基于推广Kalman滤波的机载无源定位改进算法

研究空中运动观测平台对地面辐射源目标的纯方位信息定位算法,提出改进的二阶EKF定位算法以提高定位估计精度.用推广Kalman滤波算法代替传统的最小二乘定位算法.充分利用观测平台的运动信息建立了可观测的观测方程,并采用二阶EKF算法解决了在观测误差较大的情况下导致的非线性误差较大的问题.采用Monte Carlo仿真比较LS,EKF和二阶EKF 3种方法的性能.证明用这种方法可以达到更好的估计精度,能够将目标位置定位在更小的概率椭圆内.概率误差椭圆缩小了30%.     

基于自适应种群小生境算法的非线性系统辨识

针对传统神经网络非线性系统辨识算法存在收敛速度慢、易早熟、需人工设置网络结构及初始参数等问题,提出自适应小生境PSO非线性系统辨识方法。改进算法融合分层递阶算法和小生境PSO算法思想,联合优化网络结构及初始化参数,引入自适应灾变因子提高寻优精度。仿真实验表明,改进算法可提高辨识精度和收敛速度,能有效避免早熟现象,并可显著提高大空间、多峰值函数寻优效率。     

基于改进粒子群算法的双馈感应发电机参数辨识

基本粒子群算法(PSO)存在早熟问题,且惯性权重对参数辨识结果的影响较大,为此提出将变权重PSO算法和全局最优位置变异PSO算法相结合的改进PSO算法,并将其应用于双馈感应发电机(DFIG)的参数辨识。分析了DFIG中各参数的可辨识性和辨识难易度,给出了基于改进PSO算法的参数辨识步骤。与采用基本PSO算法、变权重PSO算法和全局最优位置变异PSO算法的参数辨识结果相比较,该方法具有收敛速度快、辨识误差小的优点,即使在较大的搜索范围内仍具有较高的辨识精度。     

基于粒子群算法和平方根平淡卡尔曼滤波的北斗导航系统定位估计算法

为提高北斗定位系统(BDS)的估计精度,克服传统平淡卡尔曼滤波(UKF)算法中可能因状态量协方差矩阵失去正定性而导致滤波器发散的问题,将平方根平淡卡尔曼滤波(SRUKF)算法应用于BDS定位估计.在此基础上,为进一步提高SRUKF算法的性能,引入粒子群优化(PSO)算法,提出基于PSO和SRUKF算法的BDS定位估计(PSO-SRUKF)算法.结果表明,PSO-SRUKF算法可以降低系统噪声和测量噪声特性估计不准确带来的误差,有效提高了BDS定位精度和稳定性.     

非定常对流扩散问题间断有限元方法的后验误差估计

后验误差估计是自适应算法的基础.为了设计有效的自适应算法,必须恰当估计数值解的误差界,自适应算法依此来实现网格的局部调整,提高计算效率,改善计算精度.运用对偶论证,给出了非定常对流扩散问题间断有限元(DG)方法的后验误差分析.由有限元的正交性、分部积分和相关逼近性质,严格推导出误差泛函的上界.     

基于变分贝叶斯的容积平滑变结构滤波

为了减小建模误差和未知量测噪声特性对非线性状态估计的影响,该文提出了1种新的容积平滑变结构滤波算法。融合了非线性容积变换规则,可避免线性化误差。利用滑模变结构思想计算最优平滑边界层,约束建模误差的影响。利用变分贝叶斯实时估计动态系统的量测噪声特性,有助于优化平滑边界层的阈值。仿真结果表明,相比传统非线性滤波算法,该文算法精度可提高28.5%,具有更好的滤波性能。     

高阶SRC-KF SINS对准模型算法

基于SINS初始对准误差参数计算精度要求,利用Gauss-Hermite积分和Gauss-Lagerre积分数值逼近方法,证明了Bayesian最优估计理论的高阶球面径向联合积分数值逼近的五阶SRC-KF算法.通过状态向量坐标变换开展高阶球面径向数值积分逼近计算,根据获得2n2个球面径向采样点,利用高阶矩匹配方法设计采样点权值展开系统状态后验概率密度函数逼近计算,来达到非线性系统状态参数五阶SRC-KF最优估计算法高精度计算目的.采用四元数姿态建模方法构建新型SINS初始对准非线性误差模型,引入Lagrangian乘子算法计算四元数估计加权均值,最后利用SINS粗对准实验数据开展初始对准高阶SRC-KF模型算法仿真验证研究.通过UKF、CKF和五阶SRC-KF算法估计数据比较,五阶SRC-KF算法计算精度较高,数值计算稳定性好,验证了五阶SRC-KF算法的可行性及计算精度优势.     

