具有估计误差方差约束的连续时间卡尔曼滤波新方法

在状态估计应用领域。指标要求常常表现为估计误差稳态方差的上界形式。本文考虑连续系统在动态特性及稳态误差方差约束下的卡尔曼滤波问题，即设计滤波增益，使滤波矩阵具有给定的稳定裕度，同时各状态分量的估计误差稳态方差不大于各自预先给定值。基于代表方法，文中给出了期望滤波增益的存在条件及其解析表达式，并提供了说明性的数值算例。     

误差方差约束下不确定离散时间系统的鲁棒卡尔曼滤波

本文研究状态矩阵及测量矩阵中均含有不确定性的离散时间系统的鲁棒卡尔曼滤波问题。在状态估计领域中，指标要求常直接以状态分量的估计误差方差上限的形式给出。为此，本文的目的在于设计卡尔曼滤波增益，使不确定系统的估计误差方差达到稳态且其值不大于预先指定值、文中给出了期望鲁棒滤波增益的存在条件及其解析表达式，并以数值算例说明设计方法的直接性与有效性。     

基于改进核平滑辅助粒子滤波的失效预测方法

针对系统模型存在多个未知参数的情况,提出了一种基于改进核平滑辅助粒子滤波(improved kernel smoothing auxiliary particle filtering, IKS-APF)的失效预测方法。首先,在已有核平滑辅助粒子滤波基础上引入增益因子和加速因子,使其具有参数方差双向调节能力和更快的参数估计收敛速度。然后,使用ISK-APF进行状态和参数的联合估计,为确保参数估计的准确性同时减少参数的不确定性,设计了方差监视和短期预测误差匹配相结合的自适应粒子方差控制方案。最后,使用最新估计到的状态和参数粒子进行迭代预测,并通过统计状态粒子首达失效状态空间的时间计算出剩余使用寿命（remaining useful life, RUL）。仿真结果证明了本文方法的有效性和优越性。     

基于乘性四元数和约束滤波的飞行器姿态估计算法

以单位四元数作为姿态描述参数提出一种乘性约束姿态估计算法。四元数具有全局非奇异、运动学方程双线性的优点,但归一化约束条件必须精确保持。首先,比较了加性和乘性滤波算法在估计误差定义和校正方式上的差别,并从物理概念和估计精度上详细分析了无约束四元数估计算法的不足。然后,针对“矢量测量+陀螺”姿态观测模式,利用乘性约束滤波算法设计了姿态估计器。针对状态部分受约束的姿态估计问题,推导了状态和方差预测方程及状态受约束的最优增益矩阵,并将约束增益矩阵应用到姿态估计算法的测量更新过程。最后,通过数学仿真验证了算法在估计精度和收敛性能上的优越性。     

双站纯方位空时软约束无迹粒子滤波算法

针对双站纯方位机动目标跟踪中由信息不完全和非结构化测量环境导致的有界混合似然问题，提出空时软约束无迹粒子滤波算法。针对目标先验未知，利用光电经纬仪对极几何约束测量空间点，预测空间曲面中心计算转弯率；为覆盖多域似然，采用无迹变换技术更新目标状态，引入模糊测度调制重要性函数；为保持估计方差维数不变性，根据狄拉克后验采样提取目标状态。仿真结果表明，对于典型的双站经纬仪跟踪空域点目标，相比于Rao-Blackwell多模型粒子滤波，提出算法的计算复杂度与单模型粒子滤波量级相当；相比约束辅助粒子滤波算法，提出算法的滤波精度提高了27%～41%。     

基于UKF的单站无源定位与跟踪双向预测滤波算法

提出了一种新的滤波算法,以加快滤波算法的收敛速度和提高滤波的估计精度。反向预测与更新提高了上一时刻状态估计的精度,减小了当前时刻的状态预测误差。利用更准确的初始条件经过正向预测与更新,能得到当前状态更精确的估计值。计算机仿真结果表明,本算法的滤波性能优于传统的迭代滤波算法,既提高了滤波的估计精度,又加快了算法的收敛速度。     

