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。     

广义系统最优与自校正信息融合滤波器

对带多个传感器广义离散随机线性系统,利用典范型分解,基于线性最小方差各分量按标量加权融合算法,给出了多传感器分布式最优分量融合降阶滤波器,它要求并行计算一系列标量权重。推得了任两个传感器子系统之间的滤波误差互协方差阵的计算公式。同时当系统含有未知噪声统计信息时,基于相关函数又给出了分布式自校正分量融合降阶滤波器。与各局部估计以及状态向量按标量加权融合估计相比,分量融合滤波具有更高的精度。仿真研究验证了其有效性。     

带有色观测噪声的广义系统Kalman滤波器

对于带多传感器的广义线性离散随机系统,应用奇异值分解,并通过对观测方程的状态变换,将带有色观测噪声的系统变换为等价的带相关噪声的两个降阶多传感器子系统.应用Kalman滤波方法,在线性最小方差按块对角阵加权融合准则下,提出了按矩阵加权融合降阶广义Kalman滤波器,可减少计算负担和改善局部滤波精度.为了计算最优加权,给出了局部滤波误差协方差阵的计算公式,证明了融合器和局部滤波器之间的精度关系.一个Monte Carlo仿真例子说明了其有效性.     

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。     

传感器带未知输入的离散随机线性系统的分布式融合滤波

对传感器含未知输入和带相关噪声的离散随机线性系统,在没有未知输入的任何先验信息的情况下,设计了线性最小方差无偏状态滤波器。当系统带有多个传感器时,推得了任两个传感器子系统的滤波误差的互协方差阵。进而基于多传感器线性最小方差标量加权融合算法,给出了标量加权分布式融合状态滤波器。仿真研究验证了其有效性。     

广义系统多传感器分布式融合降阶Kalman滤波器

对于带多传感器的广义线性离散随机系统,应用奇异值分解,将其变换为等价的两个降阶多传感器子系统,提出了基于变换后的状态融合器构造原始状态融合器的新的融合方法。应用Kalman滤波方法,在线性最小方差按矩阵加权、按对角阵加权和按标量加权融合准则下,分别提出了三种最优加权融合降阶广义Kalman滤波器。可统一处理融合滤波、平滑和预报问题。可减少计算负担和改善局部滤波精度。证明了三种融合器和局部估值器之间的精度关系。为了计算最优加权。提出了局部滤波误差协方差阵的计算公式。一个Monte Carlo仿真例子说明了其有效性。     

广义系统降阶分布式信息融合稳态Kalman滤波器

针对带相关噪声的多传感器广义系统,提出一种分布式分量标量加权融合稳态降阶Kalman滤波器。应用奇异值分解将原广义系统转化两个等价的降阶子系统,将广义系统状态估计问题转为正常系统的状态估计问题,并求得任两个传感器子系统之间的稳态降阶滤波误差互协方差阵。兼顾融合精度和计算负担,以线性最小方差为融合准则,得到按分量标量加权的稳态Kalman滤波器。该滤波器避免了时刻计算协方差阵和融合权重明显减小了在线计算负担,便于实时应用。Monte Carlo仿真验证方法的有效性。     

带有色噪声的广义系统信息融合Kalman滤波器

对于带自回归滑动平均(ARMA)有色观测噪声的多传感器广义离散随机线性系统,应用奇异值分解,提出了广义系统多传感器信息融合状态滤波问题.基于Kalman滤波方法,在线性最小方差信息融合准则下,给出了按矩阵加权融合降阶稳态广义Kalman滤波器.为了计算最优加权,提出了局部滤波误差协方差阵的计算公式.一个Monte Carlo仿真例子说明了其有效性.     

广义系统多传感器信息融合降阶状态估值器

对于带多传感器的广义线性离散随机系统,基于奇异值分解,将其化为等价的两个降阶多传感器子系统。应用Kalman滤波方法,在线性最小方差最优加权融合准则下,提出了最优加权融合降阶稳态广义Kalman估值器。可统一处理融合滤波、平滑和预报问题,可减少计算负担和改善局部估计精度。为了计算最优加权,提出了局部估计误差方差阵和互协方差阵的计算公式。     

Y-可观广义系统降阶稳态Kalman融合器

对于带多传感器的Y-可观广义线性离散随机系统,通过状态线性变换,将其化为两个降阶的非广义多传感器子系统。应用Kalman滤波方法和白噪声估值器,提出了子系统和原系统的局部状态估值器及它们的误差互协方差公式。在线性最小方差按矩阵加权,按对角阵加权和按标量加权最优信息融合准则下,提出了原系统状态的三种稳态广义Kalman。融合器,可统一处理融合滤波、平滑和预报问题,且可改善局部估计精度。     

一类非线性奇异摄动系统的次优控制

研究一类非线性奇异摄动系统的线性二次型最优控制问题.基于奇异摄动的快慢分解理论,将系统分解为一个快子系统和一个降阶的非线性慢子系统.利用逐次逼近方法,得到了非线性慢子系统的最优控制律,进而结合快子系统的最优控制律得到了原系统的次优控制律.仿真算例表明了算法的有效性.     

非线性奇异摄动系统的反馈镇定

针对一类关于快系统是线性的、慢系统可部分输入输出线性化的奇异摄动系统,设计了使整个闭环系统渐近稳定的状态反馈控制器.利用奇异摄动中双时间刻度理论将原系统分解为快慢子系统,其中慢系统具有仿射非线性系统的标准形式,并分别建立了慢系统线性部分和零动态部分及边界层系统的Lyapunov函数;最终通过计算复合Lyapunov函数沿原系统轨线的导数,得到了原系统渐近稳定的充分条件,并给出了估计摄动参数ε上界所满足的定量表达式.仿真实例进一步验证了理论方法的有效性.     

Optimal disturbances rejection control for singularly perturbed systems with time-delay

The optimal control design for singularly perturbed time-delay systems affected by external disturbances is considered. Based on the decomposition theory of singular perturbation, the system is decomposed into a fast subsystem without time-delay and a slow time-delay subsystem with disturbances. The optimal disturbances rejection control law of the slow subsystem is obtained by using the successive approximation approach (SAA) and feedforward compensation method. Further, the feedforward and feedback composite control (FFCC) law for the original problem is developed. The FFCC law consists of linear analytic terms and a time-delay compensation term which is the limit of the solution sequence of the adjoint vector equations. A disturbance observer is introduced to make the FFCC law physically realizable. Numerical examples show that the proposed algorithm is effective.     

一类矩阵奇异值分解的快速算法及在时变滤波中的应用

研究了镜象对称矩阵的性质，提出了计算该类矩阵奇异值分解的一种快速算法。计算机模拟结果表明：快速算法的计算速度比一般算法快３～４倍，并可节省一半内存。将该算法用于线性时变滤波器的设计，取得的结果是令人满意的。