基于改进UKF的滚动时域估计方法及其在PVC聚合过程中的应用

聚合过程具有高度非线性和时变性等特点,参数在线估计有助于聚合过程控制性能和优化效果的改善。滚动时域估计(MHE)方法是一种用于聚合过程参数和状态估计的有效方法。本文提出了一种基于改进无迹卡尔曼滤波(UKF)的滚动时域估计方法,用于氯乙烯聚合过程机理模型时变参数的估计。滚动时域估计方法的关键问题之一是抵达成本(Arroval Cost)的近似估算,文中采用2种采样策略来实现抵达成本的自适应计算和更新。将提出的方法应用于氯乙烯聚合过程传热系数的在线估计,并与传统的滚动时域估计方法相比较,体现了该方法的有效性。     

基于MHE方法的氯乙烯聚合过程在线参数估计

聚合反应过程具有非线性、时变性和不确定性等特点,这给聚合反应过程的建模和模型的在线应用带来了一定的问题。本文以氯乙烯悬浮聚合反应过程为对象,研究基于滑动时间窗口有效样本数据的模型参数在线估计技术,提出一种基于滚动时域估计(MHE)的方法,对氯乙烯聚合反应过程中传热模型中的关键时变参数——传热系数进行在线估计与实时校正。应用结果表明,基于MHE在线参数估计方法的有效性与稳定性,较好地提高了模型的自适应性和在线预测精度。     

基于滚动时域估计的非线性目标跟踪*

实际的雷达跟踪问题大多属于非线性问题,存在着各种物理约束,采用基于在线滚动优化原理的滚动时域估计方法可以有效地处理带约束非线性目标跟踪问题。滚动时域估计通过引入到达代价函数,将非线性跟踪滤波问题转换为带约束的有限时域优化问题,可以有效减少优化问题求解的计算量,能够显著提高状态估计的准确度。针对实际的雷达跟踪问题,仿真结果表明,滚动时域估计能有效地提高非线性目标跟踪的精度。     

滚动时域估计在连续搅拌釜式反应器中的应用研究

针对连续搅拌釜式反应器的多变量、非线性、带约束等特点,设计一种基于滚动优化原理的滚动时域估计方法.对比扩展卡尔曼滤波和滚动时域估计两种方法,在滚动时域估计中采用扩展卡尔曼滤波近似代替到达代价函数,并通过改变滚动时域窗口的大小有效地减小估计过程中的误差.仿真结果表明:滚动时域估计优于扩展卡尔曼滤波,能够有效地处理带约束化工过程中非线性系统状态估计问题.     

一种基于UKF的系统参数在线辨识方法

本文介绍一种基于UKF的参数在线辨识方法。把用于状态估计的卡尔曼滤波算法通过转换用于系统模型的辨识上,最后使用该方法对直升机纵向模型进行在线辨识。仿真结果表明基于UKF的在线辨识方法是一种很好的在线辨识方法。     

基于滚动时域估计的带约束运动目标跟踪*

针对实际的运动目标跟踪问题中存在的各种物理约束,采用基于在线滚动优化原理的滚动时域估计方法,将跟踪滤波问题转换为带约束的有限时域优化问题,并通过引入到达代价函数,有效减少了优化问题求解所需的计算量。最后,对实际的目标跟踪问题进行了滚动时域估计仿真研究。Monte Carlo仿真结果表明,滚动时域估计能有效提高跟踪精度,并且能在采样周期之内完成求解,满足在线估计的需要。     

基于UKF的动力调谐陀螺随机漂移建模研究

随机漂移与陀螺结构及其工作环境存在非线性关系.文中对动力调谐陀螺(DTG)漂移时间序列采用AR模型进行参数粗估计,根据所建立的参数模型,采用UKF滤波方法进行滤波处理,由于UKF是一种较好的非线性滤波方法,它既消除了非线性对陀螺漂移的影响,同时克服了AR模型参数估计过程中参数不稳所带来的误差.实验结果表明,与传统的Kalman滤波方法相比,UKF对于陀螺漂移的随机项滤除效果更好.     

