非线性系统未知时变参数的模型算法学习辨识

针对一类非线性系统的未知时变参数,提出了一种模型算法学习辨识方法。该方法主要是利用系统模型估计出了辨识参数的偏差,利用这一参数偏差的估计来修正辨识参数,不断进行迭代。并严格证明了系统经过迭代学习后,辨识器的输出能够完全跟踪参数真值,同时得到了该算法收敛的范数形式充分条件。该方法不仅可以实现非线性系统未知时变参数在有限时间区间上的完全辨识,而且还克服了传统迭代学习辨识器中凭借经验选取学习增益的盲目性,加快了参数辨识器的收敛速度。仿真结果验证了该方法的有效性。     

噪声未知情况下的自适应无迹粒子滤波算法

为了有效地解决系统噪声未知情况下的目标跟踪问题,提出了一种自适应无迹粒子滤波算法。该算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹卡尔曼滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明:本文方法明显地改善了系统噪声未知情况下目标的跟踪精度和稳定性。     

量测随机延迟下带非高斯噪声的目标跟踪算法

为解决量测一步随机延迟及非高斯噪声条件下战斗机蛇形机动模式转弯角速度辨识问题,更好地实现蛇形机动的稳定跟踪,考虑到目标状态与转弯角速度之间相互耦合的特性,基于联合估计与辨识的思想,依据极大似然准则,提出了一种基于期望最大化的目标状态估计与转弯角速度辨识联合优化算法.该算法主体包含两个部分:E-step和M-step.在E-step,首先,通过充分考虑量测一步随机延迟特性及非高斯量测噪声,重新构造了粒子滤波器的似然函数,进而改进了粒子权重的更新公式,同时,为避免粒子贫乏现象的发生,将粒子群优化算法引入到重构的粒子滤波器当中进一步改进粒子采样过程;其次,将拒绝采样思想引入到后向模拟粒子平滑器当中,并相应地设置拒绝采样终止条件,优化后向模拟粒子平滑器,进一步提高平滑算法的执行效率;最后采用改进的粒子滤波器与后向模拟粒子平滑器进一步获取目标状态的平滑量;在M-step,通过采用牛顿迭代法极大化条件似然函数,从而获得转弯角速度的估计量,用于下一次算法迭代.通过E-step和M-step的不断迭代,进而获得转弯角速度的闭环形式的优化解.仿真实验结果表明,所提算法的目标状态估计与角速度辨识的精度均优越于传统的扩维法.     

对于在噪声环境下的反卷积系统的多传感器信息融合辨识算法

对于一个在噪声环境下的反卷积系统,当噪声为未知白噪声时,提出了一种多传感器信息融合辨识算法。该算法的核心是依次使用递推增广最小二乘法、相关函数法和Gevers-Wouters算法。使用该算法可以得到对系统未知参数和未知噪声的局部和融合估计,并且证明了辨识的收敛性。用Matlab软件对一个例子进行仿真,从而对算法的有效性做了说明。     

变分贝叶斯自适应容积卡尔曼的SLAM算法

在观测噪声参数未知或变化时,传统的同步定位与建图(SLAM)算法性能会下降,为了让SLAM算法性能在上述条件下不受影响同时具有较高的精度,基于此提出了一种基于变分贝叶斯噪声自适应容积卡尔曼滤波的SLAM算法(VB-ACKF-SLAM).该算法采用逆Wishart分布对未知观测噪声参数建模,采用容积积分方法近似非线性变换的均值和方差,并利用变分贝叶斯滤波实现对移动机器人状态和未知观测噪声参数的联合后验概率的估计.该算法有效地解决了在观测噪声参数未知或变化时,传统滤波算法出现的滤波发散问题.仿真实验结果表明,在观测噪声参数未知或变化时,与基于容积卡尔曼滤波的SLAM算法(CFK-SLAM)、无迹卡尔曼滤波的SLAM算法(UKF-SLAM)、扩展卡尔曼滤波的SLAM算法(EKF-SLAM)相比,VB-ACKF-SLAM算法的定位准确率得到了较大的提高,证明了该算法的有效性.     

基于高阶神经网络扩展卡尔曼滤波器算法的非线性动态系统辨识

针对非线性动态系统辨识 ,采用高阶神经网络和径向基函数网络相结合的方法 ,神经网络的连接权值可作为系统的未知参数 ,用扩展卡尔曼滤波器 (EKF)算法来估计 ,确保了该方法的快速收敛 .具体模型的仿真结果表明该方法能快速收敛 ,并能方便的用于在线辨识 .     

