一种非线性系统集员辨识算法

针对带有未知有界噪声的非线性动态系统的鲁棒辨识问题,提出了一种新的非线性动态系统的集员辨识算法.利用径向基函数神经网络的逼近能力,根据系统的输入输出数据,选用径向基函数神经网络对未知非线性系统建模.径向基函数神经网络的中心被确定之后,考虑到建模误差与系统噪声有界,利用径向基函数神经网络为参数线性模型的特点,使用参数线性集员辨识算法辨识径向基函数神经网络的输出权值.由于集员辨识算法所得到的是网络输出权值的集合估计,在系统运行过程中,可以很方便地利用所建模型预测实际系统的输出范围.仿真表明,集员辨识算法辨识网络的输出权值比最小二乘法较少的受未知动态系统噪声分布的影响.     

基于分层随机梯度辨识算法的传感器故障检测方法

提出一种基于两阶段递推随机梯度参数辨识的传感器故障的在线检测方法.相对于最小二乘参数辨识算法,随机梯度参数辨识算法所需计算量更小.针对计算能力受限的系统,提出基于随机梯度参数辨识的检测算法.通过分析可知,参数辨识精度越高时检测精度越高.为提高精度,给出基于两阶段递推随机梯度参数辨识的检测算法并设计基于最新估计信息的残差.除此之外,还给出新的检测算法与原有的基于最小二乘检测算法计算量的对比分析,并通过仿真实例,证明新的检测算法的优越性及有效性.     

一类非线性网络化系统的鲁棒故障检测

研究了一类非线性网络化系统的鲁棒故障检测问题.系统的不确定参数具有范数有界约束,非线性项满足扇形域有界条件,系统状态时滞时变有界.用服从伯努利分布的随机序列描述系统观测数据的随机丢失.将原问题转化为鲁棒H∞问题后,以线性矩阵不等式的形式给出了鲁棒故障检测滤波器的存在条件,进而得到所求滤波器的增益阵.     

基于地心坐标系的多传感器动态偏差估计算法

配准是多传感器系统进行数据融合必不可少的处理过程.使用一种新的基于地心地固(ECEF, Earth-Centered Earth-Fixed)坐标系的多传感器配准算法,能对传感器的动态偏差进行估计,同时充分考虑了地球曲率对配准算法本身的影响.首先利用多传感器的局部航迹数据来构造关于传感器偏差的伪测量模型,其噪声满足零均值高斯白噪声特性,协方差信息也易于计算,然后使用序贯卡尔曼滤波算法(SKF, Sequential Kalman Filter)对偏差进行动态估计.当传感器偏差恒定时,算法经过简单修改后依然适用.最后通过仿真试验对新算法的性能进行了评估,结果说明新算法能有效地进行传感器配准.      

衰减因子自适应滤波及在组合导航中的应用

从卡尔曼滤波技术的稳定性出发,分析了卡尔曼滤波算法发散的原因,提出了一组衰减记忆卡尔曼滤波中衰减因子的自适应估计方法,并在GPS/SINS组合导航系统中进行了计算机仿真.在计算衰减因子时,利用滤波残差序列在最优估计时为零均值白噪声的性质,构造了服从χ2分布的变量,并分别检验滤波残差每一个分量得出衰减因子值.仿真结果表明,该组算法能够自适应地估计出衰减因子的大小,有效地抑制滤波发散,且计算量较其它方法小.      

一类有色噪声干扰随机系统最小二乘递推辨识

提出一类有色噪声干扰随机系统的辅助模型最小二乘递推辨识算法.此算法结合辅助模型辨识思想和递推增广最小二乘理论,用辅助模型的输出代替辨识模型信息向量中未知中间变量,用估计残差代替信息向量中不可测噪声项,从而可以运用递推辨识思想来估计系统所有参数,包括噪声模型参数.仿真例子说明提出算法的有效性.      

基于ARMA时序模型的结构参数识别集员算法

研究在时域内利用含噪声观测数据识别结构参数问题.建立了与结构振动微分方程等价的自回归滑动平均(ARMA, Autoregressive Moving-Average)时序模型,将结构参数识别问题转换为ARMA模型参数辨识问题.在不确定但有界(UBB, Unknown-But-Bounded)噪声假设下,基于线性时不变系统参数集员辨识的区间算法,寻求与观测数据和噪声相容的参数的最小超长方体(或区间向量),进而得到结构参数的估计值.通过数值算例,将本文算法与最小二乘算法进行了比较,显示了其可行性和有效性.      

光纤陀螺中分形噪声的参数估计和去除

光纤陀螺零漂信号中主要存在分形噪声和高斯白噪声,采用传统的时间序列分析法很难去除这类混合噪声.基于小波分析,提出一种分步估计加性白噪声强度和分形随机过程参数的新方法.先通过拟合自相关函数,估计出白噪声的强度;再在小波变换域估计分形噪声参数,并选取适当软阈值对测量值滤波.实验结果表明该估计和降噪方法有效地去除了光纤陀螺中的混合噪声,且不需要噪声的先验知识,具有很好的适应性.      

