基于正交最小二乘和UD分解的模糊建模方法

通过改进模糊聚类方法确定模糊模型的前件结构，并对模糊推理关系矩阵进行正交最小二乘估计。通过分析正交向量在模型中贡献的大小确定聚类规则的有效性，然后采用基于UD分解的最小二乘确定模糊模型的后件参数，实现模糊模型的结构和参数的优化。该方法已成功地应用于Box-Jenkins煤气炉的数据系统建模。     

基于高斯混合模型聚类的非均匀采样系统的多模型切换辨识

从概率统计方法出发,提出一种基于高斯混合模型聚类与递推最小二乘算法的非均匀采样系统的多模型建模方法.首先,采用高斯混合模型作为调度函数,使用最大期望(EM)算法迭代更新估计高斯混合模型中参数,从而通过每个子系统的高斯概率密度函数计算和比较来确定子系统的激活情况; 其次,采用递推最小二乘算法估计局部子系统参数;然后,使用鞅收敛定理对所提出的算法性能进行分析; 最后,通过非均匀采样系统的多模型建模来证明所提出方法的有效性.     

具有谐波减速器的机器人关节建模与动力学参数辨识

针对串联机器人,提出了一种改进的机器人关节模型,并采用该模型开展了机器人动力学建模与辨识工作。建立了机器人动力学模型,对机器人关节结构进行分析,改进了关节模型,并通过谐波减速器的输入力矩近似估计其摩擦力矩。选取傅里叶级数为激励轨迹并优化其参数,通过控制关节按照所得轨迹运动,采集并处理相关数据,并基于加权最小二乘法分别辨识机器人关节模型参数与连杆动力学参数。通过关节预测力矩对所得参数进行验证,结果表明,基于改进关节模型的机器人动力学模型精度得到明显提升。     

一种模糊辨识方法及其在电站仿真器中的应用

利用模糊聚类和最小二乘估计方法提出一种糊辨识方法。该方法是基于模糊聚类,计算给定样本在各类中的隶属度,并利用递推最小二乘估计辨识模糊模型的后件参数。采用该方法对火力发电厂电站仿真器中的汽轮发电机密封油冷却系统进行建模研究,取得了满意的效果。     

最小二乘法估计地震检波器的参数

采用最小二乘法结合理论－实验二次建模对地震检波器的参数进行了估计。     

损失数据线性参数系统的递推最小二乘辨识方法

针对损失数据线性参数系统的参数辨识问题, 借助辅助模型辨识思想推导出其变递推间隔辅助模型递 推最小二乘算法.为了提高该算法的计算效率, 利用分解技术得到变递推间隔分解递推最小二乘算法 估计系统参数.此外, 在变递推间隔分解递推最小二乘算法中引入遗忘因子, 从而提高参数估计精度和收敛速度.仿真结果表明, 所提出的算法能有效估计系统参数.     

基于KPLS-LSSVM的航煤闪点和干点软测量应用研究

软测量技术是解决流程工业中一类难以在线测量变量估计问题的有效方法。本文提出了一种基于核偏最小二乘方法(KPLS)和最小二乘支持向量机(LS-SVM)的航煤闪点和干点软测量建模方法,采用核偏最小二乘方法对输入变量进行数据压缩,消除变量之间的相关性,简化最小二乘支持向量机模型结构,并通过混沌粒子群—模拟退火方法(CPSO-SA)对最小二乘支持向量机的参数进行优化选择。将优化结果应用于CDU航煤闪点和干点软测量建模,结果表明:该方法具有学习速度快、跟踪性能好以及泛化能力强等优点,为分馏过程在线质量控制的实施奠定了基础。     

基于APSO—LSSVM的软测量建模研究

针对最小二乘支持向量机在生化过程建模中的重要建模参数值选择问题,提出利用具有较强的全局搜索能力的自适应粒子群（APSO）优化算法,对最小二乘支持向量机建模过程中的重要参数进行优化调整,每一个粒子的位置向量对应一组最小二乘支持向量机建模的参数。利用参数优化调整后得到的具有较优拟和预测效果的模型对谷氨酸发酵过程进行预测,仿真结果表明该方法能使模型取得较好的预测效果。     

基于PSO和LSSVM的生化过程建模研究

针对最小二乘支持向量机(LSSVM)在生化过程建模中的重要建模参数值选择问题.提出利用具有较强的全局搜索能力的粒子群(PSO)优化算法.对最小二乘支持向量机建模过程中的重要参数进行优化调整,每一个粒子的位置向量对应一组最小二乘支持向量机建模的参数.利用参数优化调整后得到的具有较优拟合预测效果的模型对谷氨酸发酵过程进行预测,仿真结果表明,该方法能使模型取得较好的预测效果.     

