AR预测模型的IMM跟踪算法

针对LOS/NLOS混合条件下对机动目标的鲁棒跟踪问题,提出一种基于AR预测模型的交互式多模型（Interacting Multiple Model,IMM）跟踪算法（ARIMM）。该算法利用AR预测模型对运动状态建模,针对LOS与NLOS条件下观测噪声的分布不同分别使用无迹卡尔曼滤波器（Unscented Kalman Filter,UKF）和改进的无迹卡尔曼滤波器（Robust Unscented Kalman Filter,RUKF）,通过IMM方法估计出移动台的位置,利用该位置更新AR模型的参数,使AR模型与真实运动状态更加匹配,实现精确跟踪。仿真结果表明,在LOS/NLOS混合条件下,与传统的UKF和RUKF算法相比,该算法对机动目标跟踪的鲁棒性更好。     

基于ARMA和卡尔曼相结合的实际流量预测模型的研究

为了在高度复杂网络环境下,针对无线传感器网络流量预测精度偏低的问题,结合ARMA模型和卡尔曼提出了一种新的预测算法(State Prediction Algorithm based on ARMA and Kalman,SPAK)。该算法首先定义了ARMA模型分布特征,并给出该模型的理论依据。同时,通过融合ARMA与卡尔曼的预测结果提高其预测实际流量的预测精度,实现SPAK具体实现的步骤。最后,结合OPNET仿真采集流量数据,并使用Matlab对算法结果进行仿真,并对比FARIMA模型MF-FIR模型性能,结果发现该算法可以提前预测拥塞情况,提前进行路由选择,实现路由自适应控制。同样对网络的点比和能耗等做好自适应控制,通过对预测误差的比较,从而提高其预测精度。     

小转角下空间目标双基地ISAR二维成像算法

为了解决小转角下空间目标双基地ISAR方位向分辨率下降的问题,提出基于AR模型数据外推的双基地ISAR成像算法.双基地ISAR成像时,小转角下的方位向回波可认为服从AR模型,据此建立线性预测方程,利用Burg熵最大法中的Levions递推估计预测系数,然后对方位向回波进行外推,最后基于原始数据和外推后的数据共同进行谱估...     

多输出数据依赖核支持向量回归快速学习算法

针对基于递推下降法的多输出支持向量回归算法在模型参数拟合过程中收敛速度慢、预测精度低的情况,使用一种基于秩2校正规则且具有二阶收敛速度的修正拟牛顿算法（BFGS）进行多输出支持向量回归算法的模型参数拟合,同时为了保证模型迭代过程中的下降量和全局收敛性,应用非精确线性搜索技术确定步长因子。通过分析支持向量机（SVM）中核函数的几何结构,构造数据依赖核函数替代传统核函数,生成多输出数据依赖核支持向量回归模型。将模型与基于梯度下降法、修正牛顿法拟合的多输出支持向量回归模型进行对比。实验结果表明,在200个样本下该算法的迭代时间为72.98 s,修正牛顿法的迭代时间为116.34 s,递推下降法的迭代时间为2065.22 s。所提算法能够减少模型迭代时间,具有更快的收敛速度。     

基于多模型预测的WSN动态簇目标跟踪算法

分析了无线传感器网络(WSN)中现有目标定位算法缺陷,针对WSN中跟踪目标的运动不确定特性,提出一种基于多模型动态簇预测的WSN目标跟踪算法;该算法以多模型为目标动态建模框架,适应目标的不确定运动,在得到各模型预测之后,综合各模型预测估计形成全局预测估计,进而构造局部唤醒区域,将落入该局部唤醒区域的节点构造动态簇,通过择优规则,确定该节点动态族的簇首,实现目标的定位跟踪;仿真结果表明,与全局唤醒算法相比,所提出的基于多模型动态簇预测的WSN目标跟踪算法可适用于目标的不确定运动,并得到较好的跟踪精度。     

基于神经网络的时滞非线性系统的广义预测控制

针对一类时滞非线性被控对象,提出一种基于RBF神经网络的广义预测自校正控制方案,在广义预测控制中,采用RBF神经网络建立被控对象的多步预测模型,并不断修正预测输出,提高预测输出的精度.控制器则采用GPC隐式修正算法,不用辨识对象的模型参数,大大减少了计算量.经过仿真研究,与常规的PID自适应控制方法相比较,证明了该方法的优越性,预测控制误差小,实时性好,动态响应快.     

