离散系统的鲁棒卡尔曼滤波新方法

提出了一个线性离散不确定系统的卡尔曼滤波新算法,当系统矩阵和观测矩阵都存在不确定误差时,该算法能保证系统的滤波误差有界。相对不确定系统的标称系统来说,该算法是无偏的。与同类处上比,该算法计算简单,计算量较小,实际算例显示了算法的有效性。     

非线性离散系统的反馈线性化

本文研究一类多输入非线性离散系统的线性化问题，给出了非线性离散系统状态反馈线性化的充要条件。     

反馈非线性系统随机梯度辨识算法及其收敛性

反馈非线性受控自回归系统是由前向通道的受控自回归模型和反馈通道的静态非线性构成, 这类系统经过参数化后得到双线性参数辨识模型. 本文通过对辨识模型中双线性参数乘积项进行分解, 基于梯度搜索原理, 提 出了反馈非线性系统的随机梯度辨识算法. 为了改善随机梯度算法的收敛速度, 引入遗忘因子, 文章给出了遗忘因子随机梯度算法, 利用随机过程理论, 建立了随机梯度算法的参数估计收敛定理, 证明了算法的收敛性. 最后, 通过数值仿真验证了算法的有效性.     

非线性离散系统基于观测器的反馈控制

针对一类非线性离散系统,首先提出了一种新的容易实现的状态观测器设计了方案,并证明了观测器的收敛性,其次设计了系统基于观测器的输出反馈稳定化控制器,最后给出了数值算例,仿真结果表明,本文设计方法的有效性。     

非线性离散系统的迭代学习控制方法及其应用*

本文根据误差收敛准则，提出了非线性离散系统的迭代学习算法，给出了ＰＩＤ型学习控制的收敛条件，并证明了ＰＩＤ型学习控制对预定轨线的逼近特性，在交流变频电机起动过程控制中应用表明，使用本文方法可以得到实用的结果。     

改进的非线性离散系统自适应数据驱动控制

基于同步扰动随机近似的算法, 控制器选取为一个函数逼近器, 并在这里被确定为神经网络. 控制算法中使用了自适应的参数估计, 明显改善了控制性能, 同时也给出了相应的收敛性分析. 最后, 新型的控制算法被应用到了解决非线性离散系统的跟踪控制问题中, 并通过仿真比较结果, 充分验证了这种自适应数据驱动控制策略的可行性和有效性.     

乘性随机离散系统的最优控制

基于对系统随机不确定因素的分析,文中定义了一种新型随机离散系统--乘性随机离散系统,并研究该类系统的线性二次型(LQ)最优控制问题.首先给出了该类系统的有限时间和无限时间LQ最优控制律,并着重分析、证明了无限时间LQ最优控制问题的Riccati方程的正定矩阵解的存在性及相应数值求解算法与收敛性,以及闭环系统的稳定性等问题.仿真结果表明了该方法的有效性.     

学习增强型PID控制系统的收敛性分析

针对具有可重复性的一般离散时间非线性系统, 在已存在的PID控制系统的基础上, 利用重复性的特点, 给出了一种学习增强型PID控制方法, 严格证明了收敛性, 并通过快速路交通系统的仿真验证了该方法的有效性和优越性. 该种方法的主要特点是, 不需要对已有的PID控制装置和系统做任何改动, 只需在PID控制器的外环加上迭代学习控制器即可, 是一种模块化的设计. 该方法实现了PID与迭代学习控制的优势互补.     