一种新的频域自适应算法

分析了现有自适应滤波算法,并且提出了在有色噪声背景下能够快速收敛的频域自适应新算法.使用牛顿法搜索性能表面和近似于递归最小二乘(RLS)算法的结构,利用现有的拟牛顿QN(Quasi-Newton)时域自适应算法原理,通过快速傅里叶变换(FFT)将其应用于频域.结合快速块最小均方自适应滤波算法FBLMS(Fast Block Least Mean Square)中的并行处理方法对算法的运算过程进行了改进.由于调整了数据格式和增益矩阵的系数加快了迭代过程的收敛,并且提高了信号处理的效率.附加的计算机仿真结果分别给出了在白噪声和有色噪声输入相同汉明窗条件下,新算法、LMS算法和拟牛顿算法QN的自适应系统辨识的效果比较图,表明新算法能有效用于色噪声下的自适应滤波.     

基于时域映射的多无人机系统给定时间分布式最优集结

针对多无人机系统给定时间最优集结问题,建立了基于时域映射的分布式优化框架。首先,引入一类特殊的时域映射,将原时域的给定时间决策问题转化为了无限域中的渐近稳定问题,简化了分析设计流程。其次,进一步设计了给定时间梯度下降算法,其收敛时间与系统初始条件及其他参数无关,能够被预先给定,且算法时变增益的使用消除了参数选择过程,在全局信息严重匮乏的情况下仍然适用。仿真结果表明:所提方法能够在给定时间内实现多无人机分布式最优集结,并保证任务时间内闭环系统全局有界。      

一种模型误差鲁棒的卫星姿态确定方法

提出一种结合非线性预测滤波和二阶插值滤波实现基于星光/陀螺的高精度姿态确定的新算法.该算法用非线性预测滤波估计模型误差,再对补偿后的模型用高精度的二阶插值滤波来估计姿态参数.解决了在卫星实际运行中难以获得姿态确定系统的精确动力学模型,采用传统EKF(Extended Kalman Filter)将模型误差作为零均值白噪声处理,导致滤波精度降低甚至发散的问题.同时,二阶插值滤波将非线性模型按照二阶近似,无需计算函数偏导数,得到高精度的卫星姿态估计.仿真验证了该方法能有效地实时估计并补偿模型误差,提高了姿态估计的精度,且估计精度受滤波周期的影响不大,从而验证了算法的鲁棒性和有效性.      

变时延网络控制系统的鲁棒故障检测

针对具有时变时延的网络控制系统故障检测问题,提出了一种基于鲁棒H_∞思想的故障检测滤波器设计方法.将鲁棒H_∞故障检测问题归结为寻找滤波器参数矩阵,使得滤波系统内稳定并且满足鲁棒H_∞性能指标.根据残差评价函数和故障阈值判断系统是否存在故障.假设时变时延的上下界已知.基于时延相关Lyapunov-Krasovskii泛函方法给出了系统内稳定并且具有H_∞指标的时延相关条件.在外部控制输入、外界干扰和故障信号有界的情况下,所设计的故障检测滤波器能够保证生成的残差信号有界.针对HiMAT（Highly Maneuverable Technology）飞行器设计了故障检测滤波器,并通过仿真分析验证了所提出方法的有效性.     

随机多变量连续系统的辨识

本文讨论了由随机向量微分方程描述的多变量连续系统的辨识问题。虽然假定微分方程中的噪声项是白噪声,但是用方脉冲函数积分微分方程后,所得到的代数方程中的噪声项却是有色噪声。为了得到无偏的参数估计,本文提出一种预滤波方法。仿真例子表明这种方法是很有效的。     

非线性系统的结构选择及其参数的集员辨识

基于支持向量回归和RBF(Radial Basis Function)神经网络,研究了带有未知但有界噪声的非线性系统的集员辨识问题.推导了噪声界以及支持向量个数与ε-不敏感参数之间的关系,给出了利用噪声界选择ε-不敏感参数的方法.描述了通过支持向量回归选择RBF神经网络规模的方法.该方法以Gaussian核函数作为径向基函数,支持向量作为径向基函数的中心构建RBF神经网络.运用改进的OBE(Optimal Bounding Ellipsoid)算法对RBF神经网络的权值进行辨识,得到与给定输入输出数据和噪声界序列一致的一类RBF神经网络.仿真算例验证了算法的有效性.     

基于可变阶变分模型的医用低剂量CT图像去噪

为了降低患者的辐射风险,低剂量CT（LDCT）广泛用于临床诊断,但辐射剂量的减少在重建的LDCT图像中引入了斑点噪声和条纹伪影。为了提高LDCT图像的质量,提出了一种基于可变阶变分模型的后处理技术。所提出的变分模型使用边缘指示器控制变分阶数,根据图像的特征在一阶全变分（TV）正则项和二阶有界Hessian（BH）正则项之间交替变换。采用基于快速傅里叶变换（FFT）的分裂Bregman算法求解所提出的变分模型。该模型在保留高剂量CT（HDCT）图像相应结构的同时,有效抑制了斑点噪声和条纹伪影。重建的图像和实验数据表明,所提出的变分模型比现有的先进模型具有更好的质量。