面向WSN数据汇集应用的动态负载均衡算法

针对WSN数据汇集应用中,由于负载分配不均衡,使得网络节点出现早死,缩短网络寿命问题,提出一种面向WSN数据汇集应用的动态负载均衡算法（DLB-DGA）。DLB-DGA算法采用压力传输和压力均衡的思想,通过压力计算模型和流量均衡计算模型,动态调整子节点转发给父节点的数据流量比例,使网络上游节点的负载逐渐趋于最大程度的均衡,延长网络寿命。仿真实验表明DLB-DGA算法可行。     

基于自适应Kalman预测器的运动估计算法

利用图像序列估计目标运动速度是机器人视觉中的一项重要研究内容。它应用在机器人操作、导航、视觉跟踪等多项领域中。这些应用一般均要求运动估计算法具有较好的实时性和抗噪能力。卡尔曼滤波器和预测器正符合上述要求。该文基于运动图像的仿射模型，探讨从序列图像中预测目标三维平动速度的卡尔曼预测算法。首先建立运动目标的“当前”统计模型，然后根据运动图像的仿射模型找出图像运动参数与目标三维速度间的关系(图像运动参数由目标图像的几何矩计算获得)。最后结合自适应卡尔曼滤波和卡尔曼一步预测算法设计自适应卡尔曼一步预测器。为减轻预测器的发散性，对初始状态进行估计。仿真结果表明，基于“当前”统计模型和运动图像仿射模型设计出的自适应卡尔曼一步预测器具有较高的精度。     

在线参数辨识和扩展卡尔曼算法的锂离子电池SOC估算研究

荷电状态(SOC)的准确估计对锂离子电池的在线实时监测和安全控制具有重要意义。以中航锂电池为研究对象,选择二阶阻容(RC)模型对电池工作特性进行表征,并结合多种工况情形对锂离子电池进行研究分析。考虑到参数辨识的初值对在线辨识修正效果的影响,搭建仿真模型与电池脉冲工况特性比较验证,仿真误差在0.05 V以内。在此基础上,构建含有遗忘因子的递推最小二乘法(FFRLS)的在线参数辨识系统,对电池动态应力测试工况(DST)进行仿真预测,相对误差在1.50%以内。针对离线参数辨识的不足,采用在线参数辨识结合扩展卡尔曼(EKF)算法对工况下电池SOC进行估计。试验结果表明,在线参数辨识下,EKF算法能够有效表征系统SOC估算,相对误差精度在0.3%以内。     

广义区间系统非结构化参数不确定性的鲁棒滤波算法

本文针对广义区间系统的参数不确定性,将参数不确定性确定为随机非结构化参数形式,提出一种卡尔曼形式的递推鲁棒滤波算法.研究表明,滤波过程中的随机非结构化参数不确定性可以表示为一系列依赖系统真实状态的不确定性集合,数值仿真结果表明,当广义区间系统参数存在随机非结构化不确定性时,该算法能够实现递推状态估计,从而验证了该算法的有效性.     

自适应交互集合Kalman滤波的动态精密单点定位

为了进一步提高动态精密单点定位的解算精度,采用交互多模型思想构建动态精密单点定位解算模型.采用集合Kalman滤波算法降低GPS数据中因非高斯噪声正态化处理造成的精度损失;利用状态预测向量残差信息,采用自回归模型(AR)修正当前历元的预报值,提高动力学模型的可靠性;根据单位权中误差自适应选取最终滤波解.对某载GPS数据进行验证,计算结果表明,自适应交互集合Kalman滤波是一种性能可靠、精度高的滤波算法.     

基于偏差补偿递推最小二乘的Hammerstein-Wiener模型辨识

许多实际系统可以表示成一种中间为线性动态环节、输入输出端为非线性静态环节的Hammerstein-Wiener模型. 针对含过程噪声的Hammerstein-Wiener模型, 提出一种改进在线两阶段辨识方法. 第一步采用偏差补偿递推最小二乘法在线辨识含原系统参数乘积项的参数向量. 通过在递推最小二乘算法中引入一个修正项, 补偿过程噪声引起的估计偏差. 第二步采用基于张量积逼近的奇异值分解法分离出原系统各参数的值. 通过引入两个矩阵的张量积逼近加权最小二乘的权系数, 提高参数分离精度. 理论分析和计算机仿真验证了本文方法的有效性.     

反重力铸造装备的模糊建模与预测控制

工业中的反重力装备在铸造过程中具有时滞性、强非线性和时变性的特点,传统的控制算法难以达到满意的效果,由此提出了一种基于T-S模型的模糊预测控制方法.该方法根据T-S模型的描述来设计神经网络结构,利用误差反传算法离线辨识前件参数和后件参数,使用加权最小二乘递推方法进一步在线修正模型的后件参数,并将T-S模型转化为状态空间模型,使用丢番图方程推导出预测控制律.仿真结果表明此方法具有良好的动态特性.     