一种滚动时域估计方法在目标跟踪中的应用

针对目标跟踪问题中存在的约束问题 ,拓展模型预测控制 (MPC)的在线滚动优化原理 ,介绍了一种能够将有约束的滤波问题转换为最优状态估计问题的滚动时域估计 (MHE)方法 ,并通过引入一个到达代价 (arrivecost)函数 ,有效地缩减了滤波所需的计算量 ,最后 ,将此方法应用于目标跟踪问题 ,仿真研究表明该估计器具有较好的效果     

网联车辆协同巡航系统快速滚动时域状态估计

考虑云平台监控下的网联车辆协同自动巡航控制(CACC)系统,提出一种快速滚动时域估计方法.采用网联车队纵向动力学模型描述网联车辆CACC系统,降低网联车辆CACC系统的状态能观性要求.再应用块概念设计滚动时域估计算法的噪声块结构,压缩滚动时域估计问题的优化变量个数,从而减少其在线计算量.进一步,应用李雅普诺夫稳定性定理证明估计误差系统的渐近稳定性.最后以5车网联车队系统仿真验证所提算法的有效性.     

一类非线性时滞过程的自适应控制

通过结合非线性过程的一般模型控制(GMC)、强跟踪预测器(STP)和强跟踪滤波器(SIF),提出了一类具有输入时滞非线性时变过程的自适应一般模型控制(AGMC)方法.基于强跟踪预测器对未来状态的预测,传统的一般模型控制被扩展到一类具有输入时滞的非线性过程.通过强跟踪滤波器估计非线性过程的时变参数,对STP和GMC进行在线参数修正.对三容水箱系统DTS200进行计算机仿真,仿真结果表明,该自适应控制策略是令人满意的,其状态跟踪能力强,对于模型失配也具有较强的鲁棒性.     

基于UKF的两轮自平衡机器人姿态最优估计研究

针对扩展卡尔曼滤波器(EKF)设计困难并且容易发散的问题,提出基于采样卡尔曼滤波(UKF)的方法解决滤波器设计及收敛问题,并补偿低成本的惯性传感器陀螺仪和加速度计的误差,从而得到机器人姿态的最优估计．将滤波后的模型应用到两轮自平衡机器人系统,实验结果表明UKF参数设计简单,姿态估计误差小于EKF,方差估计优于EKF,估计精度、计算量基本与EKF相当．因此,UKF能够满足两轮自平衡机器人快速机动过程中的实时姿态估计要求．     

基于M-估计的UKF算法及其在运动估计中的应用

针对运动模型的非线性和运动估计的鲁棒性问题,提出一种结合M-估计等价加权原理的鲁棒无迹卡尔曼滤波(UKF)算法(M-UKF).该算法首先利用UKF算法获得初步的运动参数的估计,然后利用M-UKF算法得到较为准确的估计值.将M-估计与UKF方法相结合,既解决了针对运动模型非线性的估计问题,又能较好地克服离群数据的干扰,大大提高估计的鲁棒性.通过模拟数据的仿真和实际图像序列的测试说明该方法的有效性.     

模型转移概率自适应的交互式多模型UKF算法

本文给出了一种基于UKF算法的参数自适应交互式多模型方法,较好的解决了非线性条件下机动目标跟踪的问题,可获得比基于EKF算法的交互多模型方法更好的稳定性和计算精度,还避免了复杂的Jacobi矩阵运算;由于该方法结合了模型概率转移自适应技术,实现了对模型转移矩阵的在线估计,降低了人为因素的影响。最后,通过Monte Carlo仿真进一步验证了该方法的正确性和有效性。     

一种非线性滤波方法用于卫星的姿态估计

由于用于卫星姿态估计的传统非线性滤波方法,即扩展卡尔曼滤波(EKF)方法不仅容易引入线性化误差,而且必须计算系统函数的Jacobi矩阵,而Unscented卡尔曼滤波(UKF)是一种比较新的非线性滤波方法,能够克服EKF的上述缺点。该方法不仅能提高滤波精度,而且更容易实现。因此,利用UKF方法,基于修正的罗德里格参数(MRPs),设计了一种无陀螺卫星的姿态估计算法,并通过仿真验证了算法的有效性。     

