基于不确定模型误差系统的变分贝叶斯STCKF

强跟踪容积卡尔曼滤波器在对含有模型误差和时变噪声的非线性系统进行滤波时, 容易出现性能降低甚至发散. 鉴于此, 提出一种基于变分贝叶斯的强跟踪容积卡尔曼滤波算法. 该算法运用虚拟噪声法补偿模型误差, 假设虚拟噪声均值非零, 且满足高斯分布, 虚拟噪声方差服从逆gamma分布, 在强跟踪容积卡尔曼滤波器估计状态的同时, 采用变分贝叶斯推理估计虚拟噪声参数. 仿真结果表明, 所提出算法对含模型误差与时变噪声的非线性系统具有较好的估计精度, 相比于自适应算法具有更强的鲁棒性.     

改进粒子滤波与预测滤波相结合的单星敏姿态估计

针对卫星姿态估计的非线性、非高斯特性,提出一种粒子滤波和预测滤波相结合的估计方法,在无角速率测量时,首先利用预测方法在线估计系统模型误差和姿态角速度,再通过改进的规则化粒子滤波器估计姿态四元数.粒子初始化和重要性函数等的设计加快了算法的收敛速度,预测方法的引入有效降低了粒子维数.在某通用小卫星平台上进行仿真,并与扩展卡尔曼滤波(EKF)比较,所得结果表明,算法在不同初始姿态估计时具有较好的稳定性和收敛精度.算法还为粒子滤波和无陀螺定姿的研究提供了参考.     

一种基于非线性滤波的倒立摆控制方法研究

对于倒立摆这样的强非线性系统,采用传统的BP算法存在着收敛速度慢、易陷入局部极小值的缺陷,而采用卡尔曼滤波方法则会带来很大的模型误差。为了解决上述问题,提出了基于粒子滤波优化神经网络的方法。首先建立了倒立摆神经网络控制器的物理模型并将模型粒子化,而后用粒子滤波算法对粒子进行优化估计,将估计结果作为网络的权值应用到倒立摆控制中,采用离线训练方式,仿真比较了卡尔曼滤波和粒子滤波两种方法控制效果,结果表明,新算法较卡尔曼滤波方法在控制性能上有明显提高。     

基于神经网络误差修正的混沌控制与同步

针对混沌系统非线性强、多变量耦合等特点,提出了一种基于神经网络误差修正的自适应多变量混沌系统的广义预测控制算法,用线性广义预测控制器控制混沌系统,用神经网络对模型预测误差进行修正。算法中辩识过程模型用递推最小二乘法(RLS)、神经网络权值用Davidon最小二乘法(DLS)训练。这种算法对被控混沌系统的先验知识要求较少,无需知道被控系统的精确模型,数值仿真显示可实现混沌系统的宽范围控制与同步。     

面向调控网络参数学习的无迹粒子滤波算法

目前基于微分方程模型学习网络参数的工作普遍基于卡尔曼滤波器,对所分析系统有线性假设前提,而基因调控网络具有强非线性,因此需要更适用于非线性模型的方法。提出了一种基于无迹粒子滤波器学习基因调控网络参数的方法,由于粒子滤波方法不受模型线性假设的约束,因此能够对非线性系统进行更好的拟合。通过对Repressillar模型中隐变量与未知参数的估计并与无迹卡尔曼滤波器所获结果的比较,提出的算法有效减少了估计误差。并对粒子数目对结果的影响进行了分析。相较于卡尔曼滤波器,无迹粒子滤波方法对于调控网络参数学习精度更高。粒子数目太少或太多都会减弱估计精度,因此选择适当的粒子数目非常重要。     

基于小波神经网络的非线性误差校正模型及其预测

针对非线性系统的预测问题,在线性和非线性协整理论涵义的基础上,提出利用小波神经网络进行非线性协整系统的非线性误差校正模型的研究,并给出该模型的建模方法．对沪深股市进行实证研究,与线性向量自回归模型进行比较．研究证明,小波神经网络所建立的非线性误差校正模型有较好的预测效果,能够有效地预测非线性经济系统．     

