内模自适应卡尔曼滤波在视觉诱发脑电信号提取中的应用──提取视觉诱发脑电信号的新方法之五

基于确定性有用信号和扰动各自的内模建立了视觉诱发脑电（ＶＥＰ）和自发脑电（ＥＥＧ）混合信号的扩展状态空间模型．然后,将利用非线性推广卡尔曼滤波迭代型算法所形成的内模自适应卡尔曼滤波算法用于提取ＶＥＰ信号．数字仿真和临床试用结果表明了该方法的有效性．     

永磁直线同步电机自适应内模控制研究

为了解决永磁直线同步电机（PMLSM）运行过程中对系统参数摄动及负载扰动等不确定因素敏感的问题,结合内模控制和模型参考自适应控制各自的优点,设计了PMLSM自适应内模控制器（AIMC）.仿真结果表明,自适应内模控制器同常规PI控制器相比,具有更好的动态稳定性和跟踪性能,对外界干扰具有较强的鲁棒性.     

内模滤波与小波分解结合用于视觉诱发脑电信号提取──提取视觉诱发脑电信号的新方法之六

为了从强自发脑电ＥＥＧ背景中提取视觉诱发脑电（ＶＥＰ）信号,按内模滤波方法,利用递推最小二乘算法估计叠加后的ＶＥＰ信号的内模参数;然后以在线迭代的方式来设计具有自适应能力的内模滤波器,并将其与小波变换方法恰当结合．临床试用结果表明,此法比单纯采用按典型ＶＥＰ信号的内模参数设计内模滤波器,或单纯采用小波变换法提取ＶＥＰ信号效果更理想．     

一类不确定非线性系统的鲁棒自适应控制

针对具有有界扰动的参数化严格反馈非线性系统,提出了一种鲁棒自适应控制方案。用辨识器估计系统未知参数,利用“确定性等价原则”构成自适应控制方案,从而实现了辨识器与控制器设计的完全分离。所设计的自适应控制器既能保证闭环系统所有信号的全局有界性,又能使输出跟踪误差以指数速度收敛到零的一个小邻域内。仿真结果表明了所提控制方案的有效性。     

内模滤波新方法在视觉诱发脑电信号提取中的应用──提取视觉诱发脑电信号的新方法之四

提出了内模滤波新方法的基本思想和设计方法．针对从强自发脑电（ＥＥＧ）背景噪声中提取视觉诱发脑电（ＶＥＰ）信号这一极低信噪比（ＳＮＲ）情况下的滤波问题,先利用递推最小二乘算法估计出典型ＶＥＰ信号的内模多项式的参数,再据此设计内模滤波器．给出了内模滤波器的设计方法,并用于提取ＶＥＰ信号．数字仿真和临床试用结果表明了内模滤波器具有低ＳＮＲ下的信噪分离能力．     

基于自适应卡尔曼滤波的GNSS矢量锁定环路

为了减小卫星信号信噪比变化对全球导航卫星系统(GNSS)接收机当中矢量锁定环路(VLL)的不良影响,使用一种基于新息的自适应卡尔曼滤波方法对其改进,以实现对VLL滤波器观测噪声协方差矩阵的实时调整．使用后处理软件全球定位系统(GPS)接收机处理信号发生器产生的中频数据以对提出的方法进行验证．实验结果表明,相对于传统标量环路(SLL),基于自适应卡尔曼滤波的VLL可以在信噪比降低甚至可见卫星数目不足的环境下工作,其载波频率跟踪精度及导航定位解精度均优于固定参数矢量环路和传统标量环路．     