非线性自适应平方根无迹卡尔曼滤波方法研究

针对带有附加噪声且噪声特性未知的系统,提出了一种非线性卡尔曼滤波方法--自适应平方根无迹卡尔曼滤波（NASRUKF）方法,该方法基于平方根滤波的思想,对传统的Sage-Husa自适应滤波算法进行了改进,并与平方根无迹卡尔曼滤波（SRUKF）算法相结合用来进行非线性滤波。该算法能直接对非线性系统的状态方差阵和噪声方差阵的平方根进行递推与估算,确保状态和噪声方差阵的对称性和非负定性。将所提方法通过计算机仿真技术与SRUKF算法进行对比,结果表明NASRUKF方法在滤波精度、稳定性和自适应能力方面均优于SRUKF方法。     

非线性摄动离散系统H∞鲁棒控制

对于具有非线性摄动的离散系统,提出了H∞鲁棒控制问题.应用离散系统H\-∞范数与Riccat不等式的关系,给出了考虑具有不确定非线性摄动离散系统的H∞鲁棒性能设计准则,以此,给出了对于这样的被控对象的反馈控制器设计方法.     

Evolutionary-Programming-Based Kalman Filter for Discrete-Time Nonlinear Uncertain Systems

Some observations and improvements on the conventional Kalman filtering scheme to function properly are presented. The improvements can be achieved using the minimal principle evolutionary programming (EP) technique. A new linearization methodology is presented to obtain the exact linear models of a class of discrete-time nonlinear time-invariant systems at operating states of interest, so that the conventional Kalman filter can work for the nonlinear stochastic systems. Furthermore, a Kalman innovation filtering algorithm and such an algorithm based on the evolutionary programming optimal-search technique are proposed in this paper for discrete-time time-invariant nonlinear stochastic systems with unknown-but-bounded plant uncertainties and noise uncertainties to find a practically implementable “best” Kalman filter. The worst-case realization of the discrete-time nonlinear stochastic uncertain systems represented by the interval form with respect to the implemented “best” nominal filter is also found in this paper for demonstrating the effectiveness of the proposed filtering scheme.     

不确定时滞离散非线性系统的鲁棒耗散滤波

研究了一类带参数不确定性和非线性动态的离散时滞系统的鲁棒耗散滤波问题.所给系统中的不确定项是时变未知且范数有界.基于Lyapunov稳定性方法,先对参数已知而带有非线性动态的时滞离散系统,给出渐近稳定判据,然后讨论鲁棒耗散滤波器的存在条件及设计方法.在此基础上进一步考虑参数不确定性情形,将鲁棒耗散滤波器问题转化为参数确定的情况.从而将鲁棒耗散滤波器的设计问题转换为线性矩阵不等式的求解问题.最后给出仿真例子验证所得结果的有效性.     

非线性离散随机时变系统比例微分滤波

扩展卡尔曼滤波（EKF）是从极小化状态估计误差的方差得到的，没有考虑状态误差的变化率，因而对非线性时变系统EKF估计方法惯性作用 较大，从而产生估计滞后，提出了非线性离散随机系统比例微分滤波（PDF），PDF联合考虑极小化状态估计误差和状态误差变化率的方差，克服了EKF对非线性时变系统估计滞后的缺点，估计具有适时性，提出了高估计的精度，仿真例子证明了所提出的估计方法的有效性。     

含有有色噪声的非线性分数阶系统自适应扩展卡尔曼滤波器

研究了含有未知参数的情况下，分别含有分数阶有色过程噪声和有色测量噪声的连续时间非线性分数阶系统状态估计问题.采用Grünwald-Letnikov （G-L）差分方法和1阶泰勒展开公式，对描述连续时间非线性分数阶系统的状态方程进行离散化和线性化.构造由状态量、未知参数和分数阶有色噪声的增广向量，设计自适应分数阶扩展卡尔曼滤波算法实现对有色噪声情况下的连续时间非线性分数阶系统的状态和参数的估计.最后，通过分析两个仿真实例，验证了提出算法的有效性.     

