基于视线角序列的视线角速率样条滤波

依据拦截器与目标间的相对位置、速度关系,提出了基于视线角序列的视线角速率自适应样条滤波算法。该算法利用样条函数表示相对距离矢量,提出并结合“导引头球面”模型,建立了系统状态方程;在只给出视线角序列信息的情况下,对状态估计误差和观测误差进行了补偿,实现了自适应样条滤波算法,获得了有效的视线角速率信息。     

基于模糊神经网络的自适应滤波方法仿真研究

提出了一种模糊自适应卡尔曼滤波算法。该算法基于模糊规则，根据新息相关性，自适应调整测量噪声方差R，有效的解决了噪声的统计特性与实际不符时，滤波器发散的现象。同时，利用Elman网络作为误差估计器，补偿模糊自适应卡尔曼滤波器的估计误差。仿真结果表明，两种方法结合，可以有效地防止滤波器发散，缩小实际的滤波误差，提高滤波精度，实现滤波器参数的在线改进。     

一种改进的自适应滤波预测方法

本文对确定型常参数预测方法中的自适应滤波技术加以改进，即在最优化理论中对多变量函数极值问题的直接迭代搜索性解法中引入衰减／增益函数，在建立预测模型时把对时间序列分析定量方法与专家对相关因素的定性分析有机地结合起来，提高了原自适应滤波模型的解释能力和拟合水平，特别适合于存量经济变量和某些流量经济变量在发生比较急剧变化阶段的预测．作者应用此模型对处于成长期的我国蜂房式移动电话的市场需求进行了实证研究     

利用视线角信息的非合作目标相对距离估计方法

与非合作目标相对距离的精确测量是追踪器对其实施伴飞监视的关键技术之一.目前相对距离测量主要采用激光雷达作为测量敏感器,而国内的相关技术还不够成熟,难以满足任务需求.探讨一种新的相对距离的测量方法,追踪飞行器按特定方式进行一次或几次主动机动,根据机动过程中光学导引头测量的视线角序列,结合非线性滤波技术,对非合作目标相对距离进行精确估计测量.仿真结果表明,该方法可快速有效的精确测量非合作目标的相对距离,为监视伴飞任务提供技术支持.     

视线坐标系下的解耦无偏转换测量Kalman滤波算法

由于无偏转换测量Kalman滤波算法(unbiased converted measurement Kalman filter,UCKMF)的转换测量噪声协方差矩阵是非对角矩阵,所以无法直接给出该算法的解耦算法。针对此问题通过从参考坐标系(reference coordinate system,RCS)到视线坐标系(line-of-sight coordinate system,LCS)的坐标变换,在视线坐标系下得到了对角形式的转换测量噪声协方差矩阵,实现了转换测量噪声在三个坐标方向上的去相关化,并进一步在三维空间中推导了解耦的UCMKF滤波算法。在算法中,采用递推公式对参考坐标系与视线坐标系的坐标变换矩阵进行估计,并通过一个补偿矩阵提高了估值精度。仿真结果表明,对于匀速运动的目标,解耦UCMKF算法与耦合UCMKF算法的跟踪性能非常接近,但计算量大大降低,因此比较适合在多目标跟踪中应用。     

时用水量预测的自适应组合动态建模方法

利用随机过程及时间序列分析手段,根据用水量序列季节性、趋势性及随机扰动性的特点,建立了用水量预测的自适应组合平滑模型。利用递推最小二乘算法及卡尔曼滤波算法解决了模型参数的动态估计问题。该法经实例验证,预测误差较小,可满足供水系统调度的实际需要。     

一类基于神经网络非线性随机系统自适应滤波

给出非线性MIMO随机系统可观性定义和条件，将非线性SISO确定性系统局部可观性理论拓展到非线性MIMO随机系统，基于这一理论在系统模型和噪声统计未知情况下，提出一类基于神经网络的非线性离散随机系统自适应滤波器的设计方法，考虑过程方程的动态特性和输出方程的静态特性，设计了动态神经网络作为系统的滤波器，前馈神经网络作为系统的输出预报器，充分利用已知观测信息训练两个神经网络，从而提高了状态估计的精度，该方法克服了扩展Kalman滤波要求模型和统计特性精确已知的不足，仿真例子验证了所提出的估计方法的有效性。     

