机器人液压驱动器神经网络自适应最优控制

为了有效地控制液压非线性系统,提出基于RBF神经网络的自适应最优控制系统,应用于机器人液压驱动器.首先,建立了液压系统的动力学模型;然后,输入幅值和频率连续变化的信号,应用卡尔曼滤波器估计液压系统状态,进而计算出模型参数,对模型参数进行分组用于训练RBF神经网络;接着,对不同组参数求平均作为参考点,用RBF神经网络学习最优控制器反馈增益随系统参数的变化规律;最后,训练完成的神经网络根据卡尔曼滤波器参数估计值在线预测并调节控制器增益.经实验验证,该控制系统调节时间和跟踪误差仅为普通线性二次型最优控制器的1/2和1/3左右.     

粒子群优化平方根强跟踪CKF及应用

提出一种粒子群优化平方根强跟踪容积卡尔曼滤波算法,并将其用于水下应答器辅助航位推算组合导航系统. 以强跟踪滤波器为理论框架,结合容积卡尔曼滤波器,设计了平方根强跟踪容积卡尔曼滤波器. 提出一种改进的粒子群算法,将粒子两两为一对分成若干对,每进化一次后,比较两个粒子的代价函数值,代价函数值较优的粒子,搜索方向侧重于群体历史经验,代价函数较差的粒子,搜索方向侧重于自身历史经验. 将改进的粒子群算法用于求取强跟踪滤波器的渐消因子. 仿真结果表明在系统模型不准确的情况下所提算法依然能够有效跟踪状态变化,比传统的容积卡尔曼滤波器具有更高的滤波精度和稳定性.      

UKF在视频移动目标跟踪中的应用

目标跟踪技术把跟踪看作是一个估计问题,在对动态系统进行实时估计时,针对经典卡尔曼滤波器在非线性系统应用中精度低和可能出现滤波发散的情况,文中将无迹卡尔曼滤波器应用于非线性的视频移动目标跟踪系统中,利用无迹变换对经典卡尔曼滤波器进行改进,以提高系统的跟踪效果。通过对无迹卡尔曼滤波器在移动目标跟踪中的仿真结果分析比较表明,无迹卡尔曼滤波对噪声的适应能力强,跟踪精度高,算法实现简单。     

基于AR模型的非线性目标跟踪自适应算法

针对Jerk模型中各参数设置不合理对跟踪系统所造成的影响,提出一种基于自回归（AR）模型的Jerk参数自适应改进算法,实时估计并调整系统的参数,提高系统的跟踪精度及稳定性;同时,针对非线性目标跟踪系统扩展卡尔曼滤波算法（EKF）计算复杂跟踪精度低,提出采用平方根容积卡尔曼滤波器（SRCKF）进行状态估计,保证跟踪系统的精度和鲁棒性,为Jerk模型参数自适应提供良好条件.仿真结果验证了算法的有效性.     

自适应强跟踪卡尔曼滤波在陀螺稳定平台中的应用

考虑陀螺稳定平台速度环控制系统含有陀螺测量噪声,设计了带有系统参数扰动迭代估计的自适应强跟踪卡尔曼滤波器,并与模型参考控制系统相结合,然后将其与现有的PI控制系统进行扰动隔离性能的系统仿真对比实验及其结果分析.实验结果表明,所提出的自适应强跟踪卡尔曼滤波器可以进一步提高扰动控制系统的隔离度性能,尤其在把非线性摩擦力补偿一半的情况作为未建模的不确定因素影响情况,所设计的滤波器不但能够稳定地工作,而且模型参考自适应控制系统和PI控制系统的隔离度性能都有明显的提高.     