基于UKF 和神经网络的一类非线性系统状态估计

在模型未知的情况下,估计过程的重要变量尤为重要.鉴于此,采用不敏卡尔曼滤波(UKF)与神经网络相结合的方法,解决一类未知模型非线性系统的状态估计问题.采用动态神经网络对非线性系统进行建模,利用UKF对状态和权值进行同时更新,从而达到神经网络逼近真实模型,估计值跟随真实值的目的.通过两个仿真实例表明了所提出的方法具有良好的估计效果,并且状态在输出中的比重越大,其估计精度越高.     

基于多渐消因子强跟踪UKF 和约束AR模型的故障估计与预测

针对非线性系统中不可观测故障参数估计和预测问题, 提出一种基于多重渐消因子强跟踪无迹卡尔曼滤波(MSTUKF) 的状态和参数联合估计法, 通过引入多重渐消因子增强了对变化函数未知的故障参数的跟踪能力. 对于得到的故障参数估计值, 利用递推最小二乘法更新约束AR预测模型, 从而实现故障参数的在线估计与预测. 仿真结果表明, MSTUKF方法在故障参数估计精度上优于UKF 和单渐消因子强跟踪UKF, 约束AR模型的预测精度高于无约束条件下的预测精度.

     

UKF与EKF在卫星姿态估计应用中的比较

针对卫星的姿态和角速度估计问题,分别给出基于Unscented卡尔曼滤波(UKF)与推广卡尔曼滤波(EKF)的估计算法,并做了相应比较.为了避免欧拉角带来的奇异问题,UKF选用Rodrigues参数而EKF选用四元数参数法来描述姿态误差.考虑卫星的非线性模型,UKF采用Unscented变换而EKF采用线性化方法对姿态误差进行估计.利用陀螺和磁强计的测量信息,KF和EKF都可得到三轴稳定卫星的姿态估计值,但UKF的收敛速度高于EKF.数值仿真结果表明,当初始姿态存在大偏差时,所给出的UKF的滤波算法性能明显优于EKF.     

UKF与EKF在空对海单站TO-TMA中的应用

探讨了目标运动分析(Target moving analysis,TMA)中基本的非线性估计问题,介绍了基于UT的UKF 算法的设计思想与具体实现,特别针对空对海单站无源到达时间TMA(TO-TMA)问题应用UKF和EKF进行了对照研究,建立了问题的离散非线性滤波估计模型,设计了典型的应用场景,给出了Monte Carlo仿真运行结果;表明UKF在该特定应用背景下,由于模型的非线性较弱,使得UKF在精度上与EKF相当,而且在运算量上也有所增加.     

传感器网络中的分布式滚动时域状态估计

利用分布式滚动时域方法对无线传感器网络的状态估计问题进行研究,给出了基于量化测量值的滚动时域估计算法。在无线传感器网络的环境下处理分布式状态估计问题时,减少通信的成本是非常重要的一个环节,需要将观测值量化后再传送。以往的滚动时域估计方法无法处理量化观测值的状态估计问题,而本文的方法考虑了最严格的观测值量化情况即传感器只发送一个比特至融合中心的状态估计问题。与其它传感器网络中的状态估计方法相比,该方法减少了每一步的计算量。仿真结果验证了该算法的有效性。     

基于UKF的CDMA系统信道参数估计

CDMA系统信道时间延迟估计是一个非线性的迭代过程。UKF算法能够避免EKF由于线性化非线性系统而带来的误差过大等问题,比EKF估计的更加精确。利用UKF算法对CDMA系统信道的幅度衰减参数与延时参数进行了估计。在研究中考虑到了多址干扰和远近效应对信道参数的影响,仿真结果表明UKF算法能有效地抑制远近效应及多址干扰,估计出无线信道参数。