基于干扰观测器的一类不确定非线性系统鲁棒自适应控制

本文利用干扰观测器和Backstepping方法,提出了一类不确定非线性系统的鲁棒自适应控制方案.首先,利用径向基神经网络(radial basis function neuralnetwork,RBFNN)设计干扰观测器,并通过对RBFNN参数的自适应调整来逼近系统干扰.基于干扰观测器的输出,采用Backstepping方法设计鲁棒自适应控制器.在所设计的鲁棒自适应控制器作用下,闭环系统所有信号达到半全局一致有界稳定.闭环系统稳定分析表明适当地选取设计参数可以确保所有系统状态是一致有界的.最后,仿真结果验证了所提出的鲁棒自适应控制方案的有效性.     

自适应频域块LMS算法在抵消干扰方面的研究

分析了无线通信系统中自适应滤波算法中的LMS算法,并提出了利用自适应抵消输入信号中的干扰而获取有用信号的在频域实现的干扰抵消方法,该方法基于时域中的数据块最小均方误差LMS算法和该块LMS算法中存在线性相关和线性卷积的过程,通过1/2重叠保留法的快速傅立叶变换FFT,在频域以直接相乘的计算方式实现快速相关和快速卷积,利用自适应滤波器在频域实现LMS算法.通过实验仿真比较可以看出,该频域块LMS算法不仅保证了与时域自适应滤波算法有相同的收敛性,而且由于利用了快速FFT技术,使运算量大大减少.     

基于模糊神经网络的图像恢复技术

通过分别引入输入与输出空间的合理剖分,定义了一种新的模糊神经网络(FNN), 即选择型FNN, 该系统是一种多层前向网络, 在最大模意义下构成一类函数泛逼近器.基于一组具有实际意义的模糊推理规则, 得出了一个简单实用的推理型FNN. 利用选择型FNN与推理型FNN的有机结合, 得到FNN滤波器, 它不仅结构简单, 易于设计参数学习算法, 而且能同时有效去除图像信号中的脉冲噪声和保持图像结构. 实验结果表明, 与其他滤波器(如:中值滤波, 自适应加权模糊平均(AWFM)滤波等)相比, FNN滤波器在去除各种噪声, 保持图像未污染部分结构等方面性能卓越     

基于脉冲耦合神经网络的椒盐噪声图像滤波

通过对脉冲耦合神经网络(PCNN)工作机理的分析, 指出由其神经元的阈值衰减特性和网络局部链接特性所带来的神经元的点火捕获特性本身就具有很好的对椒盐噪声污染图像的噪声定位作用, 并基于此提出了一种对图像噪声进行定位、仅对噪声像素进行类中值滤波的思想, 实现了图像的强自适应滤波, 并针对随机椒盐噪声和极端椒盐噪声两种不同的噪声情况, 分别给出了相应的滤波器. 经该方法滤波的图像有无任何畸变(对非噪声像素)、模糊小(对噪声像素)的特点, 较传统的基于窗函数滤波的方法(如中值滤波法)有明显的优越性, 实验及与其他方法的比较验证了其良好的滤波性能.     

不确定离散系统的鲁棒l2-l∞及H∞滤波新方法

要 基于一个新的鲁棒稳定条件, 提出了依赖于参数的凸多面体不确定离散时间系统的鲁棒l₂-l_∞及H_∞性能新判据. 利用该判据, 采用线性矩阵不等式技术推导了此类系统的鲁棒滤波新方法. 该方法通过求解一个凸优化问题设计稳定的全阶滤波器, 使相对于所有能量有界的外界扰动信号, 滤波误差系统的l₂-l_∞或H_∞性能指标小于一定值. 与已有的基于二次稳定的滤波方法相比, 所提出的算法具有较低的保守性.     

泄漏检测信号滤波技术比较

通过泄漏检测模型试验分析测量信号中的噪声来源，在对比研究传统小波去噪、改进神经网络去噪、最小二乘拟合去噪等方法在实测数据中去噪效果的基础上，借鉴神经网络反向传播学习算法的思路，提出了信号预滤波结合闽值自学习小波去噪的综合滤波方法。该方法通过对恒定状态下带噪压力信号阈值自学习使得重构信号与期望输出均方误差最小来获得单一工况下的最佳去噪阈值，再将此阈值用于同一工况下整个时间段的去噪，这样根据不同工况下得到的最佳阈值可以获得最优输出。数值计算结果比较表明该方法对噪声的抑制作用明显，比传统小波去噪、改进神经网络去噪等方法效果更好。     