卡尔曼滤波器在状态和参数估计中的应用

应用有限差分法代替非线性函数的偏导数计算以改进扩展卡尔曼滤波器，该改进算法用于非线性系统的状态和参数联合估计。结果表明，该滤波器可以代替常规的卡尔曼滤波器，具有滤波精度高、数值计算稳定、对模糊精度要求低和适用范围宽等优点。     

一类MISO双线性Hammerstein模型的集成辨识方法

目的针对一类静态非线性增益具有原点对称特性的M ISO双线性Hammerstein模型,提出一种稳态与动态辨识相结合的集成辨识方法。方法利用稳态信息获取稳态模型的强一致性估计,并通过稳态模型获得非线性增益的估计,再利用动态信息辨识获取M ISO双线性Hammerstein模型的双线性系统未知参数的一致性估计。结果获得一类M ISO双线性Hammerstein模型的集成辨识方法,仿真结果表明了该方法的有效性和实用性。结论集成辨识方法可用于解决一类MISO双线性Hammerstein模型的辨识问题,易于实现。     

多模型卡尔曼滤波器的研究

在深入研究卡尔曼滤波算法的基础上,提出模型卡尔曼滤波器的工程设计方法。分别针对二阶系统和船舶模型进行了大量的仿真研究,其结果表明,对参数突变的系统,应用该方法进行状态估计或参数辨人有很好的跟踪突变参数的效果,仿真结果展示,该方法具有广阔的工程应用前景。     

一种限定记忆的自适应扩展Kalman滤波器

为解决扩展卡尔曼滤波器(EKF)鲁棒性差,且无法实时精确跟踪系统突变状态的问题,研究一种基于限定记忆滤波的自适应EKF算法。算法将EKF与限定记忆滤波器相融合,减小旧量测数据对滤波效果的影响,提高估计精度;引入自适应因子与渐消因子,通过实时调节新旧滤波增益阵以及预测状态值,精确地跟踪系统突变状态。仿真实例表明,强跟踪算法与经典EKF算法相比,自适应EKF算法鲁棒性好,滤波精度高,能够有效地跟踪系统突变状态。     

基于自适应卡尔曼滤波的叉车质心侧偏角估计

质心侧偏角是叉车动力学研究中的重要状态参数,工程上常采用卡尔曼滤波器估算获取该参数值。文章以CPD15型电动叉车为研究对象,考虑到叉车质心以及前、后轮侧偏刚度会随货物的质量和形状产生较大的变化,建立了带有模型误差的线性二自由度叉车模型,基于该模型设计了自适应卡尔曼滤波器估计叉车质心侧偏角,并采用遗传算法在线优化滤波器参数,有效地解决了当叉车模型参数发生变化时卡尔曼滤波器估计精度降低的问题。Matlab仿真结果表明,自适应卡尔曼滤波器不仅能滤除叉车运动中的随机不确定性噪声,还能有效抑制未知的模型误差给估计带来的不利影响,增强了滤波器的估计精度。     

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.     

神经网络故障检测算法研究

该文采用输出带输入线性项的RBF神经网络来辨识非线性随机系统模型,基于扩展卡尔曼滤波器的设计思想,设计了一个可估计状态滤波协方差阵及状态预测协方差阵上界的次优状态滤波器,以产生残差序列,并可用来进行故障检测。该方法适用于一大类非线性随机系统,具有较大的适用范围。     

组合导航系统新息自适应卡尔曼滤波算法

全球定位系统(GPS)量测噪声的不稳定变化将造成惯性导航系统(INS)/GPS舰用组合系统卡尔曼滤波器性能下降,在对自适应卡尔曼滤波器分析的基础上,提出了一种新的基于新息估计的自适应卡尔曼滤波算法.该算法通过计算新息方差强度的极大似然估计最优估计,将新息方差计算直接引入卡尔曼滤波器的增益计算.仿真结果表明,本文方法较标准卡尔曼滤波器可以提高系统精度和抗干扰能力.     

