改进的递推增广最小二乘参数估计方法

基于用递推最小二乘(RLS)法拟合高阶自回归(AR)模型得到的白噪声估值,提出了自回归滑动平均(ARMA)模型参数估计的一种改进的递推增广最小二乘法。它由两段RLS算法组成,可在线实现,具有快的收敛速度。一个仿真例子说明了其有效性。     

自适应卡尔曼滤波法磷酸铁锂动力电池剩余容量估计

卡尔曼滤波法在估计动力电池的剩余容量(SOC)时,由于系统噪声的不确定,可能导致算法不收敛,而且算法的估计性能受模型精度的影响,笔者采用自适应卡尔曼滤波法来动态地估计电动汽车用磷酸铁锂动力电池的SOC。首先对电池模型进行了研究,建立了适用于SOC估计的电池模型,然后设计了相应的电池充放电实验检测到模型的参数,并进行了验证,最后将自适应卡尔曼滤波法应用到该模型,在未知干扰噪声环境下,在线估计电池的SOC。仿真结果表明：自适应卡尔曼滤波法能够实时修正微小的模型误差带来的SOC估计误差,估计精度高于卡尔曼滤波法,且自适应卡尔曼滤波法对初值误差具有修正作用。实车循环行驶实验表明算法适用于磷酸铁锂动力电池的SOC估计。     

基于VTS的稳健语音识别

为了进一步提高矢量Taylor级数(VTS)算法的模型补偿精度以及在噪声环境下的识别性能,提出将无监督聚类与VTS算法相结合。无监督聚类算法利用噪声模型之间的Kullback-Leibler距离将含噪语音段划分为若干个子段。然后针对各个子段分别进行一阶Taylor级数展开,并在此基础上逐段估计噪声参数和补偿声学模型。该算法结合一个中文数字串识别系统进行实验,在Babble噪声和Gauss白噪声环境下该算法的误识率相对传统的VTS算法分别下降了27.7%和17.8%。证明这种结合无监督聚类的分段VTS算法能够更加有效地将语音和噪声在倒谱域上的非线性混合模型用一阶线性模型来近似。     

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。     

一种弹体滚转姿态估计的新方法

针对制导弹药滚转姿态测量的需求,提出了一种无陀螺姿态测量的方法. 采用两个MEMS加速度计进行弹上姿态传感器的配置,建立了基于截断正态概率密度模型的系统状态方程,利用速度估计自适应方法实现了对过程噪声方差阵的自适应调整,采用强跟踪滤波器(STF)直接进行滚转状态估计. 由于STF滤波器具有对模型参数失配的鲁棒性以及对突变状态的强跟踪能力,改善了算法的估计精度. 仿真实验研究表明:该方法结构简单、测量精度高、收敛速度快,具有很高的工程应用价值.      

CARMA模型离线最小二乘迭代辨识方法

基于迭代最小二乘原理,提出了辨识CARMA模型和输出误差模型参数的最小迭代算法。两个最小二乘迭代算法分别比递推增广最小二乘算法和辅助模型递推算法具有更高的参数精度和具有很快的收敛速度。最小二乘迭代辨识的基本思想是:采用交互估计理论和递阶辨识原理,在每步迭代计算中,参数估计依赖于噪声估计,反过来噪声估计通过前一次迭代的参数估计计算,二者执行了一个递阶计算过程。最后用仿真例子验证了提出的算法。     

基于DWT-FastICA和IMPSCO的时变结构损伤识别研究

提出了一种基于DWT-FastICA和IMPSCO的两阶段时变结构损伤识别方法.第I阶段:首先,通过离散小波变换(discrete wavelet transform,DWT)对各传感器采集到的结构动力响应信号进行预处理;然后,利用快速独立分量分析(fast independent component analysis,FastICA)提取出包含损伤信息的特征分量,从而确定损伤发生的时刻并初步定位损伤.第II阶段:采用改进的多粒子群协同优化算法(improved multi-particle swarmscooperative optimization,IMPSCO)分时段进行物理参数优化,实现损伤的精确定位和定量.通过一个数值算例和试验验证了所提方法的有效性,同时从噪声水平和损伤大小两个方面对该方法进行了探讨.研究表明,所提的方法能够较好地应用于线性时变结构损伤发生时间、位置与损伤程度的识别,根据不同的需求,不仅能够实现快速的损伤初步定位,而且可以进一步对损伤进行精确定位和定量,具有良好的容噪性、鲁棒性和工程实用性.     