基于最小二乘支持向量机的自适应逆扰动消除控制系统

研究一种基于最小二乘支持向量机的自适应逆扰动消除控制器的设计问题,给出了基于最小二乘支持向量机的建模和逆建模方法,以及贝叶斯证据框架下高斯核支持向量机估计算法的参数选择方法.仿真结果验证了该方法的有效性.     

基于动态遗忘因子最小二乘与EKF的电池SOC估计

电池荷电状态SOC（State Of Charge）作为电池管理系统中尤为重要的一部分,其准确估计成为锂离子电池研究的重点。为了提高动态工况下的SOC估计精度,对锂离子电池等效模型进行分析,基于AIC（赤池信息）准则确定二阶RC电路为等效电路模型,使用递推最小二乘算法对模型参数进行在线辨识,为提高辨识精度,提出了改进带动态遗忘因子递推最小二乘算法,对算法加入遗忘因子,通过电压结果误差实时动态调整算法遗忘因子取值。将递推最小二乘算法和含动态遗忘因子最小二乘算法分别与扩展卡尔曼滤波（EKF）算法进行SOC联合估计,并对比其预测效果,结果表明含有动态遗忘因子最小二乘与EKF联合估计模型具有更高的精度和鲁棒性。     

基于库伦-粘性摩擦模型的大腿假肢动力学参数辨识

基于模型的智能假肢控制方式具有物理意义明确、参数变量少的优势,但受建模误差、模型不确定等因素的影响,其控制精度仍有待进一步提高,而有效措施之一便是假肢先验动力学建模与辨识.本文针对实验室新设计的动力大腿假肢,研究了基于库伦-粘性摩擦的大腿假肢动力学参数辨识问题.首先,基于拉格朗日方法建立了具有固定传动比动力膝关节和非线性传动比动力踝关节的大腿假肢动力学模型;其次,采用库伦-粘性摩擦模型来描述假肢动力学模型中的关节摩擦行为;最后,通过粒子群优化算法辨识了大腿假肢的动力学参数.结果表明,相比于基于3D建模软件的估计参数,基于辨识参数重构的膝、踝关节电机扭矩与实测扭矩的均方根误差分别降低了93.55%和80.83%,模型精度得到了显著提高.这一结果不仅验证了本文假肢动力学建模与参数辨识方法的有效性,也为假肢后续的高精度控制提供了技术支撑.     

Accurate estimation of the largest divergence rate for a class of the 3rd-order switched linear systems

The largest divergence rate is a characterization of the stability behavior for dynamic systems, which has been proven to be equal to the least possible common matrix set measure (extreme measure) of switched linear systems. To determine the largest divergence rate is an interesting and open problem. In this paper, an algorithm is introduced to estimate the largest divergence rate for a class of the 3rd-order switched linear systems, by which any desired accurate estimation could be derived. It explores a way to determine the largest divergence rate for the 3rd-order switched linear systems. Furthermore, the accurate estimation provides a qualitative and quantitative analysis for guaranteed stability of switched linear systems.     

基于时延估计的扰动卡尔曼滤波器外力估计

针对机械臂末端力估计存在模型误差及系统扰动等问题,提出了一种基于时延估计的扰动卡尔曼滤波器外力估计法。在不使用额外力传感器的情况下,通过电机驱动电流的测量,采用时间延时估计法设计出不需要精确动力学模型的估计器。将外力作为状态变量,对系统的不确定性和扰动进行观测,考虑机械臂动力学和扰动动力学,设计出扰动卡尔曼滤波器来估计末端所受外力。使用Matlab仿真软件验证了该方法的有效性,结果表明所提估计方法对具有测量噪声、模型误差及不确定性扰动的系统具有很好的鲁棒性。     