分布式驱动HEV自适应无迹卡尔曼车速估计

针对四驱混合动力汽车,为改善其电子稳定性系统(electronic stability program,ESP)车速估计的精度和鲁棒性,考虑后轮毂电机转矩精确可测可控,以及前轮驱动转矩可推算的特点,结合ESP系统既有的传感器输出信号,提出了分布式自适应无迹卡尔曼车速估计算法.首先,建立了四驱混合动力汽车动力系统及动力学模型,其包括驱动系统模型、7自由度车辆动力学模型和Burckhardt轮胎模型.其次,考虑模型的时变及强非线性特性,采用无迹卡尔曼滤波(unscented Kalman filter,UKF)算法设计了主/子滤波器.一方面通过对量测噪声的自适应,改善了UKF算法量对量测信号干扰的鲁棒性;另一方面将主/子滤波器结果进行融合,并用融合后结果重置了各滤波器,提高了车速估计精度.最后,搭建了四驱混合动力汽车Carsim-Simulink联合离线仿真平台和硬件在环仿真试验平台,分别开展了双纽线、低速双移线两种驱动工况的离线仿真和硬件在环仿真试验.试验结果表明,所提出的分布式自适应无迹卡尔曼车速估计算法不仅估计精度较高,而且也有着较强的自适应性和鲁棒性能.     

AM信号确认算法研究与仿真

通过分析短波段AM广播信号调制特性，定义了调制信号上下边带频谱相关系数和调制信号与包络检波信号频谱相关系数，并以语音检测相关参数作为辅助。由此提出一种对AM广播信号进行“身份验证”的信号确认算法。基于短波标准信道的仿真实验表明，所定义的两个参数对噪声和信道滤波鲁棒，该算法可直接应用于实际工程环境，具有重要应用价值。     

新型冲量式谷物联合收割机智能测产系统

作物产量分布信息是精准农业的关键基础数据.以数字型冲量式谷物质量流量传感器为核心部件,应用CAN总线架构设计了联合收割机测产系统.设计了双平行梁结构的冲量式谷物质量流量传感器,其中第一根平行梁上的拦截指直接受谷物籽粒流冲击;第二根平行梁则只用于检测收割机振动以及地形变化引起机器倾斜等干扰,不与谷物籽粒流接触.采用最小二乘法求取自适应对消因子,利用第二根平行梁输出作为参考信号进行自适应干扰对消,有效地消除了第一根测量平行梁中各种干扰引起的输出.大田初步实验结果表明,最大相对测产误差小于4%.     

MIMO-OFDM系统中基于变分Bayes EM算法的联合符号检测与鲁棒Kalman信道跟踪

基于变分Bayes期望最大化VBEM(variational Bsayes expectation maximization)算法和Turbo原理,提出了快时变信道条件下MIMO-OFDM系统中的联合符号检测与信道估计算法.在VBEM框架下,信号检测和信道估计分别由修正的列表球形译码算法和软输入Kalman算法完成,检测器和估计器分别考虑了信道和检测信号的估计误差协方差矩阵.当信道时变剧烈时,存在较大检测误差的数据在软输入Kalman算法中引入异常值(outliers),由于Kalman算法对于异常值的敏感性,系统会在错误传播的影响下出现误码平台.为削弱异常值的影响,利用鲁棒统计理论设计了VBEM框架下改进的鲁棒软输入Kalman算法,该算法能在出现异常值的条件下保持较好的信道跟踪能力.仿真结果表明:在快速时变多径信道条件下,文中设计的鲁棒VBEM算法优于传统的VBEM算法和EM算法.     

一种基于谱相减法的声信号时延估计

利用信号增强算法，结合广义互相关时延估计原理，提出一种声信号时延估计算法。在噪声背景下先采用谱相减法从带噪信号中估计出原始声信号，提高信噪比，利用四元立体传声器阵列和广义互相关算法原理，对相关数据进行加权处理得到较高精度的时廷估计值。该算法可以有效抑制空间加性噪声，得到有效声信号准确的时延估计。实验仿真结果表明了该算法的可行性，在信噪比较低的情况下，与单一使用广义互相关函数相比，极大地提高了时延估计算法的准确程度。     

非圆信号的协方差匹配自校正算法及其性能分析

针对非圆信号测向中方位依赖幅相误差的校正问题，本文根据非圆信号的非圆特性和辅助阵元能够自校正的特点，对协方差匹配估计技术（covariancematchingestimationtechnique，COMET）进行改进，提出一种适用于信源时域统计特性未知和统计独立特性先验已知两种情况的改进算法：NC—COMET算法．该算法利用非圆信号扩展协方差数据，使其校正精度较常规的基于辅助阵元的最大似然类算法（未利用非圆特性）有明显提升，且降低了最小辅助阵元数要求．从理论上证明了参数估计的统计一致性，采用一阶误差分析方法推导了有限采样影响下参数估计的均方误差表达式，并提出算法的cc数据利用率”定义，定量比较获得了NC．COMET算法的数据利用率较常规的最大似然类算法的提升幅度．仿真结果亦表明NC—COMET算法性能较常规的最大似然类算法更优：低信噪比下具有更强的鲁棒性；信源时域统计独立特性先验已知或者大非圆率的情况下，该算法对校正精度的提升尤为明显．     

