衰减激励条件下确定性系统多新息辨识的收敛性分析

在衰减激励条件下,分析了确定性系统多新息辨识算法的收敛性。得到了如下结果：１）当信息向量φ（ｔ）有界时：（ｉ）衰减指数ε＞１２时,估计误差θ（ｔ）有界,即‖θ（ｔ）‖＝Ｏ（１）或‖θ（ｔ）‖≤Ｍ＜∞;（ｉ）ε＝１２时,θ（ｔ）以１ｔｃ（ｃ＞０）速度收敛于零,即‖θ（ｔ）‖＝Ｏ１ｔｃ;（ｉｉ）０＜ε＜１２时,θ（ｔ）以指数ｅｘｐ（－ｃｔ１－２ε）（ｃ＞０）速度收敛于零,即‖θ（ｔ）‖＝Ｏ（ｅｘｐ（－ｃｔ１－２ε））。２）当φ（ｔ）以ｔμ速度增加（μ＞０）,即φ（ｔ）＝Ｏ（ｔμ）或‖φ（ｔ）‖≤ｃｔμ,ｃ＞０,（ｉ）μ＋ε＞１２时,θ（ｔ）＝Ｏ（１）;（ｉ）μ＋ε＝１２时,θ（ｔ）＝Ｏ１ｔｃ,ｃ＞０;（ｉｉ）μ＋ε＜１２时,θ（ｔ）＝Ｏ（ｅｘｐ（－ｃｔ１－２（μ＋ε）））,ｃ＞０。     

一种改进GMDH的新方法

本文提出在ＧＭＤＨ中利用“新息贡献”准则选择关键变量（包括初始变量和中间变量）、自动构成最优部分多项式，并且给出了递推算法以避免重复运算，从而优化了模型结构，提高了精度，简化了建模过程。最后用仿真例子验证了新方法的有效性。     

自校正信息融合Kalman预报器

对含未知噪声统计的多传感器系统,用现代时间序列分析方法,基于滑动平均（MA）新息模型的在线辨识和求解相关函数矩阵方程组,可在线估计噪声统计,进而在按矩阵加权线性最小方差最优信息融合准则下,提出了自校正信息融合Kalman预报器。证明了它的收敛性,即它具有渐近最优性,且自校正融合Kalman预报器比每个局部自校正Kalman预报器精度高。一个目标跟踪系统的仿真例子说明了其有效性。     

灰色新息GM（1，1）模型的递推算法

在研究新息ＧＭ（１，ｌ）模型传统算法的基础上，提出了灰色新息ＧＭ（１，１）模型的一种新算法─—递推算法。     

一种抗野值的Kalman滤波器

在目标跟踪系统中,由于杂波的存在,往往使跟踪检测数据中含有大量、成片的野值,造成系统跟踪精度下降。本文通过对检测数据中新息特性的分析,给出了检测数据中野值的判定方法,通过重新构造状态估计来消除野值的影响。仿真结果证明了该方法可有效的剔除野值,提高跟踪系统的跟踪精度。     

插值新息实时预报方法的改进算法

在对插值新息实时预报算法的稳健性进行试验仿真研究的基础上，提出了一种改进的算法——基于自适应梯度的插值新息预报算法，计算机仿真结果表明，该算法的稳定性优于原来的基本算法，更适用于实时预报系统     

CARMA模型的多新息增广随机梯度辨识算法

将多新息辨识理论用于研究CARMA模型参数辨识问题,通过把标量新息扩展为向量新患,即多新息,得出相应的多新息增广随机梯度辨识算法.仿真结果验证了提出算法的有效性.     

非带限冲激信号的一种低通采样和重建方法

提出了非带限冲激信号的一种低通采样和重建方法,将冲激信号通过低通滤波器后,按照信号新息率进行采样,然后对采样得到的离散时间信号进行傅里叶变换,采用最小二乘零化滤波算法可以准确地重建原始冲激信号。在冲激信号个数较大及受到噪声影响时,最小二乘零化滤波算法性能恶化,通过适当提高采样率,使用奇异值分解重建算法,可以获得理想的重建结果。分析和仿真结果证明,所提出的非带限冲激信号低通采样和重建方法,能够以较低的速率进行采样和恢复原始冲激信号,并具有良好的抗噪声性能。     

基于新息正交性抗野值的自适应的α-β-γ滤波跟踪器

针对传统α-β-γ滤波器抗野值能力差和受跟踪精度与收敛速度之间的矛盾以及系数固定的影响而难以跟踪强机动性目标的局限性,设计了一种基于新息正交性抗野值的自适应的α-β-γ滤波跟踪器。该滤波器通过判断α-β-γ滤波新息序列估计值的正交性质是否丧失而判别出观测值中是否存在野值,采用活化函数对新息序列进行加权修正,利用活化函数的性质,恢复新息序列原有的统计特性和正交性,从而达到抗野值的目的。同时,根据目标机动性的变化,利用跟踪误差调整模糊集系统的输出,在保证精度的前提下,得到自适应的系数值,使跟踪结果快速收敛,很好地解决了跟踪精度与收敛速度之间的矛盾。计算机仿真结果表明,在满足所要求精度的前提下,该算法可以克服传统算法的局限性,解决野值剔除问题,并有效跟踪强机动性目标。     

一种连续型野值的识别与修正滤波算法

通过对量测数据新息的统计数学特性的分析,借助于主成分分析法的思想,根据矩阵的最大特征值反映矩阵的主要信息这一特点,提出了一种检测量测数据中是否含有野值的判别方法.此基础上,修正了Kalman滤波器的状态估计算法.使该算法在出现连续型野值时,能明显地降低误差,提高滤波精度.仿真结果证明了该方法的有效性.