机动输入子波估计的卡尔曼滤波器

提出一种新的机动输入估计的卡尔曼滤波器,该滤波器利用子波滤波从新息中估计机动造成的附加位移,由此修正卡尔曼滤波器的状态估计,模拟实验表明这一方法比通常的机动输入估计卡尔曼滤波器（ＩＥ）具有更好的目标跟踪性能,而计算也更为简便。     

输入受限的广义预测控制算法的鲁棒性

针对输入受限的广义预测控制问题，将其数学表达式转化为系统框图，并根据内模原理求出了系统的特征方程；在此基础上对输入受限的广义预测控制算法的鲁棒性进行了讨论分析，最后进行仿真验证。     

基于加权预测的宏块级码率控制算法

针对H.264的简单线性预测模型的误差,考虑视频序列的时空相关性,提出了基于加权预测的宏块层码率控制算法。实验结果表明,与JVT-G012提案相比,该方法在准确控制码率的同时,图像的视觉质量也得到提高。     

多传感器矩阵加权信息融合预测控制算法

针对多传感器线性离散时不变随机控制系统,应用Kalmam滤波方法,基于状态空间模型,在线性最小方差最优信息融合准则下,给出了多传感器按矩阵加权信息融合预测控制算法.该算法将信息融合Kalman滤波器和预测控制相结合,避免了求解复杂的Diophantine方程,可明显减轻计算负担.与单传感器情形相比,可显著提高控制精度.一个三传感器目标跟踪控制系统的仿真例子说明了算法的有效性和正确性.     

时间乘子加权广义预测控制

提出一种具有时间乘子加权性能控制的广义预测控制算法，此方法能提高系统的稳定性，同时与其他算法相比提高了系统的瞬态响应，文中还给出这种加权下广义预测控制渐进稳定的充分条件，仿真实验说明了算法的有效性。     

一种基于干扰预测的功率控制算法

针对宽带码分多址系统的上行链路,提出了一种基于干扰预测的功率控制方法,利用当前时刻和以前若干时刻的干扰对下一时刻的干扰进行最佳预测,以此为基础来解决下一时刻的功率,从而使信干比更接近门限值,仿真结果证明,该方法不仅可以提高控制精度和收敛速度,增加系统的稳定性,而且可以减小条件下断概率,增加系统的容量。     

具有未知输入干扰的状态估计器的设计

研究了系统含有未知扰动时的状态估计问题,提出了一种新的状态估计方法,它能消除未知输入干扰,给出了新型状态估计器存在的条件。仿真结果证明了本文的正确性。     

基于扩展卡尔曼滤波器的液压驱动器状态估计

本文的液压驱动器属于不可观测的非线性系统,普通的状态观测器难以胜任系统的状态估计,故采用扩展卡尔曼滤波器对液压缸活塞腔和杆腔压力进行估计.建立了液压系统的4阶非线性状态空间模型,用高斯-牛顿法拟合模型参数,用关节角度信号通过扩展卡尔曼滤波器估计液压驱动器状态.仿真结果表明该方法可以精确估计液压缸压力,实验结果显示该方法估计的关节扭矩接近测量值;从而验证了扩展卡尔曼滤波器估计液压系统状态的有效性,为基于状态的故障诊断和液压驱动器控制提供了一定的借鉴.     

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。     

有序样品的加权动态预测

对有序样品而言,每个样品与新样品关系的“密切”程度不同.预测时应该适当降低与次要数据的拟合精度,提高与重要数据的拟合精度,从而提高预测效果.在此思想下,本文提出有序样品加权最小二乘估计中权重的一种取法,即通过迭代的方法来确定一个区间,在此区间上取自然对数,以对数值作为权重来进行加权最小二乘估计.     

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.     