A nonparametric method for asymmetrically extending signal extraction filters

Two important problems in the X‐11 seasonal adjustment methodology are the construction of standard errors and the handling of the boundaries. We adapt the ‘implied model approach’ of Kaiser and Maravall to achieve both objectives in a nonparametric fashion. The frequency response function of an X‐11 linear filter is used, together with the periodogram of the differenced data, to define spectral density estimates for signal and noise. These spectra are then used to define a matrix smoother, which in turn generates an estimate of the signal that is linear in the data. Estimates of the signal are provided at all time points in the sample, and the associated time‐varying signal extraction mean squared errors are a by‐product of the matrix smoother theory. After explaining our method, it is applied to popular nonparametric filters such as the Hodrick–Prescott (HP), the Henderson trend, and ideal low‐pass and band‐pass filters, as well as X‐11 seasonal adjustment, trend, and irregular filters. Finally, we illustrate the method on several time series and provide comparisons with X‐12‐ARIMA seasonal adjustments. Copyright © 2010 John Wiley & Sons, Ltd.     

基于特征的矢量场自适应纹理绘制

针对3D流场纹理可视化方法面临的遮挡问题,提出了一种基于流场特征模糊提取的自适应稀疏纹理绘制方法.该方法建立在一种可扩展的模糊流场特征区域描述与提取算法基础上,首先通过采用模糊理论对流场特征区域进行描述,建立了流场特征的测度规则并得到相应特征向量,然后基于特征向量偏差给出了最小平方和误差准则下的模糊测度隶属度的确定方法.根据得到的流场特征模糊隶属度场,生成可突出流场特征信息的自适应高斯噪声以进行纹理LIC卷积.同时针对纹理方法难以明确表示3D流场具体方向的缺陷,提出了两种冷暖光照方法,通过在LIC卷积过程中采用冷暖光照方法突出流场具体方向显示,有效解决了该问题.实验表明,本文方法相对于传统特征提取方法更具有可扩展性.同时自适应技术的采用,有效缓解了3D流场可视化存在的遮挡和混淆现象.而冷暖光照处理的加入,则解决了纹理方法对流场具体方向表现上的缺陷.     

Adaptive prediction for stochastic processes with markov jump parameters

This paper is concerned with the adaptive prediction for stochastic processes with abruptly changing parameters modelled as a finite-state Markov chain. The Markov transition matrix is assumed to be known. For the coloured noise disturbance case, it is shown that the optimal prediction algorithm requires a bank of elemental predictors running in parallel with its number growing exponentially with time. If the noise disturbance is white, it is found that the number of the elemental predictors required increases exponentially with the prediction ahead step instead of time. A suboptimal predictor is proposed with substantial reduced storage and computational requirements. Simulation examples show the good performance of the proposed algorithms.     

Entropy measures of signal in the presence of noise: evidence for ‘byte’ versus ‘bit’ processing in the nervous system

Summary A method for detecting signal in the presence of noise in a highly specific was is described. Using action potential interval data from 12 neurons in rat cerebellum, we have demonstrated that the sequential ordering of spike intervals contains both noise and signal. We have identified and quantified the magnitude of relative entropy (uncertainty) for specified sets of interval patterns, ranging in length from 3–5 successive intervals. Some of these sets have exceptionally low entropy and thus seem to be especially meaningful as a set (word) to the brain.     

Harris Laplace特征区域 Contourlet域遥感图像水印算法

针对现有遥感图像水印算法抵抗旋转、剪切、水平镜像及联合几何攻击能力差的问题,提出一种局部化遥感图像数字水印新方法.算法首先对水印图像进行 Arnold置乱预处理,并将其行扫描形成一维向量作为待嵌入的水印信息;在宿主遥感图像中提取 Harris Laplace特征点,依据特征点确定水印嵌入特征区域;规范所选特征区域,对其进行归一化后实施 Contourlet变换,利用奇偶量化方法将数字水印嵌入选定的变换系数内.实验证明算法对滤波、噪声、JEPG压缩等常规信号处理具备较好鲁棒性,并且能够更好地抵抗旋转、缩放、平移及其联合等几何攻击     

Updating the forecast function of ARIMA models and the link with DLMs

This paper shows that the whole forecast function of ARIMA time series models, and not just the eventual forecast function, may be updated each time an observation is received. The paper also shows that the coefficients in the updating equations for the forecast function may be expressed in exactly the same form as the Kalman filter updating equations for canonical time series DLMs. Moreover, the adaptive factors in the updating equations are shown to be a simple function of the ARIMA model parameters. Copyright © 1999 John Wiley & Sons, Ltd.