非线性离散系统的自适应PID控制器

针对非线性离散系统设计了利用TSK(Takagi Sugeno Kang)模糊模型的自适应PID控制器。利用模糊模型预测控制信号误差,通过控制信号误差自适应PID控制器参数。比较系统输出和模糊模型输出自适应模糊模型的参数。该方法可以弥补系统参数的模糊性、数学模型的模型误差和系统参数的变化。非线性离散系统的仿真实验验证了所设计的自适应PID控制器对非线性离散系统控制的有效性。     

Transformation of Nonlinear MIMO Discrete‐Time Systems into the Extended Observer Form

The paper addresses the problem of transforming discrete‐time multi‐input multi‐output nonlinear state equations into the extended observer form, which, besides the inputs and outputs, also depends on a finite number of their past values. Necessary and sufficient conditions for the existence of the extended coordinate transformation are formulated in terms of differential one‐forms, associated with the input‐output equations, corresponding to the state equations. The difference between the single‐input single‐output and multi‐input multi‐output cases is described. The applicability of the conditions is illustrated by an example.     

自适应扩展卡尔曼滤波器在移动机器人定位中的应用

针对移动机器人定位过程中存在的误差积累问题,提出了采用自适应扩展卡尔曼滤波算法(AEKF).分析了扩展卡尔曼滤波(EKF)和AEKF两种算法, AEKF取采样时刻的各项泰勒级数,并利用Sage-Husa时变噪声估计器实时估计观测噪声,克服了线性化误差,增强了环境适应性;同时,对AEKF的收敛性及运算复杂度进行分析,并结合算法实验表明AEKF具有良好的速度精度综合性价比;最后对比分析两种算法实现机器人定位的效果并实验完成误差对比.结果表明AEKF具有更优的定位性能.     

一种用于解决非线性滤波问题的新型粒子滤波算法

粒子滤波算法受到许多领域的研究人员的重视,该算法的主要思想是使用一个带有权值的粒子集合来表示系统的后验概率密度.在扩展卡尔曼滤波和Unscented卡尔曼滤波算法的基础上,该文提出一种新型粒子滤波算法.首先用Unscented卡尔曼滤波器产生系统的状态估计,然后用扩展卡尔曼滤波器重复这一过程并产生系统在k时刻的最终状态估计.在实验中,针对非线性程度不同的两种系统,分别采用5种粒子滤波算法进行实验.结果证明,文中所提出的算法的各方面性能都明显优于其他4种粒子滤波算法.     

基于自适应Kalman滤波的MEMS陀螺随机误差分析

针对某型MEMS陀螺随机误差较大、精度不高的问题,通过时间序列分析法,建立自回归滑动平均 ARMA(Auto-Regressive and Moving Average)模型,采用ARMA(2,1)模型将预处理后的MEMS陀螺随机误差进行建模.设计基于ARMA模型的经典Kalman滤波器.静态试验和恒定速率试验结果表明在经典Kalman滤波器作用下,静态试验下其均值与均方差下降32.62%和66.31%;恒定速率试验下,其均值有明显的降低,其均方差减小了一个数量级.针对经典Kalman滤波器不能解决振动试验中大振幅时滤波发散问题,提出一种新的自适应Kalman滤波法,通过寻找合适的标定因子s解决滤波发散问题.振动试验结果表明,当振幅为100°时,滤波后的均值和均方差分别下降8.25%和8.36%.     

基于学习的核偏最小二乘法优化扩展卡尔曼滤波

为了解决非线性系统参数不确定和噪声信息不准确导致EKF随时序估计误差较大的问题,利用核偏最小二乘法与系统方程参数和噪声信息无关的特点优化EKF。先将量测数据和EKF的收敛估计作为学习样本,建立KPLS预测模型,然后,融合KPLS和EKF的预测值进行状态估计;同时,若状态估计的收敛判据为真,将估计值作为学习样本,并利用滑动窗口更新KPLS核矩阵,使KPLS能时序预测;若收敛判据为假,则更新量测协方差。最后,通过实验仿真的方法,分析KPLS-EKF算法的收敛性和性能。实验结果表明：KPLS-EKF能够有效地解决非线性系统参数和噪声信息不准确导致的EKF误差较大的问题。