基于组合式信号源的非线性系统辨识

针对非线性系统中噪声的干扰，研究了一类神经模糊Hammerstein输出误差非线性系统的建模和辨识方法，利用组合式信号源实现静态非线性模块和动态线性模块参数辨识的分离，推导了相关性分析法和辅助模型递推最小二乘辨识方法估计动态线性模块和非线性模块的参数，有效抑制系统输出噪声的干扰。仿真结果表明：与最小二乘算法、多项式模型以及多信息方法相比，提出的方法具有参数估计收敛速度快，辨识精度高，建模误差小等优势，验证了所提学习算法的有效性。     

加性噪声背景下基于ICA的线性系统辨识算法

在加性噪声背景下,将线性系统辨识问题纳入到独立分量分析(ICA)瞬时混合模型中,提出了一种新的结合ICA技术的线性系统辨识算法.该算法无需对噪声信号的统计特性进行任何先验假定,根据ICA模型中瞬时混合矩阵的先验知识,准确估计出系统输出的加性噪声,从观测数据减去该噪声后,利用最小二乘理论实现算法对未知系统的参数估计.仿真实验表明,该算法不仅有效地消除了一般算法对于噪声特性的限制,而且在低信噪比下仍能取得较为理想的辨识结果.     

一类非均匀采样系统最小二乘迭代辨识

阐述了非均匀多率采样方案,利用提升技术推导出非均匀多率采样系统的提升状态空间模型,进一步获得了对应的输入输出表达.针对辨识模型信息向量中存在未知中间变量的困难,基于交互估计理论与迭代搜索原理,提出了非均匀多率系统的最小二乘迭代辨识方法.最后进了仿真比较研究,以说明提出算法的优点.     

一种优化的自适应总体最小二乘系统辨识算法

对于监督信号和训练信号都含有噪声的系统辨识问题,如果采用经典的最小均方和迭代最小二乘算法进行估计,会带来较大的误差,而直接求解又会有较大的计算量,不利于在线计算.将权向量的求解转化为增广输入向量自相关矩阵瑞利商的受限最佳化问题,对增广输入向量进行遮代估计,同时建立了步长因子和误差信号问的函数关系,这个函数关系是建立在代价函数相对于步长梯度的基础上,而不是基于经验公式.所提算法结构简单,具有更好的稳健性,仿真表明这种算法相对于同类总体最小二乘算法和其他自适应算法有更快的收敛速度和更高的收敛精度.     

非均匀采样数据系统的AM-RLS辨识方法及仿真研究

推导了一类非均匀采样数据系统的提升状态空间模型,进而得到其对应的输入输出表达.针对辨识模型信息向量中存在未知的中间变量,提出非均匀采样系统基于辅助模型的递推最小二乘(AM-RLS)辨识方法,基本思想是用辅助模型的输出代替信息向量中的未知变量.并对算法进行了计算机数值仿真研究,来说明提出辨识算法的有效性.     

模型直升机航向系统辨识中的加权判据

在进行模型立升机航向运动的系统辨识时，由于人工操纵对实验数据影响，需要使用多次实验数据进行系统辨识。为增强实验数据中所包含的动力学信息，并减少被噪声破坏的数据对系统辨识结果的影响，采用了带有加权判据的最小二乘参数估计方法。在计算加权判据中的权值因子时，采用了单个神经元对权值进行自动分配。辨识结果表明，基于带有加权判据的最小二乘方法所得的航向动力学模型能较好地吻合实际的航向输出。该方法亦是处理多次实验数据的一种有效方法。     

面向能量管理的燃料电池混合动力模型辨识

燃料电池混合动力能量管理算法离线及在线优化需要建立一套有效的模型辨识方法.根据混合动力系统的部件特性,使用TTCAN数据,基于最小二乘原理建立系统辨识算法,辨识出系统模型.离线仿真结果表明,所辨识的模型能反映当前系统性能,可作为能量管理算法优化的依据.为提高能量管理算法的自适应调整能力,需要将离线辨识改为在线辨识,并整合到整车控制器中.在Matlab/Simulink环境中搭建在线辨识算法,并通过自动代码生成与整车控制器底层代码无缝结合.增加了在线辨识算法的能量管理算法远行时间从原先的0.58ms提高到3.2ms,但仍然小于TTCAN网络的最小闲置时间4ms.在线辨识算法虽然增加了整车控制器运算负荷,但并未影响TTCAN通讯时序.中国城市公交典型工况测试表明,采用在线辨识算法后的系统氢气消耗从8.2kg/100km降低到7.9kg/100km,约降低3.6%.为控制燃料电池输出功率波动,进一步工作中需要将燃料电池模型加入在线辨识算法,并采用递推算法降低整车控制器计算负荷.     

