随机2-D系统的集员状态估计

本文研究了噪声在有界椭球集的2-D FMII模型的状态向量的递推估计问题.从提高计算的有效性和可实现性出发,通过在不同的更新阶段采用优化定界椭球(OBE)算法,对该系统提出了一种新的状态估计方法.所得状态估计是状态空间里一个集合而不是单个向量.其中的最优估计是包含系统未知状态的最小容积椭球.     

带乘性噪声系统的极大似然最优估计算法

对带乘性噪声系统（ＳＭＮ）在乘性噪声及其统计参数未知的情况下,基于极大似然准则,提出了一种分块组合优化估计算法（ＢＣＯＥＡ）。该算法不需要事无知道乘性噪声的统计参数,可同时进行状态最优估计以及乘性噪声序列和其统计参数的最优估计。     

随机经济系统分析

本文提出了随机经济系统模式,研究了随机经济系统状态的最优估计与控制问题。利用Kalman现代滤波理论导出了随机线性经济系统状态的最优估计,由Bellman动态规划原理导出了线性二次经济系统的最优控制规律。由估计定理和最优控制规律给出了随机经济系统分析的一整套算法。     

传热分布参数系统最优状态反馈控制设计

在对工业分布参数系统开环最优控制研究的成果基础上,本文进一步讨论如何实现分布参数最优反馈控制的问题。设计了线性二次型最优状态反馈控制器,描述了在双曲型和抛物型的实际传热过程中的应用。对分布参数系统的可观测性及状态估计问题也作了初步探讨。     

一种智能状态估计方法及应用

为提高机理复杂工况变化较大的一类生产过程状态估计的精度 ,提出一种基于多模型和专家知识的智能状态估计方法 ,并给出了用于青霉素发酵过程状态估计的结果。这种方法采用多个状态估计模型进行估计 ,然后由优选专家系统选择一个最优的作为最终结果。给出了状态估计系统的结构及优选专家系统的结构和设计。优选专家系统采用改进的 Bayes方法进行不确定性推理。这一估计方法可以应用于类似于青霉素发酵这类机理复杂过程的状态估计。     

带状离散随机非线性系统的状态估计

目的讨论系统噪声和测量噪声为非零均值并且互为相关情形下的带状离散随机非线性系统的状态估计问题。方法利用广义逆矩阵和矩阵的奇异值分解和带状广义离散随机非线性系统的奇异值标准形式,基于标准形式,在两种情况下,将系统分解成两个子系统,估计子系统的状态。结果推广了原有的一些结果。结论得到了该系统状态的最优预测和滤波递推方程。     

噪声相关下含无序量测的多传感器信息融合估计

多传感器跟踪系统中因通信延迟常会出现无序量测现象,为了提高系统估计精度,采用直接更新法对状态进行更新估计,并针对噪声相关下含无序量测的多传感器系统,提出了矩阵加权最优信息融合状态估计算法,考虑了过程噪声和量测噪声的相关性以及局部估计的误差相关性.仿真计算验证了算法的有效性.     

粒子滤波和ANFIS级联滤波的去噪技术

为实现实际应用中的非线性、非高斯系统中的状态估计,结合粒子滤波非线性估计的优势和自适应神经模糊推理系统(ANFIS)的非线性逼近功能,建立了ANFIS粒子滤波模型。该模型首先通过ANFIS消除测量信号中有色噪声的影响,再运用粒子滤波实现对状态的最优估计,从而进一步提高估计精度。仿真结果表明ANFIS与PF的级联滤波较单一的粒子滤波均值减少了65%,方差减小了74.4%。ANFIS粒子滤波对于强非线性系统的噪声消除效果显著,使状态估计精度得到了较大提高,证明了该级联滤波模型的有效性。     

无需初始状态先验统计知识的最优状态估计

为获得系统状态的最优线性无偏估计（ＢＬＵＥ）,Ｋａｌｍａｎ滤波算法要求事先知道系统状态的均值与方差,但此要求往往难以满足．今放弃这一要求而考虑离散线性时变多输入多输出（ＭＩＭＯ）随机系统的状态估计问题．若系统是完全可重构的,则本文所给新的滤波算法便将给出系统状态的ＢＬＵＥ．对于即使不可观测的完全可重构确定性系统,该新算法也能给出其无差估计．     

基于最优信息融合卡尔曼滤波的预测控制算法

针对噪声环境下的线性时不变系统,给出了基于最优信息融合卡尔曼滤波的预测控制算法.运用线性最小方差意义下的最优信息融合卡尔曼滤波方法获得状态估计,进而得到输出的N步超前预测值,最后通过最小化二次性能指标获得基于信息融合状态估计的控制输入.仿真实例验证了算法的有效性.     

