随机多变量NARMAX模型的非线性递推最小二乘算法

针对随机多变量NARMAX模型存在的问题,基于线性滤波﹑谱分解定理及成型滤波器原理,将随机干扰等效在系统的输出端,提出改进的随机多变量NARMAX模型。基于辅助模型的原理,在参数估计的准则函数中加入待估参数的增量约束项和遗忘因子,并结合增广递推最小二乘算法和随机非线性递推最小二乘算法,将改进的多变量NARMAX模型转换为具有耦合的子系统,给出具有遗忘因子的,能克服算法病态的,适用于具有时变参数模型的改进随机多变量NARMAX模型的非线性递推最小二乘算法。应用在线修正参数预测滤波PID控制,仿真结果验证了算法的有效性。     

辩识与滤波的内在联系

本文讨论了离散模型的递推最小二乘辨识方法与Kalman滤波的关系。并对滤波和辨识算法的特点进行了分析和比较。     

非线性随机系统具有遗忘因子的递推最小二乘法

针对NARMAX模型,结合线性滤波、谱分解定理及成型滤波器原理构成非线性随机系统模型,并将参数模型转化为脉冲响应非参数模型.依据Hankel矩阵法,在参数估计准则函数中加入待估参数的增量约束项和遗忘因子,并结合增广最小二乘递推算法,提出一种具有遗忘因子的非线性参数估计的递推最小二乘法.该算法收敛速度快,且能克服病态,适用于时变参数情形.将其应用于一种非线性自适应预测控制算法仿真中,验证了算法的有效性.     

最小二乘滤波算法在目标跟踪中的性能比较

目标跟踪就是对目标在每个时刻的状态作实时精确的估计。根据目标在运动过程中具有轨迹连续性的特点,采用最小二乘滤波在观测数据的基础上对目标的状态进行了估计。论文对完全最小二乘滤波算法和递推增广最小二乘算法在目标跟踪的应用作了研究,通过仿真实验并对算法的跟踪性能进行了分析。结果表明:递推增广最小二乘算法的性能优于完全最小二乘滤波算法的性能。     

一种稳健或收敛的适应控制算法

对具有未建模动态特性的随机系统同时建立了遗忘因子推广最小二乘算法的稳健性或收敛性及适应跟踪的渐过最优性．作为特例，对推广最小二乘算法也获得了类似的结果．     

在DS-CDMA通信系统中盲多用户检测算法的研究

分析并研究了DS-CDMA(直扩码分多址)通信系统中的三种盲多用户检测算法,即最小均方(LMS)算法,递推最小二乘(RLS)以及Kalman算法。仿真实验了在平稳信道下、同步DS-CDMA系统中接收机应用这三种盲多用户检测算法抑制多址干扰(MAI)的能力,仿真实验与理论推导相吻合。实验与理论都表明,递推最小二乘(RLS)和Kalman算法能快速收敛、信干比大,尤其是Kalman算法收敛速度更快、信干比有更高的稳态输出,更具有实用性。     

不需要持续激励的辨识算法及其全局收敛性

本文提出了一种带有遗忘因子和死区的数据归一化递推最小二乘辨识算法,证明了这种算法不需要持续激励具有全局收敛性,且参数收敛到真值。最后通过例子给出了仿真结果。结果表明,本文算法不需要持续激励是可行的。     

新型自适应舵的设计与仿真

以Ｎｏｍｏｔｏ模型为基础,应用带遗忘因子的递推式广义最小二乘算法,辨识模型参数,根据船舶偏航距离加权约束的广义方差性能指标,设计自适应控制器,并进行仿真研究,验证了其控制策略的有效性。     

气动位置伺服控制系统中的辨识方法比较

针对采用极点配置自适应控制的气动位置伺服系统,分别应用带固定遗忘因子的递推最小二乘法和修正平方根法的辨识方法对其进行在线辨识研究.通过实验证明,采用修正平方根法的辨识过程与采用带固定遗忘因子的递推最小二乘估计法的辨识过程相比,修正平方根法的辨识参数值变化幅度较小,且变化过程较平缓,更适用于采用极点配置自适应控制的气动位置伺服系统.     

随机非线性系统的在线修正参数预测滤波PID控制

针对一类随机NARMAX模型,分析了其可采用PID控制的约束条件.提出采用辅助模型的可克服算法病态的遗忘因子递推最小二乘算法对被控对象进行参数估计,利用动态切平面逼近的预测算法对系统输出进行预测,基于一具有预测控制性能的增量型预测滤波PID控制算法,根据可克服算法病态的直接极小化指标函数自适应控制算法和Robbins-Monro算法,给出了具有在线修正PID控制参数和加快PID控制参数收敛速度的随机NARMAX模型的自适应预测滤波PID控制算法.仿真研究表明:因给出的PID控制算法具有预测控制性能和在线修正参数性能,故系统具有较好的控制品质.     

