基于粒子滤波参数估计的混沌保密通信系统

针对混沌参数调制保密通信系统中扩展卡尔曼滤波算法和无味卡尔曼滤波算法对混沌系统的状态和参数估计性能较差的问题,提出了用粒子滤波算法估计混沌系统参数的方法。在系统的发送端,通过待发送的二进制符号调制混沌系统的参数进而产生混沌信号。在接收端,粒子滤波器用接收到的混沌信号估计出相应的混沌系统参数,从而恢复出发送端的二进制符号。仿真结果表明,较扩展卡尔曼滤波和无味卡尔曼滤波,粒子滤波算法在估计混沌系统参数时具有更短的收敛时间和更小的估计误差,能更有效地实现混沌保密通信。     

一种新的重叠混沌信号盲分离算法

提出一种基于粒子滤波（particle filtering,PF）的重叠混沌信号盲分离算法,该算法依据混沌动力学系统的状态空间模型,把重叠混沌信号盲分离问题转化为混沌信号和系统参数的联合估计问题,利用PF方法估计各信号以及系统参数的联合后验分布,再由联合后验分布实现各信号以及系统参数的估计.在PF算法中利用核平滑的方法实现了非时变参数的迭代估计,并通过自适应迭代算法对加性高斯噪声进行了估计.仿真实验的结果表明,该算法能有效地解决重叠混沌信号的盲分离问题.     

基于压缩传感的混沌自适应控制

提出了一种自适应混沌控制方法,仅根据输出时间序列,利用压缩传感辨识混沌系统的方程与参数,利用负反馈控制混沌系统到设定目标上。以Lorenz和Rssler系统为例说明时变结构系统的方程及参数的辨识与控制,首先估计出Lorenz系统方程并将其控制到固定点或周期振荡上,当系统结构从Lorenz变化到Rssler时可以快速辨识新结构及其参数,系统重新回到控制目标上。结果表明,与最小二乘法相比,该方法仅通过较少的数据即可实现模型结构与参数的同时估计,并有很高的估计精度,利用估计得到的模型和参数,再利用负反馈可以将混沌系统快速控制到设定目标上。     

混沌时间序列控制方法研究

分析了混沌控制的任务、目标和一般方法,认为混沌时间序列源于混沌系统,用系统的观点讨论了一种对混沌时间序列进行控制的最小参数扰动方法及其步骤。     

混沌背景下噪声分布估计的一种新方法

从广泛的意义上分析了混沌动力学系统和噪声的局部相关性,并由此提出了一种分析信号确定性的方法,导出一个对噪声极其敏感的指示参数D,并用此参数来刻划系统确定性的程度.最后得出一种估计混沌动力学系统中背景噪声分布的新方法.     

混沌背景下噪声分布估计的一种新方法

从广泛的意义上分析了混沌动力学系统和噪声的局部相关性，并由此提出了一种分析信号确定性的方法，导出一个对噪声极其敏感的指示参数Ｄ，并用此参数来刻划系统确定性的程度，最后得出一种估计混沌动力学系统中背景噪声分布的新方法。     

多径CD3S信号的混合卡尔曼滤波解调

提出了一种基于混合卡尔曼滤波的CD3S信号解调算法,在多径衰落信道下,采用状态估计的方法解调混沌直接序列扩频(CD3S)信号.根据混沌系统映射方程建立了混沌码同步问题的状态空间模型,并利用无损卡尔曼滤波器实现了混沌码同步;根据信道参数与信息码相对于混沌码的慢变特性,建立了信道参数估计与信息码估计问题的状态空间模型,并利用两个卡尔曼滤波器分别估计信道参数与信息码.三个滤波器均把彼此的估计结果作为系统参数,交替工作,通过联合估计实现信息码解调.仿真结果表明:无论多径信道是时不变的还是时变的,算法均可以提高混沌码同步精度,降低CD3S通信系统误码率.     

