移动抗差最小二乘在事故预警中的应用

针对实时在线递推参数对含粗差的观测量相当敏感,个别粗差就会对参数的估值产生较大的影响的这种情况,本文通过选择合适的权函数,采用抗差最小二乘来代替传统最小二乘法来在线估计AR模型参数.对鄂北石油钻井数据的大钩负荷测量数据进行仿真,对抗差最小二乘和传统最小二乘法结果进行比较.结果表明,抗差递推最小二乘法能得到满意的参数估计,同时能满足该系统的实时性,具有更强的容差能力.     

非线性多功能传感器信号重构的抗差估计方法研究

在非线性多功能传感器的信号重构过程中,训练样本集不可避免地夹杂粗差数据。为了得到既有较强抗差性又有较高效率的估值,采用抗差最小二乘法在粗差干扰条件下进行参数估计。抗差最小二乘估计通过等价权把抗差估计原理与加权最小二乘形式结合在一起,因此在抵抗粗差的同时保持了最小二乘法的优点。非线性信号重构的粗差抑制结果表明,抗差最小二乘法计算速度快,且具有良好的抗粗差能力和收敛可靠性。     

一种基于鲁棒估计的极限学习机方法

极限学习机(ELM)是一种单隐层前馈神经网络(single-hidden layer feedforward neural networks,SLFNs),它相较于传统神经网络算法来说结构简单,具有较快的学习速度和良好的泛化性能等优点。ELM的输出权值是由最小二乘法(least square,LE)计算得出,然而经典的LS估计的抗差能力较差,容易夸大离群点和噪声的影响,从而造成训练出的参数模型不准确甚至得到完全错误的结果。为了解决此问题,提出一种基于M估计的采用加权最小二乘方法来取代最小二乘法计算输出权值的鲁棒极限学习机算法(RBELM),通过对多个数据集进行回归和分类分析实验,结果表明,该方法能够有效降低异常值的影响,具有良好的抗差能力。     

基于小波分析的直线拟合及应用

直线是图像分析中非常重要的描述符号。对工业控制中的现象进行图像处理时通常用到最小二乘法对直线拟合。对于估计精度要求较高的情形,传统最小二乘法往往不能满足要求。基于此,本文将离散小波变换和传统最小二乘法相结合,建立了一种基于小波测量预处理的最小二乘估计的新型解法,获得了比传统最小二乘法好得多的估计结果,实验证明了该方法的有效性及高精度性。     

基于IGG的特高压输电线路序参数抗差辨识方法研究

为保障特高压输电网的安全、稳定运行,减少特高压输电线路序参数误差影响,基于测量与地球物理研究所(IGG)准则对特高压输电线路序参数在线抗差辨识方法进行研究。构建特高压输电线路相分量模型,从中获取各序分量三相不平衡情况的相量测量单元(PMU)数据。在自适应最小二乘的序参数在线抗差辨识方法的基础上,通过IGG权函数更充分处理各类量测数据,通过残差分布的自适应估计,再结合中位数原理估计残差序列的数学期望与标准差,为IGG权函数选取合理的抗差阈值,实现序参数最佳在线抗差辨识。试验结果表明：当不存在量测误差时,该方法可以获得准确的序参数在线辨识效果,且不受电压不平衡度的影响;当存在量测误差时,辨识相对误差始终低于0.4%。对比其他方法,本研究方法具有更好的应用能力,能保障电网系统的安全运行。     

基于惯导/数据链的动态相对定位方法

针对卫星导航定位在复杂环境不可靠情况下如何实现无人机机间相对定位问题,提出一种基于机载惯性导航系统与机间数据链测距相结合的动态相对定位算法。该方法利用机载数据链通信测距能力与机载惯性导航系统输出的无人机速度矢量信息结合,建立机间相对定位模型,通过最小二乘法对无人机之间的相对位置进行估计,实现无人机机间的实时相对定位能力。由于通过最小二乘法解算出的相对定位结果依然存在误差,针对最小二乘法相对定位误差,提出秩亏网平差算法对无人机机群间的相对定位误差进行校正。仿真结果表明：基于最小二乘法的相对定位方法可以减缓惯性导航系统相对定位误差发散速度并且将惯导相对定位精度提高到3倍左右,通过秩亏网平差算法校正将最小二乘相对定位精度提高2倍。     

