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.     

模糊随机系统的卡尔曼滤波

讨论了一类三角(或梯形)模糊状态的无偏最小方差估计及三角模糊随机系统的卡尔曼滤波问题。给出卡尔曼滤波的递推方程。     

基于多项式变换的双率最小方差自校正控制

输入输出采样周期相同,而且时间上同步的传统离散时间系统(即单率系统)最小方差控制方法,不适用于输入输出采样周期不相同的双率系统.现提出控制刷新频率是输出采样频率整数倍的未知参数双率系统最小方差自校正控制算法.其基本思想是,利用多项武转换技术得到双率系统的频域模型,设计一个估计器来计算系统的损失输出(即采样问输出),导出了双率系统最小方差控制律,提出了最小方差自校正控制算法.最后用仿真例子说明提出方法的有效性.     

随机系数矩阵卡尔曼滤波

作者考虑了状态转移矩阵和量测矩阵是随机阵的线性离散时间动态系统的状态的线性最小方差递推估计问题,即随机系数矩阵卡尔曼滤波,说明了该系统可化为过程噪声和量测噪声均依赖于状态,而转移矩阵和量测矩阵是非随机阵的线性动态系统,从而证明了新系统的状态的最小方差估计问题仍有卡尔曼滤波形式.     

广义随机2-D系统的状态估计

考虑广义随机2-D系统的卡尔曼估计问题。目的是利用最小方差准则，在系统同时受到动态噪声和测量噪声干扰下，得到一类2-D系统的卡尔曼滤波。通过运用斜割支线和几何方法，给出状态向量的卡尔曼滤波与最优预测。同时，给出滤波和预测误差的方差与协方差阵的显示公式。     

带状态滞后的随机奇异系统分布式信息融合滤波器

基于满阶变换,原始带有状态滞后的随机奇异线性系统被转化为带有状态滞后和有色噪声的正常系统。应用新息分析方法,推导了任意两个传感器子系统之间的互协方差矩阵的计算公式。进一步,基于线性最小方差最优加权融合算法,给出了原奇异系统分布式融合滤波器。仿真研究验证了算法的有效性。     

基于最小方差控制的闭环辨识信号设计

讨论了系统辨识实验信号的设计方法．从实际控制器和理想控制器间误差的角度出发，评价系统性能指标为系统在实际和在理想控制器控制下输出误差的平方均值最小．当输入信号或输出信号能量有限时，分别推导出辨识输入信号功率谱密度．当控制策略为最小方差控制时，给出信号功率谱的具体表达式．结论对在最小方差控制下的闭环辨识信号设计有指导作用．     

自校正解耦融合Wiener状态预报器

对含未知模型参数和噪声统计的多传感器单输入单输出系统,用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型的在线辨识,可得到未知模型参数和噪声统计估值器,进而在按状态分量标量加权线性最小方差最优信息融合准则下,提出了自校正分量解耦信息融合Wiener状态预报器。它实现了自校正分量解耦局部Wiener状态预报器和自校正分量解耦融合预报器。证明了它的收敛性和渐近最优性。一个目标跟踪系统的仿真例子说明了其有效性。     

关于国民收入随机模型的广义最小方差控制

基于Astrom随机动态模型，讨论了非最小相位经济系统的控制问题。应用广义最小方差控制方法设计出自发投资的调控策略，通过实例表明，国民收入在控制策略作用下波动幅度最小，这是促进经济增长良性循环的重要前提。     

噪声相关时多通道带乘性噪声系统最优滤波

针对多通道乘性噪声系统问题的实际需要,推广Rajasekaran滤波算法,利用线性最小方差的概念和投影公式,导出含有乘性噪声统计特性参数阵特殊乘法运算的新息协方差矩阵,并利用这个中间矩阵,在观测为多通道,且各个通道的乘性噪声不同,以及系统的动态噪声和观测噪声同时刻相关的情况下,导出状态递推滤波算法,该算法在线性最小方差意义下是最优的。并对该算法进行仿真研究,仿真结果表明了该算法的有效性。     

应用全极化辅助天线和Kalman滤波器的旁瓣干扰对抗方法

为减小干扰极化方式对旁瓣对消系统的影响,提出一种基于全极化辅助天线和Kalman滤波器的极化域-空域联合抗旁瓣干扰方法。首先对辅助天线进行正交双极化改造,根据极化通道功率优选辅助通道信号,进而利用Kalman滤波器进行闭环旁瓣对消。该方法将旁瓣对消系统看作误差预测滤波器,将优选的辅助通道加权和作为量测,通过迭代修正权值矢量,减小主通道信号与量测的误差,从而消除旁瓣干扰,提高主通道信噪比。仿真实验表明:该方法收敛速度快,适用于多辅助通道情况,对正交极化干扰的输出信噪比优于常规旁瓣对消约10dB,在低快拍条件下稳定性好。     