混沌时间序列局域预测模型及其应用

为了确定滞时、嵌入维数和最邻近点数运3个混沌时间序列局域预测模型参数,首先利用关联积分法确定滞时和嵌入维数．重构混沌时间序列的相空间;而后在此基础上,提出一种新的预测模型——加权动态局域预测模型．该模型综合考虑了广义自由度和邻近点权重,给出了确定最优邻域的判定指标．实际水文系统的计算分析表明,加权动态局域预测模型具有较高的预测精度,是一种有效的用于混沌水文时间序列的预测模型．     

非线性时间序列的相空间重构参数估计的新算法

针对混沌理论中非线性时间序列相空间重构的理论和方法,提出一种估计嵌入维数和延迟时间的新算法,采用矢量空间平均位移法确定延迟时间;基于混沌吸引子上邻近点之间距离随着时间增加最终趋于饱和的特性,估算非线性时间序列相空间重构的嵌入维数. 实例表明,该算法可以有效估计非线性时间序列的相空间重构参数.     

一种联合优化算法及其在混沌时间序列预测中的应用

为了提高混沌时间序列预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种基于遗传算法的混沌时间序列参数联合优化方法.该方法首先将相空间重构和预测模型参数作为遗传算法的个体,混沌时间序列预测精度作为适应度函数,通过选择、交叉和变异等遗传操作获得最优参数,最后利用混沌时间序列实例对联合优化方法进行验证性测试.实验结果表明:相对于传统参数优化方法,联合优化方法大幅度提高混沌时间序列的预测精度,为混沌时间序列预测提供一种新的思路.     

一种用于GPS定位估计滤波算法的非线性模型

提出了一种将现代非线性滤波技术用于GPS定位估计的方法，该方法可用于低价位的单机GPS接收器的定位，提高它们的定位精度和鲁棒性．应用该方法，根据单机GPS的原始数据、伪距和多普勒频移进行定位估计。开发了一种新的基于非线性滤波的位置和速度估计模型，该非线性模型具有随观察到的卫星数量而改变状态和测量元个数的动态特性．运用一种新型的非线性滤波-平淡卡尔曼滤波求解该模型．GPS定位实验结果表明．与通用的最小二乘迭代法或直接从接受机获得的结果相比，所提出的非线性模型得出的滤波估计结果具有较高的精度和鲁棒性．     

纯量谱分解的Gevers-Wouters算法收敛性分析

滑动平均(MA)模型参数估计问题等价于一个谱分解问题,用Kalman滤波方法基于MA模型到状态空间模型的变换,证明了纯量可逆的MA模型参数估计的Gevers-Wouters算法的一致性和指数收敛性,且证明了收敛速度由MA多项式的零点决定。当MA多项式的零点不接近单位圆周时,Gevers-Wouters算法可高精度快速给出MA参数估值,是一种快速、简单、有效的谱分解算法,为状态估计、信号处理、时间序列分析、系统辨识提供了一种重要的工具。     

非线性非高斯结构系统识别的粒子滤波方法

采用粒子滤波方法（PF方法）在非高斯噪声条件下对非线性系统进行参数识别。传统扩展卡尔曼滤波（EKF）方法具有高斯噪声假设与非线性系统线性化的缺陷,PF方法可以克服EKF方法的缺点;因此在系统识别中具有很强的鲁棒性,更适合进行非线性结构系统参数识别。数值仿真结果发现PF方法的系统识别精度高于EKF方法,证明PF方法在非线性非高斯结构系统识别中的有效性。     

不完全量测下的Cubature卡尔曼滤波方法

提出了一种不完全量测下的Cubature卡尔曼滤波方法,该方法在Cubature卡尔曼滤波算法的基础上,建立了量测滞后下的状态空间模型,利用采样点状态扩维的方法对状态估计值进行更新,并给出了不完全量测下的Cubature卡尔曼滤波算法的实现流程。仿真实验表明,不完全量测下的Cubature卡尔曼滤波方法可以用于处理量测信息采样时间和延时时间都不确定的情况,在处理不完全量测下的高维强非线性系统状态估计时计算量小,具有较高的估计精度。     