一类广义过程非观测分量依可观测分量随机信号的最优滤波与估计

研究信号传递系统中一类含分式有理谱密度广义过程非观测分量依可观测分量随机信号的最优滤波与估计问题。为了有效提高此类信号传递系统的信息滤波效率，在首先建立此类含分式有理谱密度多维广义过程随机信息序列模型并对此类过程非观测分量依可观测分量随机信号进行最佳线性估计与均方误差分析的基础上，深入研究此类广义过程随机信号的最优递推滤波与估计。研究结果表明，本文给出的最优递推滤波算法及其得到的最优递推滤波和最佳线性估计方程，对于解决该类广义过程随机信号的最优滤波与估计效果甚佳，为进一步提高此类信号传递系统的效率提供了一种非常有效的数学处理方法。     

Markov跳变系统的单步约束预测控制

针对离散Markov跳变系统,研究带输出约束的单步预测控制问题。首先设计基于模态的单步预测控制器,驱动系统状态到达相应的终端不变集内,以此保证约束预测控制系统的稳定性,接着进一步讨论了系统存在峰值有界噪声输入情形。其中终端不变集是通过在预测时域外寻求一个虚拟的带约束的状态反馈控制器以保证系统的随机稳定性来获得,为计算方便,控制器的优化问题转化为SDP问题,并得到以LMI描述的优化问题。最后对Markov跳变系统描述的经济学动力系统的仿真结果说明了本控制器设计方法能够在峰值有界噪声输入下保证系统的稳定性,并且使控制变量满足给定的约束条件。     

线性不确定随机系统时滞相关的H∞滤波

研究了一类带有时变状态时滞和参数不确定性的连续时间线性随机系统的鲁棒H_∞滤波问题。目的是设计一个线性滤波器使滤波误差动态系统是指数均方稳定的,并满足给定的H_∞性能指标。应用描述符系统模型转换,建立了新的Lyapunov-Krasovskii 函数。通过引入自由加权矩阵,消除了Lyapunov矩阵和系统矩阵的乘积项,从而无需在滤波器设计过程中对Lyapunov矩阵作任何约束,这在很大程度上降低了滤波器设计的保守性。基于LMI方法,针对精确已知随机系统和带有结构不确定性的随机系统,分别提出了时滞相关的鲁棒H_∞滤波器存在的充分性条件。仿真结果表明所提出的设计方法是有效的。     

基于油液中金属浓度梯度特征的滤波剩余寿命预测模型

基于随机滤波理论的剩余寿命预测模型是基于状态的维修的重要组成部分. 首先根据设备磨损过程，建立了磨损、金属粒子浓度和剩余寿命三者的函数关系. 进而针对滤波模型基于油液信息进行预测时的局限性，建立了基于油液浓度梯度特征的滤波模型. 此模型无需对监测信息中的换油影响进行线性回归处理，从而减少了误差，并以金属浓度梯度特征建模，完善了状态信息与剩余寿命之间的负相关关系. 然后设计了极大似然参数估计方法，在参数估计过程中考虑了截尾数据对估计值的影响. 最后以某型自行火炮发动机的油液光谱分析数据为例，实现了发动机的剩余寿命预测，结果表明了该模型的可行性和有效性.     

Delta算子描述的离散系统鲁棒滤波

研究基于Delta算子描述的线性不确定离散时间系统在稳态估计误差方差约束下的鲁棒滤波问题。目的是设计线性滤波器 ,使得闭环系统稳定 ,且闭环系统的稳态估计误差的方差满足预先给定的约束条件。基于Riccati方程或Riccati不等式方法 ,给出Delta算子描述的系统鲁棒滤波器的存在条件和显式表达式     

New algorithm for robust H2/H∞ filtering with error variance assignment

We consider the robust H2/H∞ filtering problem for linear perturbed systems with steady-state error variance assignment. The generalized inverse technique of matrix is introduced, and a new algorithm is developed. After two Riccati equations are solved, the filter can be obtained directly, and the following three performance requirements are simultaneously satisfied: The filtering process is asymptotically stable; the steady-state variance of the estimation error of each state is not more than the individual prespecified upper bound; the transfer function from exogenous noise inputs to error state outputs meets the prespecified H∞ norm upper bound constraint. A numerical example is provided to demonstrate the flexibility of the proposed design approach.     

