联合估计稳态算法及其在过程 辨识中的应用1)

时滞和滤波联合估计问题是自适应系统建模和时滞估计两方面的交叉. 本文针对先时滞后滤波的串联模型，提出基于快速横向滤波器的递推最小二乘算法，并以合成氨生产过程现场数据为例进行模型预测. 仿真结果表明，这种结合时滞跟踪的自适应滤波器适于变时滞低阶系统建模.     

一种基于滤波参数在线辨识的鲁棒自适应滤波器

针对一类未建模动态和扰动下的非线性随机系统的状态估计问题,提出了一种基于滤波参数在线辨识的鲁棒自适应滤波器.该算法通过极小化状态估计误差的方差同时正交化相邻时刻的滤波残差,在线辨识状态预报误差和滤波残差的协方差,实现了对未建模动态和扰动的自适应动态补偿,因此对未建模扰动具有很强的鲁棒性.仿真中研究了一个非线性随机时滞系统,其参数存在缓变和突变,时滞会多次跳变,量测噪声发生了均值漂移和方差突变.算法对时滞和参数的联合估计效果令人满意.     

一种改进型残差约束渐消采样滤波器

非线性系统的状态方程和观测方程不准确时,非线性自适应采样滤波器的滤波精度将偏离真实值:严重时将引起滤波器的发散,得到完全虚假的滤波值,失去了滤波原本的意义.为减小线性化误差对非线性系统状态估计的影响,本文采用采样滤波器中的UKF(Unscented Kalman Filter)方法对非线性系统进行高精度滤波.同时深入研究UKF的自适应渐消记忆策略,以增强对建模误差的鲁棒性和对突变状态的跟踪能力,提高状态估计的精度和快速性.本文针对上述滤波方法进行改进,并通过一个非线性系统滤波仿真试验.证明其有效性.     

基于自适应事件触发的时滞系统分布式${l_2}text{-}{l_infty}$滤波

研究一类基于自适应事件触发机制的时滞系统分布式滤波问题.自适应事件触发条件由滤波器自身最新释放数据、当前时刻估计值及邻居节点最新释放数据共同决定.此事件触发机制采用阈值自适应调节方案,阈值参数在保证滤波器性能的前提下根据滤波误差动态变化,最大程度上节约网络通信资源.首先,给出滤波误差系统均方指数稳定的充分条件;其次,构造一个Lyapunov函数来分析滤波误差系统满足l2-l∞的性能指标;再次,设计离散时滞系统分布式l₂-l_∞滤波器,并通过线性矩阵不等式方法求解滤波器参数;最后,通过仿真实例说明滤波器能够降低系统时滞带来的影响,且在保证滤波性能前提下减少通信次数,节约网络资源.     

基于渐消记忆自适应Kalman滤波的GPS/DR数据融合

针对标准的卡尔曼滤波器对系统模型依赖性强、鲁棒性差,而GPs/DR系统的精确系统模型难以建立的问题,提出了一种渐消记忆自适应联邦卡尔曼滤波器.融合了自适应联邦滤波算法和SageHusa自适应滤波算法,估计变化的系统观测噪声方差阵,使之更符合真实的模型,并有效对GPS的定位数据的传统算法的发散得到收敛,提高组合定位的精度.计算机仿真结果表明了该算法的可行性和有效性.     

有色量测噪声下的改进求容积卡尔曼滤波器

为解决标准求容积卡尔曼滤波器在有色量测噪声条件下滤波精度退化的问题,提出改进求容积卡尔曼滤波器及其平方根形式.首先利用一阶马尔科夫模型白化非线性离散随机系统中有色量测噪声,将有色量测噪声下非线性离散随机系统转化为白噪声下非线性时滞系统.然后根据所得非线性时滞系统推导其高斯域的贝叶斯滤波框架,最后基于3度Spherical-Radial规则将该滤波框架近似为改进的求容积卡尔曼滤波器和其平方根形式.机动目标跟踪仿真试验结果表明两种改进求容积卡尔曼滤波算法在标准白噪声条件下与标准求容积卡尔曼滤波算法的估计精度相同,而在有色量测噪声背景下滤波精度和鲁棒性更优.     

一种基于简单自适应控制的闭环H_∞滤波算法的验证与改进

采用固定积分变量的方法,对基于简单自适应算法(SAC)的闭环H∞滤波算法进行了改进,增强了经典H∞滤波的动态跟踪特性,确保了该算法的稳定性,同时初步分析了这种新算法提高鲁棒性的原理.通过建模仿真及比较分析表明:与常规H∞滤波器相比,当建模误差存在或者系统模型统计特性未知时,采用改进的简单自适应算法H∞滤波器能够改善滤波的动态特性,降低H∞滤波器对噪声的敏感性,精度更高.     