考虑输入饱和的异步电机自适应位置跟踪控制

针对异步电动机驱动系统存在着参数不确定性、外部负载扰动以及输入饱和限制等问题,本文根据自适应反步法的原理,研究了异步电动机驱动系统的位置跟踪控制策略。在同步旋转坐标(d-q)下,建立异步电动机驱动系统的数学模型,考虑异步电动机驱动系统存在输入饱和,利用神经网络逼近系统中未知的非线性函数,并采用自适应反步控制技术构造位置跟踪控制器,同时利用Matlab软件进行仿真试验。仿真结果表明,异步电动机驱动系统的位置信号可以快速跟踪给定的期望位置信号,当电压过大时能够进行限制,能够克服参数不确定、负载扰动以及输入饱和限制的影响;当t=5s时,改变负载扰动,电机仍能快速地跟踪期望的信号,说明该自适应位置跟踪控制器能够有效地克服负载扰动发生变化而引起的影响,能够实现对异步电动机的有效控制。该研究具有一定的实际应用价值。     

线性时滞系统内模控制的研究

内模控制是近年来发展起来的一种新型控制方法,分析它的原理对于工程应用和理论研究具有重要的意义。从IMC结构分析人手揭示了内模控制的本质,证明了该系统可实现对阶跃信号的无差跟踪及在阶跃信号扰动下可实现无差控制,给出了时滞线性系统内模控制器和内模滤波器的设计方法。并基于MATLAB仿真研究表明,线性时滞过程的内模控制具有较好的鲁棒性,有一定的应用价值。     

双级迭代自适应卡尔曼滤波算法

针对高速目标的跟踪定位问题,提出了基于"当前"统计模型的双级迭代自适应卡尔曼滤波算法。首先利用三球交点定位算法对观测值进行处理,得到目标位置初始估计值;采用初始估计值中的速度新息的特征函数和加速度新息的特征函数推导出迭代参数表达式,再使用目标运动特性对迭代参数取值进行限定;最后将迭代参数应用到自适应卡尔曼滤波算法实现滤波。仿真的结果表明,双级迭代自适应卡尔曼滤波的速度估计优于"当前"统计模型的速度估计,并且双级迭代自适应卡尔曼滤波的稳健性更好。     

线性时滞系统内模控制的研究

内模控制是近年来发展起来的一种新型控制方法，分析它的原理对于工程应用和理论研究具有重要的意义。从IMC结构分析人手揭示了内模控制的本质，证明了该系统可实现对阶跃信号的无差跟踪及在阶跃信号扰动下可实现无差控制，给出了时滞线性系统内模控制器和内模滤波器的设计方法。并基于MATLAB仿真研究表明，线性时滞过程的内模控制具有较好的鲁棒性，有一定的应用价值。     

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。     

基于卡尔曼滤波的地表移动变形预测

针对传统卡尔曼滤波模型在地表变形预测中依赖于噪声和数学模型而导致的运行发散问题,提出了一种基于方差补偿自适应卡尔曼滤波的建筑地表移动变形预测分析方法.提出的自适应卡尔曼滤波主要是通过适当的估算和修正系统模型的不确定参数以及噪声的统计特性,来弥补滤波过程中噪声方差的不足.建立了自适应卡尔曼滤波的数学模型,并在Matlab软件上对地表移动变形预测进行了仿真分析,其结果验证了所提卡尔曼滤波方法在地表移动变形预测应用中的可行性,表明该方法有效提高了实时预测的可靠性和预测精度.     

Adaptive Extended Kalman Filtering for Bearings-Only Targets Tracking Problem

0INTRODUCTIONfileproblemofestimatingthestatesofatalgetfrompassivemeasurementshasgeneratedalotofinterestduetoitsapplicationsinship-trackingandhondng-missilegUidance.AdifficultyinobtaininggabestimatesforthetargetmotionanalysisarisesfromhavingtouseonlyangUlarobservations(inthecaseofpassivemeasurements)toextractinformationaboutfoepositions,velocitiesandthetargetaccelerations.Mathematically,thisI,rohlemcanbedescribedinaninertialrectangularcoordinateframebyalineardynamicalmodelandanonlinearobse…     