光源工程直线加速器工艺冷却水系统建模

以上海光源工程工艺冷却水-电子直线加速器系统为研究对象,采用闭环辨识方法进行建模.在闭环条件下,由于不可测噪声通过反馈环节对系统控制输入信号产生影响,采用二阶段辨识方法对系统进行建模.二阶段闭环辨识算法将闭环辨识问题转换为2个开环辨识问题,通过构造无噪声无污染的中间信号来代替实际的控制输入,以此解除噪声与控制输入之间的相关性,然后利用经典的开环辨识算法可得系统参数的一致无偏估计.     

动态调节模型的最小二乘迭代辨识方法

为了改进参数估计精度,利用递阶辨识的交互估计理论,提出了辨识动态调节模型的最小二乘迭代辨识方法。其基本思想是:在每步迭代计算中,将信息向量中或信息矩阵中不可测噪声项用其估计值代替,而噪声估计值又是用前一次迭代参数估计进行计算的,二者执行了一个递阶计算过程。与流行的递推广义最小二乘算法相比,提出的迭代算法在每一步计算中,同时利用了系统所有量测数据信息,因而具有更高的参数估计精度和更快的收敛速度。进行了仿真计算。     

广义最小二乘限定记忆参数辨识方法与仿真研究

最小二乘参数辨识法可用于动态系统、静态系统、线性系统、非线性系统的参数估计.可用于离线估计,也可用于在线估计.最小二乘辨识法简单、实用,其递推算法收敛可靠,并且当模型噪声为白噪声时,可得到无偏、一致和有效的估计,从而得到广泛的应用.但当模型噪声是有色噪声时,最小二乘参数估计不是无偏、一致估计,并且随着数据的增长,最小二乘递推辨识算法将出现数据饱和现象,以致递推算法慢慢失去修正的能力.广义最小二乘递推算法解决了模型噪声是有色噪声时,最小二乘参数估计的无偏性和一致性问题,并能给出噪声模型的参数估计值,但依然存在数据饱和问题.论文在广义最小二乘递推算法的基础上引入限定记忆方式,获得了广义最小二乘限定记忆参数估计递推算法(RFMGLS),解决了广义最小二乘递推算法的数据饱问题.仿真结果表明了RFMGLS算法的有效性.     

基于四元数EKF算法的小型无人机姿态估计

针对小型无人机设计的姿态测量系统,提出一种用于小型无人机姿态估计的四元数扩展Kalman滤波算法.该算法通过建立四元数姿态运动模型和航姿传感器测量模型,构建了以四元数和陀螺仪随机漂移为状态向量、以加速度计测量值和磁阻仪解算的航向角为观测向量的扩展Kalman滤波器,并设计了自适应测量噪声协方差矩阵修正法.实验结果表明,该算法不但解决了微机电系统惯性器件用于载体姿态测量时精度低、易发散、易被干扰的问题,而且显著减小了陀螺仪随机漂移对姿态估计的影响,有效提高了姿态估计的精度.     

基于RLS的自回归滑动平均模型的两阶段辨识方法

提出了基于递推最小二乘(RLS)的自回归滑动平均模型的两阶段辨识方法.仿真结果表明,方法给出的参数估计精度比递推增广最小二乘算法高.     

基于子空间辨识的DOA和频率联合估计算法

针对阵列信号波达方向(DOA)和频率联合估计计算量大、参数配对较困难等问题,提出了一种基于子空间辨识方法的DOA和频率联合估计算法.该算法构造了一个特殊的状态空间模型,并通过选取辅助矩阵来抑制噪声.由子空间辨识方法得到广义可观测矩阵的估计值,再利用总体最小二乘(TLS)方法得到系统矩阵的估计值,由系统矩阵得到DOA和频率的估计值.该方法具有参数自动配对和计算量小的特点.计算机仿真验证了该算法的有效性.     