时滞一维递归滤波器建模和仿真

针对递归滤波器设计中不考虑时滞带来的稳定性问题,研究递归滤波器时滞的主要因素群时延,以时滞下的频响特性和稳定性仿真为依据,考虑滤波效果与滤波器群时延对控制系统稳定性的影响,首选群时延较小的数字滤波器,通过调整系统的方法进行了一维IIR递归滤波器信号建模和改进设计.完成了不带时滞和考虑时滞的仿真比较,结果表明,改进后系统状态响应收敛速度变快,递归滤波器在更宽的频率范围内延时相同,相频特性较之以前更逼近直线,更好地做到了无相位失真.     

S模式数据链自适应航迹跟踪滤波器设计

如何设计和实现适合空管系统使用的自适应滤波器成为了实现航迹滤波和目标跟踪的关键。首先对飞行器的三维空间运动轨迹建模"拉格朗日"(Lagrange)三阶级数展开,基于此设计了一种兼顾实时性和预测滤波效果的数据处理算法,通过对该滤波器模型稳定性、初始状态、收敛性、滤波参数等的深入分析,提出了一种基于"查表"策略的"残差-新息"估计方法,在保证收敛性的同时兼顾了收敛速度,一系列建模仿真和飞行试验均表明了所论述关键技术的有效性。     

控压钻井系统井下状态估计及参数校正方法

为克服控压钻井系统建模时的参数不确定性问题,基于经典的控压钻井水力学模型,使用坐标变换方法建立了一种可适应井下不确定摩擦积分和泥浆密度的自适应观测器,并在钻井过程中估计井底压力和井底流量。同时,针对模型中存在建模误差以及传输过程存在不确定时滞的特点,从最小二乘算法出发,通过构造广义参数,提出了一种基于多输入单输出系统的不确定时滞和参数同时辨识的算法,利用滞后的井底压力测量数据对建模参数进行辨识校正,从而提高自适应观测器的估计精度。仿真结果表明,在钻井系统存在建模误差的情况下,将辨识算法与自适应观测器相结合,可以有效校正模型参数并准确估计井底压力和流量。     

An adaptive autoregressive model

A state space modeling approach for autoregressive integrated-moving average time series is presented. By means of the Kalman filter minimum-variance forecasts can be obtained in real time. The filter is able to recursively adjust its estimates similar to the exponential smoothing algorithms. To speed up the response rate of time series tracking an adaptive filter, which is parallel to the Trigg and Leach adaptive forecasting algorithm, is proposed. Results of computer simulations of the first-order autoregressive adaptive model are shown, using 26 simulated time series. It is seen that the adaptive filter has great potentials for real-time industrial applications.     

Adaptive Maneuvering Frequency Method of Current Statistical Model

Current statistical model (CSM) has a good performance in maneuvering target tracking. However, the fixed maneuvering frequency will deteriorate the tracking results, such as a serious dynamic delay, a slowly converging speedy and a limited precision when using Kalman filter (KF) algorithm. In this study, a new current statistical model and a new Kalman filter are proposed to improve the performance of maneuvering target tracking. The new model which employs innovation dominated subjection function to adaptively adjust maneuvering frequency has a better performance in step maneuvering target tracking, while a fluctuant phenomenon appears. As far as this problem is concerned, a new adaptive fading Kalman filter is proposed as well. In the new Kalman filter, the prediction values are amended in time by setting judgment and amendment rules, so that tracking precision and fluctuant phenomenon of the new current statistical model are improved. The results of simulation indicate the effectiveness of the new algorithm and the practical guiding significance.      

自适应Kalman滤波器及其应用

对于带未知噪声统计的单输出系统,本文提出了一种新的自适应Kalman滤波器.应用现代时间序列分析方法,基于ARMA新息模型的滑动平均(MA)参数的在线辨识,提出了稳态最优Kalman滤波器增益估计的一种新算法,比Mehra的算法简单.同时还提出了辨识滑动平均(MA)模型参数的一种新的自适应Kalman滤波算法.此外,给出了在雷达跟踪系统中的应用,且仿真结果说明了本文算法的有效性.     

Adaptive generic model control for a class of nonlinear time-varying processes with input time delay

In this article, an adaptive control approach––Adaptive Generic Model Control (AGMC) for a class of nonlinear time-varying processes with input time delay is proposed. First, a nonlinear state predictor (NSP) is introduced, which extends the conventional generic model control (GMC) to a class of nonlinear processes with input time delay. Then a class of nonlinear time-varying processes with input time delay is further considered. A modified strong tracking filter (MSTF) is adopted to estimate the time-varying parameters of the nonlinear processes, and the state estimates are then utilized to update the plant models used in the NSP and MSTF, this results in an adaptive generic model control scheme for a class of nonlinear time-varying processes with input time delay. A modified mathematical model of a three-tank-system is used for computer simulations, the results show that the proposed AGMC algorithm is satisfactory, and it has definite robustness against model/plant mismatch in the measurement noise.     

