号慢速采样.利用获得的非均匀采样数据对原非线性系统辨识存在一定困难.为此,通过提升技术,把非线性系统的多个特征点局部的线性模型转化为模糊模型的后件线性模型.在此基础上,提出基于竞争学习和递推梯度下降方法的辨识算法.通过定理证明:输入信号在持续激励条件下,模糊模型的参数能够一致性收敛;针对化工p H中和过程非线性系统,采用非均匀采样数据,建立其模糊模型,通过实际数据与模糊模型输出数据误差对比,表明了实际系统在非均匀采样条件下,模糊辨识能够建立其过程模型,验证了提出方法的有效性.     

基于主成分分析和噪声估计的在线子空间辨识

提出一种在线子空间辨识方法,该方法主要采用Hessenberg QR分解和特征值分解,通过对噪声项进行估计,并结合主成分分析提取子空间矩阵,获得系统的状态空间方程.引入遗忘因子机制,实现对时变系统的辨识.为了验证所提方法的适用性和有效性,分别采用数值模型和工业污水处理过程进行仿真验证.仿真结果表明,相比于其他子空间辨识方法,所提方法在辨识线性时不变系统时,能够获取很好的辨识精度;在辨识线性时变系统时,能够快速跟踪系统变化,并能够获取较好的辨识精度。     

A new extended H∞ filter for discrete nonlinear systems

Nonlinear estimation problem is investigated in this paper. By extension of a linear H∞ estimation with corrector-predictor form to nonlinear cases, a new extended H∞ filter is proposed for time-varying discretetime nonlinear systems. The new filter has a simple observer structure based on a local linearization model, and can be viewed as a general case of the extended Kalman filter (EKF). An example demonstrates that the new filter with a suitable-chosen prescribed H∞ bound performs better than the EKF.     

同步发电机励磁的自适应 PID 控制

采用带可变遗忘因子的最小二乘参数辨识算法和带可变移动因子的极点移动技术,推导出一种新的自适应ＰＩＤ励磁控制算法,实现了同步发电机励磁的非线性调节。文中介绍了调节器的设计原理,给出了动模试验结果。结果表明,该励磁调节器具有很好的调节特性,不仅优于常规的ＰＩＤ控制器,而且比其它控制规律的励磁调节器更简单、更适合工程应用。     

自适应Kalman滤波的运动物体跟踪算法研究

针对实时视频中的运动物体跟踪问题,提出了一种基于自适应Kalman滤波的运动物体跟踪新算法。首先利用基于∑-△背景估计算法检测运动物体,并提取主要颜色特征。然后构建物体运动模型,并生成自适应Kalman滤波的系统状态模型。最后利用主要颜色特征进行物体跟踪,其结果反馈给自适应Kalman滤波器,并通过遮挡率自动调整参数达到正确跟踪。实验结果表明,所提出的自适应Kalman滤波算法在运动物体被遮挡等复杂条件下的鲁棒性好,还具有跟踪准确性高和数据计算量小等优点,可用于实时运动物体的检测与跟踪。     

基于T-S模型的自适应模糊预测函数控制

针对多变量非线性系统，提出一种基于Takagi-Sugeno(T-S)模型的自适应模糊预测函数控制方法.在T-S模糊模型结构已确定情况下，利用加权递推最小二乘法对T-S模糊模型后件参数进行在线辨识.对模糊模型在每一采样点进行线性化，将描述非线性系统的T-S模型转化为线性时变的状态空间模型，并假设输入基函数为阶跃函数，推导出预测控制律的解析式.仿真结果表明，该方法在求解控制律时，无需求解非线性优化问题，并且有效克服了模型失配对系统控制性能的影响，增强了系统的跟踪性能和鲁棒性.