Nonlinear Principal Component Analysis Using Strong Tracking Filter

The paper analyzes the problem of blind source separation (BSS) based on the nonlinear principal component analysis (NPCA) criterion. An adaptive strong tracking filter (STF) based algorithm was devel- oped, which is immune to system model mismatches. Simulations demonstrate that the algorithm converges quickly and has satisfactory steady-state accuracy. The Kalman filtering algorithm and the recursive least- squares type algorithm are shown to be special cases of the STF algorithm. Since the forgetting factor is adaptively updated by adjustment of the Kalman gain, the STF scheme provides more powerful tracking ca- pability than the Kalman filtering algorithm and recursive least-squares algorithm.     

非公路车辆簧载质量实时估计

针对非公路车辆簧载质量估计问题,提出了一种采用油气弹簧气压测量与车体在线姿态测量相结合进行实时簧载质量估计的方法.建立了基于单筒式油气弹簧的整车7自由度振动模型,利用带遗忘因子的递推最小二乘估计方法对簧载质量进行估计,并以D级道路作为仿真激励进行了仿真实验.研究了递推最小二乘估计中遗忘因子、滤波器参数及车速等因素对质量估计性能的影响,结果表明所提出的质量估计方法具有良好的准确性和实时性.      

基于BCRLS-AEKF的锂离子电池荷电状态估计及硬件在环验证

研究有色噪声下的锂离子电池参数辨识与荷电状态（SOC）估计,并进行硬件在环实验验证.在动力电池模型的参数辨识过程中,利用带遗忘因子的偏差补偿递推最小二乘法进行偏差补偿,提高了有色噪声数据的参数辨识精度.在此基础上,利用自适应扩展卡尔曼算法进行SOC估计,使得滤波算法中的估计结果可以随着噪声统计特性的变化而自适应更新,实现了模型参数和电池状态的联合估计.最后,借助BMS测试系统模拟电池电压电流信息输出,完成了硬件在环实验以验证所提出的方法.实验结果表明,利用所提出算法估计得到的电池端电压和SOC误差分别小于10 mV和0.5%.      

自校正加权观测融合Kalman估值器

对于带未知噪声统计的多传感器系统,应用现代时间序列分析方法,基于滑动平均（MA）新息模型参数的两段递推最小二乘法在线辨识,可在线估计未知噪声方差,进而提出了一种加权观测融合自校正Kalman估值器,可统一处理自校正滤波、预报和平滑问题,并证明了它的收敛性,即若MA新息模型参数估计是一致的,则它与相应的最优加权观测融合Kalman估值器的误差收敛到零,因而具有渐近全局最优性。一个带3传感器跟踪系统的仿真例子说明了其有效性。     

卡尔曼状态观测器在机器人力控制中的应用

为解决机器人与环境间接触力控制性能受机器人本身动力学参数时变、接触环境变化以及力测量信号干扰噪声影响的问题,设计了基于卡尔曼状态观测器的机器人力控制方案,采用递归最小二乘法来实时估计环境刚度矩阵,引入系统状态误差反馈和卡尔曼滤波算法实现机器人力控制系统对外界干扰及系统模型误差的补偿．实验结果表明：在环境刚度未知的条件下,采用该控制方法可使机器人末端与环境间接触力的误差控制在10％左右．     

降阶H∞滤波的永磁同步电机无位置传感器控制

针对扩展卡尔曼滤波方法鲁棒性不高的问题, 提出一种基于H∞滤波算法的永磁同步电机转子速度与转子位置角的估计方法。同时通过将外部负载转矩视为系统参数, 一并进行估计, 克服了负载转矩变化造成的影响。并采用降阶滤波模型, 降低了滤波过程中的计算量。最后通过与扩展卡尔曼滤波方法进行对比, 实验结果表明, 该方法提高了系统对不确定参数以及非高斯噪声的鲁棒性。     

带相关噪声的观测融合稳态Kalman滤波算法及其最优性

对于带相关的输入白噪声和观测白噪声及相关观测白噪声的多传感器线性离散定常随机系统,用加权最小二乘(wLs)法提出了一种加权观测融合稳态Kalman滤波算法,并基于信息滤波器证明了它同集中式观测融合稳态Kalman滤波算法功能的等价性.因而,它具有渐近全局最优性,且可减少计算负担.一个跟踪系统数值仿真例子验证了它的功能等价性.     

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。     

一般相关量测噪声线性系统的递推状态估计

为了得到具有一般相关量测噪声线性系统的递推滤波算法,将该问题转化为具有相关量测单值随机向量的滤波问题,根据单值随机向量的线性无偏最小方差估计算法,导出了量测噪声为一般相关鞅差序列的线性系统的最优递推状态估计滤波算法,通过数值仿真,将该算法与假定量测噪声不相关时的Ｋａｌｍａｎ滤波算法进行了比较,证明了该算法的有效性。     

基于稳态Kalman滤波的相关观测融合方法及其功能等价性

对于带相关观测噪声和带不同观测阵的多传感器线性离散定常随机系统,用加权最小二乘（WLS）法提出了两种加权观测融合稳态Kalman滤波方法,可处理状态、白噪声和信号融合估计。基于稳态信息滤波器证明了它们功能等价于集中式融合稳态Kalman滤波方法,因而具有渐近全局最优性,且可显著减少计算负担。两个跟踪系统数值仿真例子验证了它们的功能等价性。