基于ANN伪量测建模的配电网状态估计

针对配电网状态估计实时量测数量的不足,提出了一种基于ANN伪量测建模的配电网状态估计算法。该方法采用人工神经网络网络（ANN）,将部分实时量测数据作为神经网络的输入,产生较为精确的负荷伪量测数据。此外,应用高斯混合模型对产生伪量测的误差进行分解拟合,从而获得负荷伪量测的权重。最后,将获得的伪量测及其权重输入到状态估计模块中,实现了配电网的状态估计。通过英国标准配网系统（UKGDS）中16节点模型的仿真结果表明,该算法提高了配电网状态估计的精度,具有一定的现实意义和理论价值。     

基于小波分析的最小二乘拟合及应用

直线是图像分析过程中非常重要的描述符号。在工业控制中,图像处理通常采用最小二乘法对直线进行拟合,但在对估计精度要求较高时,传统最小二乘法往往不能满足要求。将离散小波变换和传统最小二乘法相结合,建立了一种基于小波预处理的最小二乘估计的新方法,获得了比传统最小二乘法效果更好的估计结果。试验证明了该方法的有效性和高精度性。     

时变迭合AR模型的参数估计*

首次提出了时变迭合ＡＲ模型,该模型在实际应用中具有广泛的应用价值．应用两步最小二乘法和限定记忆递推最小二乘法,给出了模型中时变参数的递推估计算法,该算法仅依靠量测数据即能自适应进行．仿真计算及应用结果表明：算法能够自适应地跟踪量测数据模型参数的变化,效果是令人满意的．     

基于抗差估计方法的WSN节点定位算法研究

针对无线传感器网络在实际应用中,节点间测距结果往往含有粗差,并会严重影响未知节点坐标估计值的准确性和可靠性这一问题,引入抗差估计理论,采用IGGⅢ权因子函数,设计了一种基于抗差估计的节点定位算法。该算法能对含有不同幅度的测量误差分别采取保权、降权和淘汰等相应处理,明显提高定位精度。仿真实验表明:在无粗差的情况下,本文算法与经典最小二乘定位算法的定位效果保持了良好的等效性;在含有粗差的情况下,本文算法借助于选择的阈值,对不同的粗差采取剔除以及降权等适当处理,比经典最小二乘定位取得了更高的定位精度,保证了估计结果的无偏性,体现出良好的抗差性能。     

基于DBSCAN的无线传感网定位方法

在NLOS传播环境下,为了获得更好的定位性能,由多个已知传感器节点测量来自未知节点的电波到达时间TOA,对TOA测量数据进行分组处理和加权最小二乘估计进而获得未知节点的初步定位结果,依据多次测量和估计并采用DBSCAN进行聚类处理从而剔除坏点获得较小的定位误差,实现了对未知节点的精确定位,最后进行实验仿真。计算机仿真结果表明所提出的定位方法能有效地抑制NLOS误差,具有较小的定位误差,鲁棒性较强,并较其他传统定位法进一步提高了定位精度。     

改进的p-q检测法在D-STATCOM电流检测中的应用

分析了传统的p-q检测法检测负载电流中的谐波、无功和负序电流量时产生误差的原因,提出了一种改进的p-q检测法。改进的p-q检测法利用电网中的一相电压构造虚拟的对称三相系统以代替实际电网的三相电压,可在电网电压不对称时仍能准确地检测出负载电流中的谐波、无功和负序电流,从而消除不对称因素造成的补偿电流检测的误差。仿真结果证实了该检测法的正确性。     

基于加权最小二乘优化的DV-HOP定位算法

确定事件发生的传感器节点位置是大多数无线传感网络应用场景中不可缺失的一部分。目前,在资源受限的无线传感网络中设计高精度定位算法仍是一个极具挑战性问题。为此,深入分析了DV-HOP算法中误差产生的原因,提出一种改进的DV-HOP算法。该算法为了降低计算所带来的固有误差,估算坐标时采用不直接对估算方程进行平方的方法;此外,为了进一步降低误差,采用了加权最小二乘法进行坐标估算;最后,采用理论分析的方法对算法进行了误差分析。仿真结果表明改进的算法与传统DV-HOP算法及文献[16-17]中的算法相比定位精度得到明显改善,分别提高了40%、28%和15%。     