Wiener模型的集成辨识方法

对一类石油化工生产过程中的Ｗｉｅｎｅｒ模型辨识问题,提出了一种稳态与动态相结合的集成辨识方法．利用稳态信息获取稳态模型的强一致性估计,通过神经网络逼近得到非线性增益的逆函数．然后利用系统的动态信息辨识Ｗｉｅｎｅｒ模型的线性系统的参数,并得到一致性估计．仿真结果表明了该方法的有效性和实用性．     

非线性多模型多伯努利滤波器的实现

针对杂波、漏检等环境下的多机动目标估计问题,提出了两种非线性系统模型下多模型多伯努利(MM-MB)滤波器的实现方法.首先,基于容积卡尔曼滤波算法给出了MM-MB滤波器的容积卡尔曼高斯混合(CK-GM)实现过程;然后,为了增加CK-GM-MM-MB滤波算法的数值稳定性,给出了MM-MB滤波器的平方根容积卡尔曼高斯混合实现过程;最后,通过仿真实验验证了所提方法的有效性.     

一类复杂系统的集成辨识方法

针对一类具有相互关联非线性子系统的复杂系统,提出了一种稳态辨识与动态辨识相结合的集成辨识方法。利用稳态信息获取各子系统稳态模型（非线性增益）的强一致性估计,通过动态辨识得到各子系统线性部分的模型参数。仿真结果表明了该方法的有效性和实用性。     

延迟时间未知的时延系统神经网络补偿控制

提出了延迟系统及延迟时间参数的神经网络辨识方法。改变神经网络输入样本区间,利用网络输出期望值与输出实际值之间的误差平方和产生的突变,可以辨识出非线性对象的延迟时间。将神经网络大延迟系统的辨识与基于模型补偿的控制策略相结合,可以用于具有变化参数或者不确定性延迟时间的大延迟系统的控制。仿真结果表明这种神经网络模型补偿延迟系统控制具有很好的控制效果,它是大延迟控制中克服延迟时间变化的很有希望的方法。     

一种基于分数阶卡尔曼滤波器的模型预测控制器的设计与实现

针对一类分数阶线性系统,设计了一种基于分数阶卡尔曼滤波器的模型预测控制器。采用分数阶微分的Grunwald-Letnikov定义对被控对象的分数阶状态空间模型进行离散化,构造了一种分数阶卡尔曼滤波器,并将该滤波器得到的状态估计应用于预测控制系统的最优状态反馈控制中。将所提出的方法用于一种黏弹性阻尼系统的控制,仿真结果表明该预测控制器在设定值跟踪、抗噪声扰动等方面都有良好的控制性能;分数阶微分的短记忆长度不仅会影响分数阶卡尔曼滤波器的估计精度,还会对预测控制器的性能产生重要影响。     

非平稳背景噪声下微弱高频CW信号的自适应检测

在强噪声背景下,基于时频联合分析的高频CW信号检测算法性能严重下降,同时标准Kalman滤波器对非平稳背景噪声下微弱高频CW信号也失效.针对此问题,本文提出了一种基于ARMA新息模型的自适应Kalman滤波器检测方法.该方法避免了标准Kalman滤波检测CW信号时需要确定系统噪声统计特性的问题.论文根据CW信号的状态空间随机信号模型,构造了ARMA新息模型,通过在线辨识MA模型参数来估计Kalman滤波增益,从而实现了CW信号的自适应跟踪滤波.仿真结果表明,该方法能够在强噪声背景下动态跟踪CW信号时域波形,且算法简单,实时性强,可用于指导高频CW电报自动接收设备的研制.     

Hammerstein系统遗忘因子有限窗口分解辨识

提出一种带遗忘因子和分解辨识策略的有限数据窗口递归最小二乘Hammerstein系统辨识方法。针对Hammerstein系统具有耦合参数的问题,将Hammerstein系统分解为2个子系统：一个子系统包含线性子系统参数,另一个子系统包含非线性子系统参数;提出一种基于遗忘因子的有限窗口递归最小二乘方法对分解模型进行在线递归估计;仿真示例验证了所提算法能够快速跟踪参数,实现对Hammerstein系统的精确辨识。