一种改进的多模型噪声辨识方法

在混合系统参数估计问题中，交互式多模型算法是一种比较有效的求解方法。但是当系统机动模式较多时，模型集中的模型数目也随之增加。针对模型集过大导致的参数估计精度下降的现象，提出了一种改进的多模型算法，并将其应用于系统噪声辨识。它利用多扫描量测信息，采用离散优化技术，获得近似于系统的实际噪声水平的最优的子模型集。然后，利用此进行噪声估计作为结果输出。Monte Carlo仿真结果表明了新算法估计精度优于标准IMM算法。     

小型直升机航向模型的增广递推最小二乘辨识

分析确定了模型直升机航向通道结构,考虑了噪声模型的存在,采用增广最小二乘法进行了参数辨识,从而避免了一般最小二乘法把误差模型隐含在系统模型中所造成的辨识精度不高的缺点。结果表明,虽然采用增广最小二乘法要考虑噪声模型,但是它具有速度快、辨识结果准确的特点,所得模型直升机的航向模型很好的表示了其系统特性,可以用来进行控制系统的设计和直升机的分析理解。     

基于线性规划问题递推算法的L∞参数辨识

针对传统的最小二乘辨识算法要求误差遵循零均值、同方差的正态分布等不足,提出了L∞参数辨识算法。首先将L∞参数辨识问题转化成增加约束条件的线性规划问题最优解的求解问题;然后为了删除辨识中的冗余数据并用于在线辨识,给出了基于线性规划问题递推算法的L∞参数辨识算法。最后给出了仿真,结果验证了算法的有效性。     

异步LC-DS-CDMA信号的盲解扩

针对低信噪比下异步长码直接序列码分多址(direct sequence-code division multiple access, DS-CDMA)信号伪码序列难以估计的问题,提出一种基于嵌套迭代最小二乘投影和库搜索算法相结合的盲解扩方法。该方法先将接收到的异步长码DS-CDMA信号建模成含有缺失数据的短码DS-CDMA信号,并使用重叠窗对信号进行分段构造观测数据矩阵。然后,使用最大似然理论对其进行数学建模,并用嵌套迭代最小二乘投影算法实现各用户伪码序列片段的粗提取。最后,将提取出来的伪码序列在有限长的生成多项式库中进行匹配搜索,从而得到该序列的生成多项式。仿真实验及理论分析验证了该方法对异步长码DS-CDMA信号伪码序列估计的有效性。     

Improved scheme to accelerate sparse least squares support vector regression

The pruning algorithms for sparse least squares support vector regression machine are common methods,and easily comprehensible,but the computational burden in the training phase is heavy due to the retraining in performing the pruning process,which is not favorable for their applications.To this end,an improved scheme is proposed to accelerate sparse least squares support vector regression machine.A major advantage of this new scheme is based on the iterative methodology,which uses the previous training results instead of retraining,and its feasibility is strictly verified theoretically.Finally,experiments on benchmark data sets corroborate a significant saving of the training time with the same number of support vectors and predictive accuracy compared with the original pruning algorithms,and this speedup scheme is also extended to classification problem.     

二维GTD模型参数估计的PQ-FB-2D-ESPRIT算法

二维基于旋转不变技术信号参数估计(2D-estimating signal parameter via rotational invariance techniques, 2D-ESPRIT)算法是估计几何绕射理论(geometric theory of diffraction, GTD)模型参数的一种经典算法,但在信噪比较低的条件下, 2D-ESPRIT算法的参数估计精度明显下降,噪声鲁棒性较差。针对这一问题,提出一种极化平方前后向平滑2D-ESPRIT(polarized-quadratic-forward-backward 2D-ESPRIT, PQ-FB-2D-ESPRIT)算法,有效地提高了算法的噪声鲁棒性与参数估计性能。改进算法利用目标散射回波数据的极化信息,并通过对协方差矩阵平方处理和前后向空间平滑处理,提高了算法的参数估计性能与数据利用率,同时达到了去相关的效果。仿真结果表明,提出的PQ-FB-2D-ESPRIT算法的参数估计性能及噪声鲁棒性要优于经典2D-ESPRIT算法、前后向平滑2D-ESPRIT(forward-backward 2D-ESPRIT, FB-2D-ESPRIT)算法及平方FB-2D-ESPRIT(quadratic-FB-2D-ESPRIT, Q-FB-2D-ESPRIT)算法。基于不同算法估计得到的GTD模型参数对散射中心的定位精度进行比较,进一步验证了改进算法的优越性与有效性。     

空域色噪声背景下双基地MIMO雷达角度估计

空域有色噪声会导致现有多输入多输出(multiple input multiple output, MIMO)雷达算法性能下降, 甚至完全失效。针对空域色噪声背景下双基地MIMO雷达联合波离角(direction of departure, DOD)和波达角(direction of arrival, DOA)估计问题, 分析了现有算法失效的原因。考虑到匹配滤波后无噪协方差矩阵的低秩特性、色噪声协方差矩阵的稀疏特性以及MIMO雷达数据的多维结构特性, 提出一种基于张量分析的角度估计算法。首先, 构造角度估计的协方差张量, 通过去除协方差张量中受噪声协方差影响的元素对色噪声进行抑制。其次，利用张量填充技术对无噪协方差矩阵进行恢复。然后，利用平行因子分解获得目标角度的方向矩阵。最后, 采用最小二乘算法对目标的DOA和DOD进行拟合。仿真结果表明, 所提算法对色噪声不敏感, 且无孔径损失。相比现有矩阵及张量分析算法, 所提算法具有更高的估计精度。     