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。     

基于非线性预测滤波的卫星姿态确定

为了提高卫星姿态确定系统的精度和可靠性,采用由姿态动力学与运动学方程构成的非线性卫星姿态运动模型,结合陀螺和矢量观测信息来确定卫星姿态。针对转动惯量变化等引起的模型不准确问题,研究基于预测滤波实现姿态估计的关键技术。仿真结果表明,在恰当选取加权阵的前提下,该方法可实时估计模型误差,当用低通滤波去除高频噪声的模型误差进行补偿后,大大削弱了模型不准确对姿态估计精度的影响,其估计效果明显优于传统的扩展卡尔曼滤波,由此验证了预测滤波在卫星姿态确定中的有效性和精确性。     

基于Stirling插值滤波和扩展卡尔曼滤波的方位估计

插值间距的适当选择可以从某种程度上确保剩余项更接近于全Taylor级数的高阶项,因此,对大多非线性比较强的状态估计问题来说,基于Stirling插值原理的SIF要比EKF具有更大的优越性。估计方位时我们用仿真实验分别对SIF和EKF的特性进行了比较,用四元数而不用欧拉角来表示旋转量以消除方位估计的奇异性问题,状态向量包括四元数方位和旋转速度,以四元数作为测量输入,因此测量方程是线性,仿真实验结果表明:由于动态系统的准线性本质,估计四元数方位时EKF特性要比SIF好。     

基于自适应卡尔曼滤波的汽车前后轴干扰力估计

针对汽车自动车道保持控制中汽车侧向干扰信息难以直接获取,提出把汽车动力学模型和自适应卡尔曼滤波理论相结合进行汽车前后轴干扰力估计.在线性二自由度汽车动力学模型中考虑前后轴的侧向力干扰,以辅助变量横摆角速度、侧向加速度和方向盘转角为量测信息,通过改进的自适应卡尔曼滤波算法建立了前后轴干扰力的最小方差估计,并对量测信号进行了滤波降噪.基于ADAMS/Car的虚拟试验验证了该算法具有较高的估计精度,可以为汽车侧向控制系统中估计器的设计提供理论指导.     

ATM网络的自适应预测速率控制及其仿真研究

异步传输模式(ATM)网络中随机接入用户数的动态变化、传输延迟的时变特征等不确定因素,使网络难于管理和控制,而且网络性能也会下降,甚至出现不稳定的振荡。本文利用自适应预测控制方法,设计了稳定的、公平的速率控制算法。该方法可以分布实现,易于扩展。仿真研究表明了本文方法的有效性。     

基于多模型方法的自适应卡尔曼滤波

针对一类观测噪声统计特性未知的离散时间系统设计一种多模型自适应卡尔曼滤波器。基于多个不同的固定观测噪声协方差阵建立多个固定模型卡尔曼滤波器,将多个固定模型卡尔曼滤波器和一个常规自适应卡尔曼滤波器共同组成多模型自适应卡尔曼滤波器。针对每一个滤波器建立一个基于输出误差的指标切换函数,每一个采样时刻将指标切换函数取得最小值的滤波器的状态估计值切换为系统的当前状态估计值。仿真结果表明,与常规的自适应滤波器相比,此方法可以极大地改善滤波器的滤波效果。     

一种基于神经网络的非线性自适应滤波器

提出了基于Ａｄａｌｉｎｅ－ＭＬＰ递归神经网络的非线性自适应滤波器。这种新的滤波器运用了自适应ＩＲ滤波器理论,具有神经网络分布式并行信息处理,较好的容错特性和鲁棒效应等优点,且比传统的滤波器有更好的收敛特性,并可方便地实现非线性滤波。此外,还给出了Ａｄａｌｉｎｅ－ＭＬＰ递归网络在线滤波算法及其在非线性自适应噪声抵消器中的应用。最后进行了计算机仿真。     