微弱高频CW信号的自适应滤波

高频电报(CW)是强噪声背景下战术应急通信的主要工作方式,由于高频信道是典型的随参信道,不可能事先已知干扰噪声的统计特性。该文提出了一种基于ARMA新息模型的CW信号自适应Kalman滤波方法,以解决高斯背景下高频电报系统干扰噪声方差未知的问题。根据CW信号的时频域特征定义状态空间随机信号模型,构造ARMA新息模型,通过在线辨识新息模型参数来估计Kalman滤波增益,实现CW信号的自适应跟踪滤波。仿真结果表明,该方法能够有效估计微弱高频CW信号时域波形,算法可递推实现,实时性强。     

一类具有多种不确定性机器人系统的自适应控制

机器人系统含有不同类型的不确定性因素,这些因素的存在可能会影响系统的控制精度,甚至引起系统不稳定。针对具有外部干扰、内部动力学参数不确定性以及未知死区特性的一类不确定性机器人系统,提出了一种基于干扰观测器的自适应控制器。首先建立具有外部干扰的机器人系统非线性数学模型,并对模型中内部动力学参数不确定性和未知死区特性进行了分析。采用非线性干扰观测器对系统所受到的外部干扰进行估计和补偿,在干扰观测器的基础上设计自适应控制器用来处理内部动力学参数的不确定性以及未知的死区特性。最后采用李雅谱诺夫函数法从理论上证明了系统的稳定性和位置跟踪误差的收敛性,并采用数值仿真验证了所设计方法的有效性。     

H∞滤波在惯导/GPS组合导航应用的比较分析

为分析H∞滤波算法在惯性导航系统INS/GPS组合导航应用中对动态环境的自适应能力,选用卡尔曼滤波算法和Sage-Husa算法作为对照,并改进了Sage-Husa算法,构造了较为全面的惯导系统误差模型、扰动数据情形和飞行轨迹,比较分析了三种算法的自适应能力.仿真结果表明:在这种验证环境中,H∞滤波算法可调参数受到的约束较多,与改进的Sage-Husa算法相比,卡尔曼增益和估计协方误差与量测值变化的相关性较弱,导致自适应能力较弱.在这类模拟动态环境中H∞滤波算法的自适应能力要低于改进的Sage-Husa算法.方法和结果对于鲁棒的INS/GPS组合导航算法的工程化应用有较高的实用价值.     

基于强跟踪卡尔曼滤波的电池SOC估计

针对锂电池模型不准确和状态突变导致SOC估计精度不佳的问题,提出了引入时变渐消因子的强跟踪卡尔曼滤波算法.以HPPC试验方法辨识了锂电池的等效二阶RC模型,对比分析了现有的扩展卡尔曼滤波原理及提出的强跟踪卡尔曼滤波算法.通过结合强跟踪原理和卡尔曼滤波算法并引入时变渐消因子,提出的方法能够强制估计残差保持正交特性,并保证残差满足高斯白噪声特性.仿真验证表明,与扩展卡尔曼滤波原理相比,在模型不准确和状态突变的情况下,强跟踪卡尔曼滤波算法具有更高的估计精度,估计误差低于2.5%,提高了近45%.     

基于粒子滤波和自适应模型的目标跟踪算法

为了提高粒子滤波的性能,使用集合卡尔曼滤波对建议分布进行改进,同时提出了用于视频跟踪的自适应融合模型．使用集合卡尔曼滤波结合当前的观测信息构造建议分布,结合当前观测信息对每一个粒子进行集合分析,得到新的建议分布,依据新的建议分布对粒子进行采样,同时在跟踪过程中将颜色特征模型和形状特征模型进行融合,并进行自适应更新．实验结果证明：相对于传统粒子滤波和扩展卡尔曼粒子滤波,使用新的建议分布可以更有效地降低均方根误差,同时自适应融合模型的稳定性要高于使用单一颜色模型．使用新的建议分布和融合模型,可以有效提高粒子滤波的准确性和稳定性．