VMA-OFDM系统中多频偏和信道联合MLE算法

针对虚拟多天线正交频分复用(VMA-OFDM)系统目的节点中数据辅助的多频偏和信道参数估计问题进行了研究,设计了一种次优最大似然估计(MLE)算法.该算法在矩阵的求逆中采用了级数展开,从而使得算法的复杂度与基于最大似然准则估计算法相比显著减小,在算法的性能和复杂度之间进行折衷,解决了最大似然估计算法过于复杂而难以实现的问题.在算法的性能方面,理论分析和仿真结果表明,基于该算法的频偏和信道参数估计的均方误差逼近Cramer-Rao下界(CRB);在算法的效率方面,该算法允许各个中继节点同时发送训练序列,从而降低传输训练序列所占用的时间.     

具有非线性记忆项的半线性Moore-Gibson-Thompson方程解的爆破研究

为了探讨记忆项对高阶波动方程爆破解的非局部影响,研究了具有非线性记忆项的半线性Moore-Gibson-Thompson方程解的爆破问题:在次临界情况下,通过引入时变泛函,利用测试函数推出了该泛函的第一下界和下界序列。然后应用迭代和切片技巧证明了解的全局非存在性和生命跨度上界估计。     

ACDKF在SINS大方位失准角初始对准中的应用

将可以估计系统参数、噪声统计特性和修正滤波增益的自适应估计方法引入到CDKF算法中,并将其应用到SINS大方位失准角初始对准中,实现SINS大方位失准角初始对准,解决了噪声特性不准确的非线性问题,避免了线性化误差对滤波精度的影响,克服了噪声统计特性不准确的局限性,进一步提高了导航精度.采用自适应中心差分卡尔曼滤波(ACDKF)进行初始对准,提高了CDKF算法的收敛性和系统的稳定性.仿真结果表明:ACDKF能够克服噪声统计模型不准确对滤波结果的影响,对失准角的估计精度优于CDKF,进一步提高了系统的精度和可靠性.     

Conditional nonlinear optimal perturbation and its applications to the studies of weather and climate predictability

Conditional nonlinear optimal perturbation （CNOP） is the initial perturbation that has the largest nonlinear evolution at prediction time for initial perturbations satisfying certain physical constraint condition. It does not only represent the optimal precursor of certain weather or climate event, but also stand for the initial error which has largest effect on the prediction uncertainties at the prediction time. In sensitivity and stability analyses of fluid motion, CNOP also describes the most unstable （or most sensitive） mode. CNOP has been used to estimate the upper bound of the prediction error. These physical characteristics of CNOP are examined by applying respectively them to ENSO predictability studies and ocean＇s thermohaline circulation （THC） sensitivity analysis. In ENSO predictability studies, CNOP, rather than linear singular vector （LSV）, represents the initial patterns that evolve into ENSO events most potentially, i.e. the optimal precursors for ENSO events. When initial perturbation is considered to be the initial error of ENSO, CNOP plays the role of the initial error that has largest effect on the prediction of ENSO. CNOP also derives the upper bound of prediction error of ENSO events. In the THC sensitivity and stability studies, by calculating the CNOP （most unstable perturbation） of THC, it is found that there is an asymmetric nonlinear response of ocean＇s THC to the finite amplitude perturbations. Finally, attention is paid to the feasibility of CNOP in more complicated model. It is shown that in a model with higher dimensions, CNOP can be computed successfully. The corresponding optimization algorithm is also shown to be efficient.     

Applications of nonlinear optimization methods to quantifying the predictability of a numerical model for El Nino-Southern Oscillation

The nonlinear optimization methods are applied to quantify the predictability of a numerical model for El Nino-Southern Oscillation (ENSO). We establish a lower bound of maximum predictability time for the model ENSO events (i.e. ENSO events in the numerical model), an upper bound of maximum prediction error, and a lower bound of maximum allowable initial error, all of which potentially quantify the predictability of model ENSO. Numerical results reveal the phenomenon of “spring predictability barrier” (SPB) for ENSO event and support the previous views on SPB. Additionally, we also explore the differences between the linear evolution of prediction error and its nonlinear counterpart. The results demonstrate the limitation of linear estimation of prediction error. All these above results suggest that the nonlinear optimization method is one of the useful tools of quantifying the predictability of the numerical model for ENSO.     

基于极点对称模态分解-分散熵和改进乌鸦搜索算法-核极限学习机的短期负荷区间预测

针对确定性负荷点预测存在不同程度误差及难以反映电力需求不确定性的问题,提出一种基于极点对称模态分解(extreme-point symmetric mode decomposition, ESMD)-分散熵(dispersion entropy, DE)和改进乌鸦搜索算法(improved crow search algorithm, ICSA)优化核极限学习机的短期负荷区间预测模型。首先用ESMD将原始负荷时间序列分解为多个特征互异的子序列,降低了原始非平稳负荷序列对预测结果的影响,并计算各子序列的分散熵,将熵值相近的子序列重组为新序列以降低计算规模;其次,基于上下限估计法,利用ICSA算法对核极限学习机(kernel extreme learning machine, KELM)输出权值进行优化,得到最优预测区间上下限,并以此分别对各新序列进行区间预测;最后将预测结果叠加得到最终的预测区间。仿真结果表明,所提模型有效提高了负荷预测区间的质量,为电力系统决策工作提供有力支持。     