基于输出估计的多输入系统随机梯度估计算法

对于输出误差模型描述的多输入单输出系统,辨识的困难在于辨识模型信息向量中包含系统未知输出量(真实输出或无噪输出),以致标准辨识算法无法应用.提出了利用输出估计代替系统真实输出的辨识思想,即通过估计模型预测(估算)系统输出,利用这个估计输出来递推计算系统参数,进而提出了基于输出估计的随机梯度辨识算法,并研究了算法的收敛性,给出了仿真例子.     

三种相量算法在变压器绕组参数辨识中的应用

为了能够及时、准确地检测出由变压器绕组形变而导致的故障,需要选择一种更加精确、稳定地辨识变压器绕组参数的相量算法.对傅里叶、递推最小二乘和卡尔曼三种相量算法在变压器绕组参数辩识中的计算精度进行了理论上的分析,并且把三种算法运用于实际变压器绕组参数辨识中,进一步分析了三种算法的计算精度.对辨识结果的误差分析表明,用卡尔曼算法进行参数辨识不仅计算精度较高而且计算结果比较稳定,卡尔曼相量测量算法在变压器绕组参数辨识中的应用为准确检测变压器绕组故障提供了基础依据.     

规范状态空间系统辨识方法

因为状态空间模型既包含了未知状态,又包含了未知参数,且二者是非线性乘积关系,使得辨识问题变得复杂.针对这一问题,详细研究了规范状态空间系统的状态与参数联合估计方法.采用交互估计理论,即采用递推方法或迭代方法实现系统状态与参数的交互估计.基本思路是在计算参数估计时,辨识算法信息向量中的未知状态用其估计值代替,然后利用获得的参数估计,设计基于参数估计的状态观测器或基于参数估计的Kalman滤波算法估计系统的状态,二者形成一个交互计算过程(递阶计算过程).沿着这条思路,分别从递推方案和迭代方案,研究和提出了基于状态观测器和基于Kalman滤波状态估计的随机梯度辨识算法、递推最小二乘辨识算法、多新息随机梯度辨识算法、多新息最小二乘辨识算法,以及模型分解的辨识算法,并给出了几个典型算法的计算步骤、流程图和计算量.     

一种新的同步发电机参数解耦辨识算法

本文提出了一种新的同步发电机动态参数辩识算法——解耦辨识算法。该算法的优点是不需要知道外部其它机组的任何信息,而完全依靠待辨系统的在线量测信息进行参数估计即可考虑外部系统对辨识系统的耦合作用和影响。仿真结果表明,无论外部系统从一个无穷大母线变化到一个电压和频率都变化的未知系统,该算法都具有好的收敛性质并能快速地给出准确的参数估值。这种新算法在一定程度上较好地解决了同步发电机参数辨识研究领域尚未解决的解耦辨识问题。     

含噪独立分量分析的期望最大化算法

把期望最大化(EM)算法应用到含噪ICA模型中,即假定源信号具有统计独立性,并将其放在贝叶斯估计框架中,提出一种解决含噪独立分量分析(ICA)的期望最大化(EM)算法。在含噪ICA模型中,假设源信号的均值和方差服从更为一般的均匀分布,提出的EM算法将混合矩阵和超参数交替进行处理,可以有效地估计混合矩阵和超参数在一定模型下的模型参数,从而能够估计出源信号。仿真结果说明,该方法能够很好地解决含有噪声ICA模型下的盲源分离问题。     

一种时滞未知随机系统参数辨识算法

针对时滞未知随机性系统,提出了一种可同时估计系统时滞和参数的递推辨识算法,并证明了该算法的收敛性。仿真结果表明,即使在有色噪声干扰的情况下,利用该算法仍能够很快地辨识系统时滞和参数。     

一类时变参数的递推辨识方法

本文对线性时变系统的参数辨识方法进行了分析和研究,提出了一类新的时变参数递推辨识方法。算法假定时变参数由自回归模型表示,并保证辨识算法结构传递矩阵正实或严格正实。本文分别给出了白噪声和有色噪声情况的两种递推辨识算法,证明了它们的一致收敛性。结构分析表明,最小二乘估计和朗道自适应串联辨识算法是这类辨识方法的特例。在给定的结构条件下,辨识算法对周期和单调变化的时变参数有一定的跟踪能力。     