通信受限不确定Delta算子网络系统H∞滤波

研究了一类基于Delta算子的通信受限条件下参数不确定网络系统H∞滤波问题。在通信受限条件下,采用通信序列对网络控制系统进行分析,构建Delta算子描述的不确定系统滤波误差模型。利用线性矩阵不等式和Lyapunov-Krasovskii泛函提出滤波误差系统渐近稳定的充分条件,证明了系统的H∞性能,并给出滤波器的设计方法。数值仿真结果验证了所提方法的有效性。     

Neural network-based H∞ filtering for nonlinear systems with time-delays

A novel H∞ design methodology for a neural network-based nonlinear filtering scheme is addressed.Firstly,neural networks are employed to approximate the nonlinearities.Next,the nonlinear dynamic system is represented by the mode-dependent linear difference inclusion (LDI).Finally,based on the LDI model,a neural network-based nonlinear filter (NNBNF) is developed to minimize the upper bound of H∞ gain index of the estimation error under some linear matrix inequality (LMI) constraints.Compared with the existing nonlinear filters,NNBNF is time-invariant and numerically tractable.The validity and applicability of the proposed approach are successfully demonstrated in an illustrative example.     

不确定模糊时滞系统的鲁棒H∞滤波

研究了一类带有时滞的不确定离散时间模糊系统的鲁棒H∞滤波问题。模糊H∞滤波器的设计建立在T-S模糊模型上并能确保滤波误差系统的渐近稳定和给定的H∞性能指标。考虑了时滞的存在使得滤波器有更小的保守性,由线性矩阵不等式（LMI）给出滤波器存在的充分条件。最后,仿真算例验证了给出方法的有效性。     

跟踪弹道目标的几种次最优滤波器

研究了通过雷达观测跟踪重返大气层阶段的弹道目标问题。考虑了一种状态方程和量测方程都具有高度非线性的数学模型并推导出估计误差的理论Cramer-Rao低界。我们设计了三种次最优滤波器并将其滤波性能和Cramer-Rao低界进行了比较。除了在非线性滤波中经常采用的EKF和UKF之外，提出了一种结合传统卡尔曼滤波和简化点Unscented变换的滤波器，仿真结果表明，新滤波器在精度和计算复杂性上均有良好表现。     

Robust dissipative filtering for continuous-time polytopic uncertain neutral systems

This article is concerned with the problem of robust dissipative filtering for continuous-time polytopic uncertain neutral systems. The main purpose is to obtain a stable and proper linear filter such that the filtering error system is strictly dissipative. A new criterion for the dissipativity of neutral systems is first provided in terms of linear matrix inequalities (LMI). Then, an LMI sufficient condition for the existence of a robust filter is established and a design procedure is proposed for this type of systems. Two numerical examples are given. One illustrates the less conservativeness of the proposed criterion; the other demonstrates the validity of the filtering design procedure.     

Neural network-based H∞ filtering for nonlinear systems with time-delays

A novel H∞ design methodology for a neural network-based nonlinear filtering scheme is addressed. Firstly, neural networks are employed to approximate the nonlinearities. Next, the nonlinear dynamic system is represented by the mode-dependent linear difference inclusion （LDI）. Finally, based on the LDI model, a neural network-based nonlinear filter （NNBNF） is developed to minimize the upper bound of H∞ gain index of the estimation error under some linear matrix inequality （LMI） constraints. Compared with the existing nonlinear filters, NNBNF is time-invariant and numerically tractable. The validity and applicability of the proposed approach are successfully demonstrated in an illustrative example.