ARMA模型参数估计的GW-LS两段算法

提出了新的GW-LS两段算法,很好地改善了自回归滑动平均(ARMA)模型参数估计的性能。首先摈弃传统的拟合到AR模型的思考方法,而是基于ARMA模型的相关函数用Gevers-Wouters(GW)算法对ARMA模型拟合到高阶滑动平均(MA)模型;然后在拟合的MA模型参数基础上,用最小二乘(LS)算法求解一个不相容的线性方程组,从而估计出ARMA模型参数。最终的仿真实例说明了本算法较高精度、较快速度的收敛特性。     

自适应无迹卡尔曼滤波动力电池的SOC估计

无迹卡尔曼滤波法(Unscented-Kalman Filter,UKF)在估计动力电池的剩余容量(State of Charge,SOC)时,由于系统噪声的不确定,可能导致算法不收敛,而且算法的估计性能受模型精度的影响,为此采用自适应无迹卡尔曼滤波法(Adaptive-UKF,AUKF)动态估计电动汽车动力电池的SOC.建立了适用于SOC估计的电池模型,辨识相应的电池模型的参数并进行验证,将AUKF应用到该模型,在未知干扰噪声环境下,在线估计电池的SOC.试验仿真结果表明:UKF算法的估计误差在-0.04~0.06之间跳动,而AUKF算法的估计误差平稳的保持在0.05以内,实时修正微小的模型误差带来的SOC估计误差.     

统一和通用的白噪声信息融合反卷积估值器

对于带不同局部动态模型的多传感器线性离散时变随机控制系统,应用Kalman滤波方法,在按标量加权最优融合准则下,提出了统一和通用的最优信息融合白噪声反卷积估值器,并对定常系统提出了稳态最优信息融合白噪声反卷积估值器。它们可统一处理白噪声反卷积融合滤波、平滑和预报问题。为了计算最优加权,提出了输人白噪声局部估计误差互协方差计算公式。它们在石油、地震勘探领域中有重要的应用背景。     

输出过采样闭环系统辨识方法中最优过采样率的选择

提出了一种基于输出过采样技术的线性离散时间闭环系统辨识方法 ,通过对输出端施加过采样 ,将原闭环系统模型转化为过采样模型 .对于输出端白噪声、有色噪声干扰 ,分别利用最小二乘辨识算法和误差预报算法辨识出过采样模型 ,进而计算出原闭环系统的模型参数 .辨识结果中模型参数的估计误差服从均值为0的正态分布 ,方差由过采样率决定 ,据此推导出了使参数估计误差最小化的最优过采样率的计算方法 .该方法实现简单 ,运算量小 ,估计精度高 .仿真实验表明 ,当信噪比大于 15dB时 ,该方法的估计精度可达98% ;当过采样率为 15～ 2 0时 ,算法具有最优的辨识精度     

用Hartley变换实现连续动力学系统参数模型直接辨识

针对大多数物理系统是由一组微分方程表示的连续时间系统,难以获得信号的各阶微分,连续动力学系统参数模型无法直接辨识的问题,借助Hartley正、逆变换及其微分性质,在频域对信号去噪,获得信号及其微分的估计值,建立参数模型直接估计的最小二乘算法。通过数字仿真分别辨识一个二阶系统和四阶系统,研究频率指数M和时间T与辨识精度的关系,给出辨识时参数选择的基本原则。此外,运用此方法对某冷轧机液压自动厚控系统参数模型进行辨识,结果表明:该方法对噪声具有较强的抑制能力,是一种简单实用的辨识方法。     

基于概率理论和AR/GARCH模型的非线性损伤识别

为了解决在不确定因素干扰下的结构非线性损伤识别问题,提出了基于概率理论和自回归/广义自回归条件异方差(AR/GARCH,autoregressive/generalized autoregressive conditional heteroskedasticity)混合模型的非线性损伤识别方法。描述了AR/GARCH模型的组合理论及其相应的组合公式,给出了模型参数估计和定阶方法。利用损伤前后的加速度响应信号构造AR/GARCH模型,并进一步提取出非线性损伤特征因子。采用概率理论和置信区间方法获取相应的损伤存在概率,并建立基于层间刚度的基本概率损伤指标。在此基础上,基于权化技术提出了改进概率损伤指标以提高识别可靠性。数值计算和实验验证结果表明,基于概率理论和AR/GARCH模型的损伤技术可以较好地解决不确定因素干扰下的非线性损伤问题,改进概率指标的识别效果明显优于基本概率指标。