非线性时滞系统的稳定自适应控制

针对模型不确定性的连续时间时滞系统，提出了一种新的神经网络自适应控制。系统的辨识模型是由神经网络和系统的已知信息组合构成，在此基础上，建立时滞系统的预测模型。基于神经网络预测模型的自适应控制器能够实现期望轨线的跟踪，理论上证明了闭环系统的稳定性。连续搅拌釜式反应器仿真结果表明了该控制方案的有效性。     

基于卡尔曼滤波的数据融合算法与应用研究

针对无人机飞控系统对输入的多传感器信息融合时传统卡尔曼滤波算法容易出现滤波发散,滤波精度和系统的实时性降低的问题,研究了一种改进的自适应滤波算法,可以让数据融合后的信息精度更高,实时性更强。改进的算法是在Sage-Husa滤波的基础上引入滤波收敛性判据,并提出了基于改进的Sage-Husa滤波算法的联邦卡尔曼滤波器的设计,可以抑制滤波发散,提高滤波精度和稳定性。同时引入强跟踪滤波算法的思想,调整增益矩阵,改进滤波算法,提高系统突变情况下的滤波处理能力。最后,通过对特定的自主避障系统用改进后的算法与传统卡尔曼滤波算法进行MATLAB仿真比较,仿真结果显示改进的自适应滤波算法在系统模型参数失配和实变噪声情况未知时,可以较好地保持滤波的精度和实时性。     

基于自适应时空码书的粒子滤波多目标跟踪

提出一种基于自适应时空码书检测模型的粒子滤波多目标跟踪算法。使用时空码书模型进行前景背景分割,检测出前景目标,在该模型上加入目标自适应过程。将自适应时空码书检测的结果作为粒子滤波跟踪算法的初始目标状态,通过关联算法和粒子滤波实现多目标跟踪。自适应时空码书模型能明显降低对前景目标的误检率,抑制噪声干扰。实验结果表明,该算法能够在有干扰的复杂背景下实现对运动多目标的快速捕获,并有效提高跟踪的可靠性和精度。     

基于混合粒子滤波的运动火焰跟踪算法

提出一种基于混合粒子滤波的运动火焰跟踪算法。针对通用粒子滤波算法计算量大的问题,提出了混合粒子滤波,将Mean Shift算法嵌入到粒子滤波中,并用自适应运动模型和目标模型自动更新的策略改善算法性能。基于混合粒子滤波提出了火焰识别和火焰跟踪相结合的运动火焰自动跟踪算法,先火焰识别,再火焰跟踪,且跟踪时,如果估计目标与模型的相似度小于阈值则切换到火焰识别阶段。识别与跟踪的相互切换保证了跟踪结果的正确性。实验结果表明混合粒子滤波具有很好的跟踪效果,与粒子滤波和Mean Shift算法相比,提高了跟踪精度;基于混合粒子滤波的火焰跟踪算法能够跟踪复杂环境下的运动火焰,提供火焰的精确位置。     

基于抗差自适应容积卡尔曼滤波的超紧耦合跟踪方法

为降低基于单一调节回路的超紧耦合结构存在的反作用影响,设计了一种基于双回路的超紧耦合结构.基于此,为解决所设计结构中跟踪环路的非线性滤波问题,针对测量异常误差和动力学模型误差,提出了一种基于抗差自适应容积卡尔曼滤波(Robust adaptive cubature Kalman filter,RACKF)的超紧耦合跟踪算法.该算法采用稳健M估计调整容积卡尔曼滤波 (Cubature Kalman filter,CKF)算法,对观测量中粗差的影响“程度”进行探测和处理,以减小观测量异常误差产生的影响,同时利用自适应调节因子对算法进行调节修正,以处理动态扰动误差引入的影响.实验结果表明: 所提出的方法能有效地处理模型不准确所引入的误差,较好地实现全球定位系统(Global positioning system,GPS)卫星信号的高精度和稳定跟踪,其跟踪性能远优于基于单一回路的跟踪方法,同时优于基于无迹卡尔曼滤波(Unscented Kalman filter,UKF)和基于CKF的跟踪方法,提升了导航系统在高动态条件下的适应性能.     

基于视觉/惯导的无人机组合导航算法研究

目前视觉惯性组合导航系统多采用优化紧/松耦合以及滤波紧/松耦合算法,应用误差状态卡尔曼滤波能够将较低频率的视觉位姿信息提升到与惯性信息同步的频率;提出一种基于自适应卡尔曼滤波的视觉惯导组合导航算法,首先考虑到系统建模与传感器测量误差,采用自适应渐消卡尔曼滤波进行导航解算,通过实时计算遗忘因子,以调节历史数据的权重,可抑制建模误差,提高组合导航系统性能,然后针对视觉SLAM解算过程造成的视觉位姿信息滞后于惯导信息的问题,提出一种延时补偿方法;仿真实验表明,采用延时补偿的自适应渐消卡尔曼滤波算法能够有效抑制建模误差,并降低视觉位姿信息滞后带来的影响,提高无人机组合导航的解算精度,姿态、速度、位置解算精度分别达到5°、0.5m/s、0.4m以内。