参数自适应的永磁同步电机无速度传感器控制

针对永磁同步电机无速度传感器控制时,模型参数变化引起观测器误差的问题,提出了一种模型参数自适应的观测器设计方法. 运用双无迹卡尔曼滤波的双估计方法,在通过模型估计系统状态的同时,利用估计所得到的系统状态再估计系统模型参数,从而实现模型参数的自适应控制. 试验结果表明,双无迹卡尔曼观测器在永磁同步电机的无速度传感器控制中,对系统状态和模型参数的估计准确有效,达到了预期的控制效果,实现了模型参数的自适应控制,使控制精度有所提高.     

抗差与自适应组合的卡尔曼滤波算法在动态导航中的研究

针对观测信息不充足时,无法使用现有的一些抗差自适应滤波的问题,提出一种组合抗差滤波和自适应滤波的方法.该方法利用基于m估计实现的抗差滤波和基于新息向量马氏距离平方服从卡方分布而构造的自适应滤波,同时采用2次对检验统计量进行判别的方法,可以在单个历元实现在标准卡尔曼滤波、自适应卡尔曼滤波和抗差卡尔曼滤波之间选择一种当前时刻的最优滤波,因此,采用该方法也能构成抗差自适应卡尔曼滤波.仿真结果表明,在观测信息不足且滤波模型出现异常时,该方法能有效控制动力学模型误差和观测异常对导航解的影响,使导航解更能反映导航系统的真实情况.     

Kalman滤波在单神经元PID控制中的应用

针对单神经元PID控制器包含输出噪声, 从而导致控制性能下降的问题, 提出一种基于Kalman滤波理论的改进单神经元自适应PID控制算法. 该算法通过引入状态空间的概念, 采用时域上的递推方法进行数据滤波, 控制对象的输出值经过Kalman滤波算法处理后再返回闭环控制系统. 实验结果表明, 改进算法能有效消减控制系统的输出噪声, 接近于无噪声的理想状态, 提高了控制性能.     

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.     

随机奇异系统多传感器信息融合Kalman多步预报器

应用Kalman滤波方法和奇异系统典范型分解,对单传感器随机奇异系统,给出了Kalman步预报器新算法。对带多传感器随机奇异系统,基于线性最小方差标量加权融合算法,给出了具有两层融合结构的多传感器分布式最优信息融合Kalman多步预报器。同时给出了任两个传感器之间的预报误差协方差阵的计算公式。当各传感器子系统存在稳态Kalman滤波时,又给出了稳态信息融合Kalman多步预报器。稳态权重可在各子系统达到稳态时通过一次融合计算获得．避免了每时刻计算协方差阵和融合权重,便于实时应用。仿真例子验证了其有效性。     

运用卡尔曼滤波技术开发气象估计器的研究

公众气象预报信息存在偏差，导致电力负荷短期预测中出现相应不可预计的误差。基于随机事件的分布理论，说明卡尔曼滤波器的叠代算法。并运用卡尔曼滤波技术开发气象信息估计器，为电力负荷预测提供具备统计方差最小意义的待测日气象数据，提高了负荷短期预测的准确度。     

基于滑模观测器的航空发动机信号重构

本文研究航空发动机控制系统中传感器的信号重构问题。针对含有建模误差等未知干扰发动机模型,考虑传感器发生故障情况下,提出了基于滑模观测器的航空发动机信号重构方法。首先通过滤波器将含有传感器故障的系统等效为含有虚拟的执行器故障的系统;然后设计滑模观测器,并设置合适的增益矩阵使得状态估计误差稳定有界、输出估计误差在有限时间内到达滑模面,保证了滑模观测器对传感器故障的精确估计,在此基础上实现航空发动机的信号重构;最后,通过MATLAB/simulink对低压转速传感器发生不同幅度的软硬故障时进行信号重构仿真并与常用的卡尔曼滤波器方法进行对比,结果验证了该方法的有效性。     

基于Kalman滤波的量程自适应超声波测距

针对移动式机器人障碍物探测时,超声波测距存在大量程与小盲区之间的矛盾及测量周期长的问题.设计了易于控制的超声波测距系统,采用基于Kalman滤波的量程自适应测量方法.为系统设定多级量程,在实际跟踪测量时,利用Kalman滤波器对目标的状态进行预测,通过预测值与设定阈值的比较进行量程的自适应切换,调整系统的测量参数.实验结果表明,该方法在增大量程的同时减小了盲区,实现了在大动态范围内对目标动态参数的准确估计,同时缩短了平均测量周期,增强了系统的实时性.