一种CABG手术辅助机器人运动补偿方法研究

针对非体外循环心脏动脉旁路移植手术中辅助机器人的运动控制问题,提出基于多测量耦合模型的多步预测控制算法,该算法增加了加速度测量并采用卡尔曼滤波器作为状态观测器进行信息融合处理,增强了对机器人运动状态的估计,进而提高心脏运动信号的跟踪性能。同时超前的N步预测增加了系统的带宽。实验结果表明,使用了耦合模型的多传感器信息融合多步预测控制算法的机器人系统将跟踪相对运动误差减小了20%。     

具有噪声信息与状态模型不确定系统的IMM自适应滤波

卡尔曼滤波器广泛用于解决线性高斯系统的状态估计问题.然而,在实际应用中过程噪声和系统模型参数先验信息未知,且量测受到异常值干扰,给准确估计系统状态带来极大困难.针对具有噪声信息和状态模型不确定的动态系统,提出一种广义交互式多模型自适应滤波算法.该算法设计多个模型并行的方式对系统不确定进行处理,对于每个模型,建立Skew-T分布非对称重尾噪声表示模型,为了解决过程噪声与系统协方差相互耦合难以求解的问题,利用逆威沙特分布对系统预测协方差矩阵进行描述,并通过变分贝叶斯推理递归计算系统状态的后验分布.仿真结果和实验验证表明,在噪声信息和状态模型不确定条件下,所提出算法具有较高的估计精度.     

VBR MPEG视频源流量的智能集成预测模型

由于VBR视频流量的预测能力是直接关系缓冲区设计、动态带宽分配及拥塞控制等提高网络服务质量的关键因素,因此,以多媒体主要应用形式VBRMPEG视频源为研究对象,提出了一种基于模糊神经网络的视频流量智能预测模型。通过设计模糊预测器减少输出比特流的预测误差,采用神经网络减少多步预测的计算量。仿真试验表明,与标准AR模型预测结果相比,该模型显著提高了预测的准确度和可靠性,且易于推广使用。     

冷连轧AGC 系统的自适应Smith 广义预测控制

针对冷连轧AGC 系统存在较大的时间滞后以及对象模型参数时变的特点,提出了一种自适应Smith 广义预测控制算法. 该算法用Smith 预估器来克服滞后的影响,利用激光测速仪间接测量AGC 系统的滞后时间以修 正Smith 预估器的时滞部分模型,使用渐消记忆递推最小二乘算法在线辨识对象参数来修正Smith 预估器的非时滞 部分的模型,并根据辨识得到的对象参数设计自适应广义预测控制器代替传统Smith 预估算法中的PID 控制器. 仿 真研究表明,在模型失配及干扰的情况下,该控制算法仍然具有良好的控制性能和鲁棒稳定性能.     

一类双线性系统的广义预测控制研究

双线性模型预测控制的研究表明,采用一般双线性模型的预测控制将涉及非线性优化问题,在线处理相当困难,而采用线性近似模型的预测控制又会带来较大的偏差.针对一类输入一输出双线性系统,提出了一种双线性系统的广义预测控制算法.该算法将基于输入-输出模型双线性系统中的双线性项和线性项合并,建立了一种类似于线性系统的ARIMA模型,并充分利用多步最优预测信息,由递推近似实现多步预测.控制律具有解析形式,避免了一般非线性寻优的复杂计算,并能适用于非最小相位双线性系统.仿真实验表明该算法具有良好的控制效果.     

含有色噪声的神经模糊Hammerstein模型分离辨识

针对实际工业过程中普遍存在的有色噪声,本文提出一种基于递推增广最小二乘算法的神经模糊Hammerstein模型辨识方法,突破了传统的Hammerstein模型迭代分离算法.首先,利用多信号源实现Hammerstein模型中静态非线性环节和动态线性环节的分离,大大简化了辨识过程,提高了串联环节参数的分离精度.其次,利用长除法将噪声模型用有限脉冲响应模型逼近,采用增广递推最小二乘法进行线性环节的参数估计.最后,采用神经模糊模型拟合静态非线性环节,同时设计了神经模糊模型参数的非迭代优化算法,改善了模型的使用范围.该方法保证了模型的预测精度,对含有色噪声的非线性系统具有较好的拟合效果.仿真结果验证了上述方法的有效性.     

基于未知输入观测器的非线性时间序列故障预报

将未知非线性系统的输出作为时间序列并进行空间重构,针对得到的离散线性时变系统,提出了基于未知输入观测器的预测新方法.以实时拟合时间序列的线性AR模型作为时变系统的已知线性部分,将拟合误差作为时变系统的未知输入,实现了对非线性时间序列的一步预测.再利用递推预测的方法,将一步预测推广到N步预测,同时证明了该方法的预测误差有界.通过未知输入的预测值和状态的预测误差的变化可以方便地判断故障的发生,实现故障预报.仿真结果证明了方法的有效性.