一种强跟踪有限差分滤波二元估计算法

针对非线性工业过程测量的滞后性和模型不确定性给系统状态估计和模型参数估计造成的困难,在扩展Kalman滤波器（EKF）的基础上,引入有限差分滤波器（FDEKF）和次优渐消因子,提出了一种强跟踪有限差分滤波状态和参数二元估计算法。该二元估计算法将滤波器分解为参数滤波和状态滤波两个过程,分别估计模型参数和系统状态。最后,将该算法应用于一化学反应过程的仿真,结果表明,这种强跟踪有限差分滤波的二元估计算法在原模型或参数存在偏差的情况下,仍能较准确地估计系统状态和模型参数,并具有较强的数值鲁棒性。     

基于扩展卡尔曼粒子滤波算法的神经网络训练

神经网络的训练是一种非线性系统的辨识问题,基本粒子滤波算法已被成功用于训练神经网络,但基本粒子滤波算法在建议分布的选择上并没有考虑当前时刻观测值的影响,本文针对该问题提出使用扩展卡尔曼滤波器来生成建议分布。由于扩展卡尔曼滤波器在传递近似建议分布的均值和协方差的过程中充分利用了观测值信息,从而可以更好地描述神经网络权值的后验概率分布。实验结果证明,使用扩展卡尔曼滤波器作为建议分布的粒子滤波算法性能明显优于基本粒子滤波算法。     

模型不确定非线性Markov 跳变系统的滤波算法

针对模型不确定非线性Markov跳变系统,提出一种新的滤波算法.相比于传统交互多模型粒子滤波,该方法通过引入前一时刻的滤波误差来增强原先由于不精确模型而造成权值较小的真实粒子在滤波过程中的作用,以此来改善算法的估计性能.仿真结果表明,该方法在处理含不确定模型参数的非线性Markov跳变系统状态估计问题时具有较好的性能.     

UKF算法在星载GPS低轨卫星定轨中的应用

对于扩展卡尔曼滤波在非线性系统中由于线性化过程引入了线性化误差,从而导致滤波器性能下降甚至造成滤波发散的情况,利用Unscented卡尔曼滤波器对非线性系统进行直接滤波,该方法无需对非线性系统进行线性化,避免了线性化误差。并将该算法用于星载GPS低轨卫星定轨中,建立了仿真模型,在初始条件相同的情况下,与EKF算法仿真结果相比较,结果表明在一定观测噪声水平下,UKF定轨结果更准确,定轨精度更高。     

An IMM tracking algorithm with input estimation

A new approach to track manoeuvring targets is presented. A target model that combines Singer's model with a deterministic step manoeuvre model is also proposed to account for the various realistic evasive manoeuvre strategies. The interacting multiple models (IMM) method incurs a mean tracking error in the presence of a pilot-commanded abrupt target manoeuvre. A recursive real-time least-squares algorithm to compute the magnitude of the input acceleration is devised to reduce the tracking error. The combined scheme of this input estimation filter and the IMM algorithm markedly improves the tracking accuracy. Simulation results show that the proposed algorithm is superior to that of the IMM algorithm, especially in velocity and acceleration estimations.     

最小熵反馈式变结构多模型融合算法

统变结构多模型方法(VSMM)在处理高机动日标状态估计问题和大观测误差时存在因模型集合与真实模式匹配欠佳导致估计质量下降的问题.本文结合最小信息熵准则(ME)提出一种反馈式变结构多模型融合算法(MEVSMM),将在所有模型相关的在线估计信息进行反馈,进而选取状态估计分布信息熵最小的模型集作为当前有效模型集,计算多模型估计结果;结合粒子滤波算法(PF)和设计擂台赛算法(CM),构造了易于工程实现的次优算法(PF-MEVSMM).理论分析与仿真表明,与传统VSMM算法相比,本法具有模型集更精简、有效,融合估计结果鲁棒性更强、精度更高的优点.     

Star-sensor-based predictive Kalman filter for satellite attitude estimation

A real-time attitude estimation algorithm, namely the predictive Kalman filter, is presented . This algorithm can accurately estimate the three-axis attitude of a satellite using only star sensor measurements. The implementation of the filter includes two steps: first, predicting the torque modeling error, and then estimating the attitude. Simulation results indicate that the predictive Kalman filter provides robust performance in the presence of both significant errors in the assumed model and in the initial conditions.     