输入受限网络控制系统的鲁棒模型预测控制

针对一类带有随机时延的输入受限多面体不确定网络控制系统,提出了一种鲁棒模型预测控制算法．假设随机网络时延为Markov链,并考虑Min-Max无穷时域性能指标,用线性矩阵不等式方法给出了依赖于模态的状态反馈控制器．基于Lyapunov方法,得到了保证可行性和鲁棒随机稳定性的条件．仿真结果验证了算法的有效性．     

基于卡尔曼滤波算法的无刷直流电机直接转矩控制

阐述了一种新的无刷直流电机转矩检测方法,可应用于直接转矩控制。传统的转矩观测方法有基于磁链观测转矩和基于反电势观测转矩,其分别存在计算复杂、误差大和难以得到准确的反电势的问题。根据无刷直流电机运行特性,提出了通过采集端电压和相电流的卡尔曼滤波转矩观测策略,仿真结果表明,能够准确观测到电机转矩。通过设计卡尔曼滤波算法,有效避免了微分运算产生干扰的问题,且不需要额外的滤波电路,节约了系统成本,并且利用转矩观测时产生的中间变量,完成无刷直流电机无位置传感器控制。     

基于模型预测控制的三相四桥臂有源电力滤波器

针对现有有源电力滤波器数字化控制方法对模型依赖性较强的缺点, 在介绍了正负序系统和零序系统解耦控制的基础上, 提出了一种三相四桥臂有源电力滤波器的模型预测控制(MPC)方法, 以差分方程作为预测模型, 保留了常规MPC中的反馈校正和滚动优化环节, 推导出了最优控制率. 与常用的预测电流控制方法做了对比, 得出了带电源电压观测器的预测电流控制只是模型预测控制的一个特例的结论; 详细分析了参数对稳定性的影响, 修改MPC的参数, 可以在省略带通滤波器的情况下, 允许更大的连接电抗参数建模误差, 鲁棒性比预测电流控制更高.此外, MPC和重复控制相结合消除了MPC所固有的稳态误差. 仿真结果验证了所提方法的有效性和正确性.     

基于神经网络的有源电力滤波器预测控制方法

提出了一种基于神经网络的有源电力滤波器预测控制方法。此方法将神经网络内模控制技术应用到有源电力滤波器（ＡＰＦ）的控制系统中,同时针对ＡＰＦ控制系统中神经网络计算时延问题,引入了一个神经网络预测模型。仿真分析表明,这种控制方法补偿了系统滞后,能充分利用神经网络的自适应特性,有很好的控制效果。     

自适应卡尔曼滤波器在机器人控制中的应用

机器人控制系统在实际工作中不可避免地要受到随机噪声的影响,当噪声的统计特性已知时,可以考虑采用常规Kalman滤波以抑制随机噪声对控制性能的影响;但当噪声的统计特性不完全已知时,常规Kalman滤波的滤波性能会下降甚至会引起发散。根据机器人的动态特性,设计了一个自适应Kalman滤波器,并对该滤波器应用于机器人控制系统进行了仿真实验研究。仿真结果表明,所设计的滤波器能够较好地抑制方差和均值未知的测量噪声对机器人控制系统的影响,控制系统的动态性能得到了较大的改善。     

一种基于非线性Laguerre模型的预测控制算法

利用Laguerre正交函数逼近非线性动态系统的各阶Volterra级数核 ,建立了系统的Laguerre非线性模型 ,在此基础上推导出基于该模型的非线性系统预测控制算法 ,对一类Wiener非线性系统的控制 ,进行了仿真研究。     

一种基于改进型KALMAN滤波器的目标定位算法

在以常规卡尔曼滤波器为基础的各种跟踪算法中，要求精确的模型和噪声统计，但在实际系统中，大多数情况不能满足上述要求。给出了考虑初始条件下不精确性的改进型Kalman滤波器表达式，并在引入速度量测信息的基础上，运用该滤波方法进行空间目标二维定位。Mnte Carlo仿真表明该方法降低了对模型精度的要求，在工程上是可行的。     

基于Laguerre函数模型的预测控制算法

在简述基于Ｌａｇｕｅｒｅ函数近似模型的自适应预测控制原理、算法及其特点的基础上,将现有的多步预测、单步优化的控制算法扩展为多步预测、多步优化的控制算法,并与传统的广义预测控制（ＧＰＣ）作了比较研究,结果表明基于Ｌａｇｕｅｒｅ函数模型的预测控制方法对变时延、变阶次被控对象的控制鲁棒性明显优于广义预测控制