配电系统状态估计分析研究

状态估计对于配电系统的管理和控制非常重要,针对配电系统与输电系统的不同,重点研究了常用的3种经典配电系统状态估计算法,分析比较了这些算法各自的优缺点,并对配电系统状态估计的新算法进行了阐述和展望。     

在线快速抑噪的自适应强跟踪滤波算法

针对强跟踪滤波算法对系统时变噪声缺乏自适应能力,导致系统状态估计精度较低的问题,提出一种可以在线估计噪声协方差阵的快速抑噪自适应强跟踪滤波算法,该算法可以抑制噪声对系统状态估计的影响,使系统状态估计迅速收敛到真实值附近.仿真实验对比了强跟踪滤波算法和快速抑噪自适应强跟踪滤波算法在噪声变化环境下的性能,结果表明：快速抑噪...     

基于深度神经网络-近似线性网络混合模型的电力系统状态估计方法

为提高电力系统实时状态估计的精度和计算效率,解决电网电压波动频发、潮流分布的不确定性剧增等问题,通过提出一种基于深度神经网络和近似线性网络模型的电力系统状态估计方法,研究了其在电网的应用。该方法将混合系统量测数据通过粒子滤波算法得到样本集,利用训练样本训练所提出的混合神经网络模型,最后将测试样本输入已建立的模型中获得系统状态的估计结果。通过IEEE118节点系统进行的负载数据仿真实验表明：基于混合神经网络模型的电力系统状态估计方法不仅能快速进行海量数据训练,还能有效避免过拟合;在实时状态估计的精度和计算效率方面相较于高斯-牛顿法均有提高。可见所提方法在电力系统实时状态估计方面具有一定的应用价值。     

混杂系统故障诊断的粒子滤波器方法

针对混杂系统故障诊断难题,在对混杂系统描述的基础上,根据混杂系统的随机滤波公式,给出了混杂系统状态估计及离散模态识别的粒子滤波算法,并将此算法扩展到混杂系统状态与参数的联合估计,最后利用修正的Bayes算法作出故障判决,实现了混杂系统的故障诊断.通过对两容水箱这个典型混杂系统的仿真实验,结果表明,此方法不仅能准确、快速地诊断出混杂系统故障,而且在故障发生时能够保持比较高的状态与参数估计精度.本方法可推广应用于混杂系统的自适应滤波、可靠性预测、容错控制等领域.     

保留非线性的电力系统状态估计法

本文首次将保留非线性原理用于电力系统状态估计中,提出了一种新的状态估计方法,与原有方法相比,可大大提高状态估计的计算速度。     

一种新的自适应状态观测器设计方法

利用模糊系统的径向高斯函数网络对一类非线性变系统的状态进行了估计。给出了一种递阶自组织在线学习算法，提出了非线性时变系统的自适应状态观测器，并对其结构及特征进行了讨论。仿真结果表明这种自适应状态观测器能很好地观测系统的状态。     

Marginalized cubature Kalman filtering algorithm based on linear/nonlinear mixed-Gaussian model

Aiming at improving the estimation accuracy and real-time of nonlinear system with linear Gaussian sub-structure,a novel marginalized cubature Kalman filter is proposed in Bayesian estimation framework. Firstly,the marginalized technique is adopted to model the target system dynamics with nonlinear state and linear state separately,and the two parts are estimated by cubature Kalman filter and standard Kalman filter respectively. Therefore,the linear part avoids the generation and propagation process of cubature points. Accordingly,the computational complexity is reduced.Meanwhile,the accuracy of state estimation is improved by taking the difference of nonlinear state estimation as the measurement of linear state. Furthermore,the computational complexity of marginalized cubature Kalman filter is discussed by calculating the number of floating-point operation. Finally,simulation experiments and analysis show that the proposed algorithm can improve the performance of filtering precision and real-time effectively in target tracking system.     

基于不敏Kalman滤波的多传感器数据融合算法

针对非线性系统状态估计的有效融合问题,给出了一种基于不敏Kalman滤波的多传感器数据融合算法.首先,依据单传感器的量测利用不敏Kalman滤波器得到局部状态估计值;其次,依据模糊集合理论中隶属度的性质构建反映局部状态估计结果的支持度函数和支持度矩阵,进而实现对于各局部状态估计之间蕴含冗余和互补信息的充分提取;最终,通...     

基于非线性预测滤波和UKF的状态估计方法

非线性系统存在建模误差时,UKF的状态估计误差较大,为了提高UKF对非线性系统的状态估计能力,本文将非线性预测滤波(NPF)方法和UKF相结合,提出了一种改进的UKF。首先应用NPF求得模型误差值,得到非线性系统的修正模型,将模型离散化再应用UKF进行状态估计。在仿真实验中分别应用单纯的UKF和改进后的UKF对一个存在模型误差的非线性系统进行状态估计,对它们的估计结果进行了比较和分析,结果表明结合NPF的UKF能够提高非线性系统状态估计的精度。     

发输配全局状态估计

为了弥补传统状态估计中发输电系统和配电系统相互独立的局限性,提出了发输配全局状态估计这一新课题。它以全局电力系统为研究对象,能估计出一体化的发输配全局电力系统状态。建立了数学模型,构造了全局状态估计主从分裂法,自然地将规模庞大的全局状态估计问题分解成发输电估计和一系列小规模的配电估计子问题,发输电和配电可以采用不同的估计算法,能支持在线分布式计算。理论分析和数值试验结果均表明新方法具有良好的计算性能,能满足全局状态估计的要求。