一种分块差分滤波器及其在仅有角度跟踪中的应用

为解决仅有角度跟踪时,目标估计受限于较大的初始估计误差和噪声统计特性未知的问题,提出了一种带有噪声智能统计功能的改进型分块差分滤波器.通过统计线性化方法得到了一种S-H智能噪声统计估值器,并用其优化传统分块噪声滤波器的测量更新步骤,实现了对未知过程和测量噪声的智能统计处理,通过迭代更新进一步提高了滤波器对于复杂非线性函数的适应能力.与目前几类主流的自适应滤波器性能相比,结果表明:对于具有线性系统模型和非线性测量模型的典型被动跟踪估计问题,针对较大的初始状态估计误差,所给出的滤波器能更好地完成系统噪声和测量噪声部分参数统计特性未知情况下的非线性估计任务,在保证计算量适中的同时有效地提高跟踪制导精度.     

基于CMAC的自适应控制方案

基于ＣＭＡＣ，设计了一种神经网络控制器，对常用的ＣＭＡＣ权值学习方法进行修改，提出了一种基于目标函数优化的控制器权值算法。当被控对象的特性未知时，用神经网络辨识器进行辨识。并且给出了整个控制系统的自适应步骤。仿真实验表明了方案的有效性。     

基于改进T-S模型的热工系统在线辨识算法

提出用一种改进的T-S模型实现非线性系统在线辨识的算法。通过样本与聚类中心矢量之间的贴近度来修正聚类中心,并根据样本到中心矢量的距离对输入数据空间进行划分。在此基础上利用递推最小二乘算法辨识出模型的结论参数。给出了具体的算法步骤,将该方法与其他模糊辨识方法进行比较。结果表明,该方法具有简单、实用、辨识精度高等优点。     

基于Hopfield网络的自适应观测器设计

针对一类线性连续时间单输入单输出系统提出了一种新的基于Hopfield网络的自适应观测器设计方法，利用Hopfield网络辨识未知系统的参数，大大提高了系统参数辨识速度，在确定性等价基础上设计状态观测器，并证明了参数辨识算法和状态估计的收敛性，数字仿真例子结果表明了该方法的有效性。     

基于模型空间分解的交互式多模型算法

由于马尔可夫参数的限定,交互式多模型的估计精度会在模型数过多时下降,这限制了它在高维参数空间的应用,通过将交互式多模型建模空间分解,构造出一种两级交互式多模型算法,并通过辨识系统噪声的多个统计参数,比较了新算法与常规交互式多模型滤波器,仿真结果显示了新算法的优越性。     

一种噪声未知条件下的盲信号提取方法

传感器网络中的节点带宽等资源受限,使得在设计盲信号处理方法时需考虑信号量化等因素,而量化噪声的引入使得整体噪声复杂且未知。针对传感器网络中噪声统计特性未知的情况,提出了一种基于容积点变换和代价参考粒子滤波的盲信号提取方法。在滤波过程中,采用容积点变换可获得较为准确的预测粒子,通过用户自定义的权值映射规则可以实现粒子的更新和重采样,减少了算法对噪声和源信号统计特性的依赖。实验结果表明该方法可实现对源信号的有效提取,在噪声统计特性未知时的提取性能要优于其他方法。     

改进的输出误差法用于不稳定飞机参数辨识

为解决输出误差法在不稳定飞机参数辨识过程中的数值发散问题以及初值依赖问题,设计了一种结合神经网络、粒子群优化算法以及Levenberg-Marquardt算法的系统辨识方法。首先,为解决输出误差法的数值发散问题,以神经网络拟合待辨识系统的动力学特性。不同时刻的飞行试验数据用于训练神经网络,训练好的网络可以直接对下一时刻的运动状态进行预测,从而避免对不稳定运动方程的求解。其次,基于粒子群优化算法搜索Levenberg-Marquardt算法中的最佳阻尼因子,并以改进的LM算法替代输出误差法中的高斯-牛顿算法。接下来,改进的LM算法与训练好的神经网络结合得到了一种新的参数辨识算法。最后,基于不稳定飞机的闭环仿真飞行试验数据对提出的算法进行了验证。研究结果表明:与传统的最小二乘法和人工稳定的输出误差法的估计结果相比,所采用的算法具有更高的估计精度;同时,所提出的算法中可以随机选取待辨识参数的初值,克服了输出误差法对参数初值的依赖。本文的研究成果可以直接用于其他不稳定非线性动力学系统辨识领域,经过修改后还可以用于其他非线性优化领域。