数据丢包的参数不确定下无人机滚动时域估计

针对网络中通信链路中断及系统参数不确定现象,研究了数据包丢失的参数不确定无人机系统状态估计问题,基于滚动时域估计理论和随机最小二乘理论,提出了一种分布式滚动时域估计算法。对于数据包丢失和参数不确定问题,采用已知概率的马尔可夫序列和系统矩阵扰动噪声进行建模。仿真结果表明,该算法的估计效果优于一种新的卡尔曼滤波算法。最后,研究分析了系统压缩量、数据包接收概率和时窗长度对所提算法估计性能的影响。在系统不确定性和丢包概率未知的情况下,适当增加时窗长度可以提高算法估计性能。     

基于传感器网络的气体源定位方法研究

提出一种分层结构的自组织无线传感器网络(WSN)用于气体污染源的定位研究,可以广泛应用于反恐、环境监控等场景。在修正的气体污染源浓度衰减模型基础上,提出一种改进的非线性最小二乘算法(I-NLS)以及极大似然算法(MLE)用于气体污染源定位。仿真试验对比研究了两种算法在不同的传感器节点以及背景噪声情况下对预估定位误差的影响。试验结果表明了这种分层结构的WSN用于气体污染源定位是可行的,同时验证了I-NLS、MLE两种算法定位的有效性。     

基于稳健MM估计的REKF RAIM算法

基于鲁棒扩展卡尔曼滤波(robust extended Kalman filter, REKF)的接收机自主完好性监测(receiver autonomous integrity monitoring, RAIM)对双星故障模式的检测及识别效果相对较差,尤其当故障矢量具有较高的空间一致性时, M估计的稳健性会受到极大破坏。针对这一问题,提出基于稳健MM估计的REKF RAIM算法, MM估计是兼具高崩溃污染率和高估计效率的两步抗差估计方法,首先采用具有高崩溃污染率的最小截断二乘(least trimmed squares, LTS)估计获得稳健性高的迭代初值和尺度参数,然后采用IGG III方案得到最终的参数估计值,并设计一种基于特征斜率的快速选星方法降低LTS估计的计算量。仿真结果表明,相比于基于M估计的REKF, MMREKF在双星故障模式下具备更高的稳健性,对双星故障模式有更好的检测与识别能力。     

软件接收机中基于数据处理的多径估计方法

当信噪比(signal-to-noise ratio, SNR）较低时基于数据处理的多径估计算法的估计性能显著降低。提出了基于Kalman滤波和Teager-Kaiser (TK）算子/最小二乘(least square, LS）相结合的多径估计算法,简称KTK/KLS算法。该算法通过Kalman滤波消除低SNR的高斯噪声对相关输出的影响,然后将滤波后的相关输出用于TK算子/LS估计直接信号时间延迟或多径参数。KTK/KLS算法有效解决了仅使用TK算子和LS算法进行参数估计时对噪声比较敏感的问题,保留了二者对多径比较敏感的优点。最后,通过仿真将KTK/KLS算法与其他高效的基于数据处理的多径估计算法进行比较,结果表明所提出算法的多径估计精度优于对比算法。     

一种不依赖超参数的稀疏信号单快拍DOA估计方法

基于传感器阵列输出模型的稀疏重构, 研究了利用单快拍数据进行相干信号波达方向(direction-of-arrival, DOA)估计的问题。定义一个干扰协方差矩阵作为权矩阵, 通过加权最小二乘(weighted least squares, WLS)准则的迭代自适应求解, 实现单快拍DOA高精度估计算法, 简称WLS-IAE算法。详细分析了算法的计算复杂度, 并与经典的稀疏估计类算法进行比较。结果表明作为一种稀疏表示类估计方法, WLS-IAE算法不仅保持了在低信噪比、单快拍、信号相干、信号DOA角度间隔小等非理想条件下的良好估计性能, 而且无需选取超参数, 计算复杂度更低, 具有更强的实时性, 适用于快变目标信号DOA的实时跟踪测量, 具备潜在的工程实用价值。仿真实验验证了提出算法的有效性。     

基于最小二乘支持向量机的船舶操纵运动建模

基于自由自航船模试验或实船试验的系统辨识方法是一种确定船舶操纵运动水动力导数的有效方法.通过对舵角、漂角、转首角速度等试验数据的分析,用最小二乘支持向量机确定了船舶操纵运动数学模型中的水动力导数及其干扰力系数,其中非线性模型的参数辨识采用了多项式核函数.利用辨识得到的参数进行了操纵运动预报仿真并同自航模试验及实船试验数据对比,数值仿真结果验证了方法的有效性.