北京市玉米农情卫星遥感动态监测

通过卫星遥感图像和地面样点的综合分析，对北京市1998～2001年的玉米种植情况、长势和收获产量进行了动态变化监测，为农业管理部门迅速了解玉米农情，进行科学管理提供了客观、准确的信息。     

基于Thevenin模型和自适应卡尔曼的SOC估算研究

精确的荷电状态(SOC)值在电池的应用开发中具有重要的意义.选择合适的滤波算法是精确估算的前提.由于扩展卡尔曼滤波(EKF)中噪声的给定值与实际工况下噪声的统计特性不符,导致估算精度低.为提高SOC估算精度,构建能准确反映锂电池工作特性的Thevenin电路模型.在此基础上,构建状态方程和观测方程,提出自适应卡尔曼滤波...     

基于误差补偿的复杂场景下背景建模方法

在基于子空间学习的背景建模方法中,利用背景信息对前景误差进行补偿有助于建立准确的背景模型.然而,当动态背景（摇曳的树枝、波动的水面等）和复杂前景等干扰因素存在时,补偿过程的准确性和稳定性会受到一定的影响.针对这些问题,本文提出了一种基于误差补偿的增量子空间背景建模方法.该方法可以实现复杂场景下的背景建模.首先,本文在误差补偿的过程中考虑了前景的空间连续性约束,在补偿前景信息的同时减少了动态背景的干扰,提高了背景建模的准确性.其次,本文将误差估计过程归结为一个凸优化问题,并根据不同的应用场合设计了相应的精确求解算法和快速求解方法.再次,本文设计了一种基于Alpha通道的误差补偿策略,提高了算法对复杂前景的抗干扰能力.最后,本文构建了不依赖于子空间模型的背景模板,减少了由前景信息反馈引起的背景更新失效,提高了算法的鲁棒性.多项对比实验表明,本文算法在干扰因素存在的情况下仍然可以实现对背景的准确建模,表现出较强的抗扰性和鲁棒性.     

Dynamic maintenance of data distribution for selectivity estimation

We propose a new dynamic method for multidimensional selectivity estimation for range queries that works accurately independent of data distribution. Good estimation of selectivity is important for query optimization and physical database design. Our method employs the multilevel grid file (MLGF) for accurate estimation of multidimensional data distribution. The MLGF is a dynamic, hierarchical, balanced, multidimensional file structure that gracefully adapts to nonuniform and correlated distributions. We show that the MLGF directory naturally represents a multidimensional data distribution. We then extend it for further refinement and present the selectivity estimation method based on the MLGF. Extensive experiments have been performed to test the accuracy of selectivity estimation. The results show that estimation errors are very small independent of distributions, even with correlated and/or highly skewed ones. Finally, we analyze the cause of errors in estimation and investigate the effects of various parameters on the accuracy of estimation.     

Analysis of an Improved IMU-Based Observer for Multirotor Helicopters

Multirotor helicopters are increasingly popular platforms in the robotics community. Making them fully autonomous requires accurate state estimation. We review an improved dynamic model for multirotor helicopters and analyze the observability properties of an estimator based on this model. The model allows better use of IMU data to facilitate accurate state estimates even when updates from a sensor measuring position become less frequent and less accurate. We demonstrate that the position update rate can be cut in half versus typical approaches while maintaining the same accuracy. We also find that velocity estimates are at least twice as accurate independent of the position update rate.     

A fast moving horizon estimation algorithm based on nonlinear programming sensitivity

Moving horizon estimation (MHE) is an efficient optimization-based strategy for state estimation. Despite the attractiveness of this method, its application in industrial settings has been rather limited. This has been mainly due to the difficulty to solve, in real-time, the associated dynamic optimization problems. In this work, a fast MHE algorithm able to overcome this bottleneck is proposed. The strategy exploits recent advances in nonlinear programming algorithms and sensitivity concepts. A detailed analysis of the optimality conditions of MHE problems is presented. As a result, strategies for fast covariance information extraction from general nonlinear programming algorithms are derived. It is shown that highly accurate state estimates can be obtained in large-scale MHE applications with negligible on-line computational costs.