基于无模型自适应控制的锌层厚度预估模型

针对锌层厚度控制过程中存在时变大滞后、非线性和多变量干扰而难以实现精确控制的问题,提出基于无模型自适应(MFA)结合Smith预估反馈控制方法.采用MFA预估算法可以实现Smith预估模型的参数偏差在线估计,并且不依赖预估模型的时间常数和延迟时间.从LabVIEW仿真数据结果可以看出,此控制策略对比增益自适应Smith控制算法,不仅能够有效地解决锌厚控制中系统高阶非线性问题,能有效克服不确定系统参数的扰动,并能有效处理系统时变大滞后问题.     

基于KLD采样的自适应UPF非线性状态估计方法

针对标准UPF算法存在的计算量大、实时性差的问题,设计了一种利用KLD采样在线实时改变粒子个数的自适应UPF算法.该算法的核心思想是利用KLD采样原理,根据预测粒子在状态空间中的分布情况来在线实时的确定下一次滤波迭代所需的粒子个数,减少对滤波算法没有帮助的粒子,仅保留保证滤波估计精度所需的最少粒子个数,从而有效减小算法的运算量,提高算法的实时处理能力.最后,将自适应UPF算法与粒子滤波、标准UPF算法进行了仿真比较,仿真结果表明在保持高精度估计能力的同时,自适应UPF算法比标准UPF算法具有更好的实时性,是解决非线性非高斯系统状态估计问题的一种有效方法.     

自适应空域矩阵滤波器设计和目标方位估计

针对在强干扰背景中检测弱目标信号时被动声信号处理技术的性能会严重降低的问题,提出了一种自适应空域矩阵滤波器的设计方法。该方法是在保证滤波器通带响应与期望响应误差和阻带响应低于某设定值的条件下,最小化滤波后基阵的输出功率,使得滤波器能尽量保证让通带扇面的信号无失真通过,同时抑制阻带扇面的干扰和噪声。将滤波器的优化设计问题表达成二阶锥规划的形式,利用已有的内点方求出其数值解。最后将设计的自适应空域矩阵滤波器用于强干扰背景中弱目标信号的方位估计。计算机仿真结果说明,所提方法能在干扰方位形成零陷,有效地抑制阻带区域的强干扰,提高了后续方位估计方法的性能。     

基于串联动量滤波器的自适应谱线增强器

针对水下环境噪声的非高斯性特点,利用最小均方算法、动量最小均方算法、变步长算法和极性算法的性能,将基于短时相关的自适应谱线增强器修改为基于短时相关动量滤波算法的自适应谱线增强器(SCMBALE),提出了四阶累积量变步长极性动量滤波算法,将基于该算法的自适应谱线增强器(FVSMBALE)、基于动量最小均方算法的自适应谱线增强器(MLMSBALE)及基于短时相关动量滤波算法的自适应谱线增强器(SCMBALE)依次串联起来,构造出基于串联动量滤波器的自适应谱线增强器(SMFBALE)。通过理论分析与仿真实验对该增强器的性能进行了研究。结果表明:该增强器在抑制非高斯噪声、增强线谱信号、跟踪时变信号等方面的性能优于单个的FVSMBALE、MLMSBALE和SCMBALE。     

基于自适应陷波器的主动隔振仿真研究

自适应陷波器可以对陷波频率处的信号进行有效衰减，而对其他频率的信号影响较小，因而在有源消声、信号提取等方面得到广泛应用。以与振动干扰同频率的正弦信号作为前馈控制系统的参考输入，采用滤波LMS算法对控制权值进行调整，证明对单频和多频干扰进行主动隔振时系统的结构均等同于自适应陷波器，因而可以对周期性振动进行有效的隔离。仿真结果表明，在振动干扰中存在随机噪声的情况下，所提出的控制方法对于周期性振动仍具有较好的控制效果。