UKF和UPF在惯导初始对准中的应用研究对比

捷联惯性导航系统是新型航位推算系统,在惯导系统执行工作任务之前需要进行初始对准,以保证系统的正常运行。对捷联式惯导系统,初始对准就是确定初始时刻的姿态阵,利用惯性元件的输出信息,选用合适的滤波方法,将计算的导航坐标系与真实导航坐标系的失准角估计出来,来修正姿态矩阵,使计算坐标系与真实坐标系尽可能重合。在实际的导航系统中,状态方程和量测方程通常都是非线性的,对于非线性特性,传统的解决方法是利用EKF滤波算法,但它只适用于弱非线性模型的估计,系统的非线性越强,引起的估计误差就越大,甚至会引起滤波发散。为此提出两种滤波算法UKF与UPF,并将两者进行了仿真对比,结果表明UPF算法比UKF算法收敛速度更快,估计精度更高。     

非线性时间序列ARMA模型的优化估计法

提供了一种ARMA模型参数的优化估计法—阻尼最小二乘法,它结合了Newton法和最速下降法的优点,既保证了迭代计算的收敛性,又加快了收敛的速度.当初值的精度较差时,更宜采用阻尼最小二乘法.而且本文给出实例的MATLAB程序,并利用t统计量检验出:阻尼最小二乘法要比最小二乘法的参数估计值更为显著,拟合模型更优.     

非线性回归模型线性化后的参数估计精度问题

根据LS估计理论,对非线性回归模型线性化后参数估计精度存在的问题进行了分析,通过变量变换对线性化模型随机误差的方差进行了修正,建立了新参数估计模型.新参数估计模型满足Gauss-Markov假定,保持了LS估计的优良性质.     

含未知输入非线性系统的扩展平方根容积卡尔曼滤波算法

针对工程实际应用中存在的未知输入会导致经典的非线性滤波器状态估计精度下降甚至滤波发散的问题,提出了一种基于最小方差无偏估计(minimum variance unbiased estimation, MVUE)准则的扩展平方根容积卡尔曼滤波(extended square-root cubature Kalman filter, ESRCKF)算法。首先,结合上一时刻未知输入估计值对状态一步预测值进行修正,得到含未知输入条件下的状态预测值。其次,设计新息并采用加权最小二乘(weighted least squares, WLS)法获取当前时刻未知输入的无偏估计。最后,通过最小化协方差矩阵的迹,同时采用拉格朗日乘子法和舒尔补引理得到系统状态的最小方差无偏估计。仿真结果表明,相比于现有的非线性滤波算法,ESRCKF算法提高了在处理含未知输入非线性系统时的状态估计精度,并能同时实现系统状态和未知输入的最优估计,验证了该算法的有效性。     

求解一类非线性互补问题的广义模基矩阵分裂迭代法

通过引入新的正对角参数矩阵, 提出了求解$H$-矩阵非线性互补问题的广义模基矩阵分裂迭代法和广义二步模基矩阵分裂迭代法, 取定特殊的正对角参数矩阵和矩阵分裂后, 两种算法都可转化为已有的模基矩阵分裂迭代法, 因此是已有求解线性互补问题和非线性互补问题模基矩阵分裂迭代法的推广. 利用$H$-矩阵的相关性质建立了两种算法的收敛性分析, 在算法收敛的充分条件中, $H$-分裂的假设比已有的非线性互补问题模基矩阵分裂迭代法$H$-相容分裂的收敛条件更弱; 另外, 所得到的正对角参数矩阵的收敛域比已有非线性互补问题模基矩阵分裂迭代法的收敛域更大, 因此收敛性结果是已有算法收敛性结果的推广改进, 这表明新的正对角参数矩阵是有效的.     

信号通路模型参数优化的非线性滤波方法

提出采用非线性滤波方法--平方根UKF估计信号通路模型的未知参数,利用协方差平方根代替协方差参加递推运算,保证了滤波算法的数值稳定性.以肿瘤坏死因子诱导的核转录因子κB信号转导网络为例,利用平方根UKF对系统模型的未知参数进行辨识.仿真结果表明,该非线性滤波方法能够从噪声数据中提取有效信号,提高了参数估计的精度,为解决复杂信号通路参数辨识中的不确定性问题提供了可靠的方法.