基于压缩感知的正交频分复用信道估计方法

传统的信道估计方法未充分利用信道的稀疏性。利用信道冲激响应的稀疏特性,提出了将FOCUSS(Focal Underdetermined System Solver)压缩感知算法应用到信道估计中,从均方误差和正确检测率方面分别与传统最小二乘估计和正交匹配追踪压缩感知信道估计相比较。仿真结果表明,本文算法的均方误差较小,正确检测率较高,能够以较少的导频信号获得好的估计性能。     

人工智能技术在电力系统状态估计的应用研究

为了有效地提高状态估计的计算精度和鲁棒性,将人工智能技术与电网数据相结合,提出了基于偏最小二乘(PLS)和极限学习(ELM)的电力系统状态估计方法。针对量测量之间的强相关性问题,采用偏最小二乘(PLS)对各量测量进行重要信息提取和变量选择,将得到的最优变量输入ELM模型,从而建立了状态量的PLS-ELM模型,然后,采用IEEE14节点系统数据样本和实际电网历史数据对所提方法进行了验证,并将该方法与其他方法进行对比。结果表明,所提状态估计方法降低了模型的复杂程度,能够有效地抵抗量测量中的不良数据,具有较高的估计精度和较强的鲁棒性。     

基于最小二乘法的高速列车位置估计

随着高铁列车运营速度的不断提高,列车运行控制系统对列车的定位精度要求也越来越高。每经过一个定位应答器,列车将进行一次位置校核,使定位误差变为0 m。但列车在相邻两应答器间的定位误差会随着列车不断的运行而逐渐增大。针对这一问题,建立了列车位置计算的数学模型,以及高速铁路列车位置估计的速度平均法模型和最小二乘法模型;利用武汉-广州高铁实测数据对模型进行验证。结果表明,与速度平均法模型相比,最小二乘法模型能减少一半的定位误差,能更好地估计列车的位置。     

时变系统有限数据窗最小二乘辨识的有界收敛性

利用随机过程理论证明了有限数据窗最小二乘法的有界收敛性,给出了参数估计误差 上界的计算公式,阐述了获得最小均方参数估计误差上界时数据窗长度的选择方法.分析表明, 对于时不变随机系统,数据窗长度越大,均方参数估计误差上界越小;对于确定性时变系统,数 据窗长度越小,均方参数估计误差上界越小.因此,对于时变随机系统,一个折中方案是寻求一 个最佳数据窗长度,以使均方参数估计误差最小.该文的研究成果对于提高辨识算法的实际应 用效果有重要意义.     

MIMO-OFDM系统中一种基于均方误差估计的最优导频设计

在MIMO-OFDM系统信道估计算法中,基于频域的最小二乘法在保证一定误差性能的条件下具有较低的系统实现复杂度,但其误差性能并非最佳。在比较多种导频辅助算法后,从接收端任意天线出发,设计了一种改善信道估计性能、减小算法复杂度的新导频结构。该导频序列中相位是相互正交且均匀分布的。而且与已有研究结果中导频矩阵设计采用实部加虚部的形式不同,文中的导频矩阵元素为实数或纯虚数,从而可以有效减小运算的复杂度。理论推导证明,新提出的导频结构是最佳的,均方误差最小。仿真结果显示,新提出的算法在不增加复杂度的基础上,具有比传统的最小二乘法更小的均方误差,并随着信噪比的增大越加明显;该算法比传统的最小二乘法系统误符号率小很多;随着子载波数的增加,在大信噪比的情况下,新提出的算法性能更为优越。     

基于多速率传感器数据融合技术的最小二乘估计

将多速率传感器数据融合技术与传统最小二乘估计方法相结合,可以得到一种基于多速率传感器数据融合技术的最小二乘估计新方法。它通过有效地融合各个传感器的观测数据,最终获得了基于全局测量信息的在极小化估计误差方差的迹的准则下最优的无偏参数估计结果。针对具体应用实例,计算机仿真不仅说明了这种方法的实用性,而且进一步验证了其有效性。