A new approach to studying ENSO predictability： Conditional nonlinear optimal perturbation

A new approach, the conditional nonlinear optimal perturbation (CNOP) is introduced to study the predictability of El Nifio-Southern Oscillation (ENSO) using a theoretical coupled ocean-atmosphere model. The differences between CNOP and linear singular vector (LSV) are demonstrated. The results suggest that the nonlinear model and CNOP are superior in determining error growth for studying predictability of the ENSO. In particular, the CNOP approach is used to explore the nature of the ‘spring predictability barrier‘ in ENSO prediction.     

一种迭代频偏估计算法

提出一种适于低信噪比条件下工作的数据辅助型(data-aided)频偏估计算法。计算接收信号自相关函数的辐角,基于最大似然策略合成频偏估计,并通过迭代消除估计模糊。仿真结果表明：迭代算法具有较大的频偏估计范围(估计范围达±40%符号速率),与M&M算法相比,迭代算法信噪比门限有接近3dB性能改善,其估计性能更接近FFT最大似然算法和克拉美-劳下界(CRLB),并且计算量有所降低;基于迭代算法的简化版本与迭代线性预测(ILP)算法相比信噪比门限更低,并且降低了计算复杂度。     

基于几何约束关系的ML模型求解三维坐标定位问题研究

为了提高三维空间位置定位算法的性能和准确性,提出了以3个基站定位原理为基础的基于几何约束关系的ML模型.通过设计基站位置、到达时间(time of arrival,TOA)数值、手持终端位置之间的几何关系,估计得到手持终端的全部可能位置,通过最大似然算法,以最大可能的估计值确定为定位结果.经过仿真计算验证了算法能有效抑制非视距环境(non-line of Sight,NLOS)误差和测量误差,并且能够得到最佳估计值,具有计算量小、精度高等优点.仿真结果表明了该方法的有效性,在各类室内定位系统中具有很强的实用性.     

基于双层结构的商用车质量辨识算法

针对山区路面商用车整车质量辨识问题,设计了一种汽车质量辨识算法.基于车辆纵向动力学模型提出了基于双层结构的商用车质量辨识算法：上层为基于倾角传感器的路面坡度估计算法;下层为基于带时变遗忘因子的递归最小二乘法的整车质量辨识算法.使用TruckSim软件平台分析了汽车悬架对上层算法的影响,并进行了实车试验.试验结果表明,所提出的质量辨识算法能够有效地估计路面坡度和整车质量,估计准确,收敛速度快,修正后的整车质量均方根误差平均值从209.97 kg减小到117.43 kg.     

一种基于扩展Kalman滤波的多径估计算法

定位系统中,噪声环境下的多径估计是消除多径干扰的前提。提出了一种基于扩展Kal-man滤波(EKF)的多径估计算法,可以有效的估计多径信号的时间延迟和幅度。分析了本地码估计偏差、EKF的估计初值、相关间距以及采样频率对多径估计性能的影响。结果表明,EKF在估计多径信号时,EKF初值不仅影响其收敛速度,而且EKF初值中的幅度初值决定其是否收敛。同时,EKF时间延迟估计误差可以通过提高采样频率和增加最大早晚码间距来减小。     

考虑误差不确定的航空制导弹药使用消耗预测方法

针对航空制导弹药的使用消耗预测问题,分别建立了航空制导弹药使用消耗点预测和区间预测模型。根据航空制导弹药使用消耗数据小样本、非线性和随机性强等特点,采用支持向量回归模型来对航空制导弹药使用消耗数据进行点预测,并通过粒子群优化算法寻找最优参数;结合点预测误差数据,通过核密度估计法开展误差不确定性分析,确定误差概率密度曲线,并在核密度估计的基础上采用最高密度域确定给定置信度下的最佳置信区间。结果表明,该方法对于航空制导弹药使用消耗数据而言能提供更为精确的预测结果和不确定性置信区间,为航空制导弹药的后续使用安排提供参考依据。     

用串行干扰消除算法提高同频组网信道估计精度

为降低TD-SCDMA系统同频组网时邻区干扰对信道估计精度的影响,提出了一种逐个邻区串行干扰消除的信道估计算法.算法先消除本小区用户的信号,然后依次对每个邻区进行信道估计,重构其中的强干扰用户信号,再逐个从接收训练序列中加以消除,最后用串行消除各个邻区干扰后的接收训练序列对本小区用户进行信道估计.仿真结果表明,采用串行干扰消除的信道估计方法信道估计误差较低,将其用于上行链路的联合检测接收机,解调性能约提升2 dB.因此,所提出的信道估计算法,可有效消除邻区强干扰用户对信道估计精度的影响,从而提高了同频组网时系统的性能.