多点测试的多模型机动目标跟踪算法

针对机动目标跟踪问题,提出了一种多点测试多模型粒子滤波算法(Independence multi-try method, IMTM).整个算法分为两个阶段,第一阶段为利用多点测试(Multi-try method, MTM)结构从各模型产生的粒子中选取一个最优粒子,实现了模型间的交互;第二阶段为利用IMH (Independence Metropolis-Hastings)滤波算法对第一阶段产生的粒子进行取舍,完成整个状态估计.相对于传统的交互式多模型(Interacting multiple model, IMM)算法,该算法无需事先设定模型转移概率 矩阵且为整体并行结构,结构简单,能够充分地交互各模型之间的粒子,进而自动有效地调整各模型权值比重,降低了人为干扰.仿真表明,该算法能够有效地降低滤波峰值误差,整体跟踪精度较高,算法的实时性较好.     

基于PF的EKF算法及应用

针对拦截弹与目标遭遇时间短,制导精度要求高的特点,提出了一种基于预测滤波(PF)的扩展卡尔曼滤波(EKF)算法.PF是在综合了模型预测控制理论和最小模型误差估计法(MME)的基础上提出的一种新的估计方法.该方法最大特点是能实时地估计出校正项(模型误差项)并加到估计模型中,使产生的新模型更能准确地描述实际系统的行为.PF的这一特点,恰恰可以解决EKF无法处理由于模型不准而导致估计精度下降的问题.因此,可以利用PF估计出的模型误差项实时地修正系统模型,令原来的系统模型更加准确,然后再利用EKF对新的、能更准确描述系统行为的模型进行滤波,最后得到更为精确的制导信息估计值.仿真结果表明,该算法与扩展卡尔曼滤波相比,增加的计算量并不明显,却在系统模型不准确的情况下,能够显著提高制导信息的估计精度,有效减少了拦截弹的脱靶量.     

新型输入加权预测控制器

提出一种新型输入加权预测控制器,通过对控制输入进行柔化和滤波处理,使实际实施的控制量为现时和现时对未来控制时域长度预测控制量的加权平衡,从而大大减小控制输入的震荡,具有较快的响应能力。通过对其结构的分析可知,该控制器具有滤波功能,能有效抑制模型误差的影响和控制量的震荡,克服了文献[1]需要在线记忆预测控制输入的缺点,不仅简化了算法,而且大大减少了系统的记忆容量。仿真结果表明了该算法的优异性能。     

INS algorithm using quaternion model for low cost IMU

This paper presents a generic inertial navigation system (INS) error propagation model that does not rely on small misalignment angles assumption. The modelling uses quaternions in the computer frame approach. Based on this model, an INS algorithm is developed for low cost inertial measurement unit (IMU) to solve the initial attitudes uncertainty using in-motion alignment. The distribution approximation filter (DAF) is used to implement the non-linear data fusion algorithm.     

Resilient distributed model-free adaptive predictive control for multiarea power systems under denial of service attack

This paper proposes a novel load frequency control (LFC) strategy for power systems based on distributed model-free adaptive predictive control. First, a power system dynamic model is established by the input and output signals of the power system. Then, a distributed model-free adaptive predictive control algorithm is established for the power system under denial-of-service attack by the established power system dynamic model, and a predictive compensation algorithm is designed to compensate the impact of DoS attack. Based on the designed distributed model-free adaptive predictive control algorithm, the frequency tracking error of the multiarea power system is bounded. The scheme is independent of the structure of the power system and does not need to measure any state signals of the power system, relying only on the input and output data of the power system. The results of simulations demonstrate the effectiveness and superiority of the design.     

Stochastic stability of cubature predictive filterCubature 预测滤波的随机稳定性分析

In this paper, the cubature predictive filter (CPF) is derived based on a third-degree spherical-radial cubature rule. It provides a set of cubature-points scaling linearly with the state-vector dimension, which makes it possible to numerically compute multivariate moment integrals encountered in the nonlinear predictive filter (PF). In order to facilitate the new method, the algorithm CPF is given firstly. Then, the theoretical analyses demonstrate that the estimated accuracy of the model error and system for the proposed CPF is higher than that of the traditional PF. Moreover, the authors analyze the stochastic boundedness and the error behavior of CPF for general nonlinear systems in a stochastic framework. In particular, the theoretical results present that the estimation error remains bounded and the covariance keeps stable if the system’s initial estimation error, disturbing noise terms as well as the model error are small enough, which is the core part of the CPF theory. All of the results have been demonstrated by numerical simulations for a nonlinear example system.