时变参数辨识梯度算法稳定性分析

研究用于时变参数辨识的梯度算法稳定性问题.基于随机过程有界性判据对时变参数辨识梯度算法进行了稳定性分析,给出了梯度算法稳定的充分条件.指出在待辨识参数变化率有界,观测噪声是零均值白噪声,且系统满足持续激励条件的情况下,梯度算法参数选择满足一定条件时,能够确保参数辨识误差的有界性.上述研究与以往工作的不同之处在于稳定性证明过程中仅要求待辨识参数的变化率是有界的,而不要求参数变化率是零均值白噪声.     

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.      

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.     

一种MEMS陀螺随机漂移的高精度建模方法

为补偿MEMS陀螺随机漂移,采用时间序列分析法对其进行自回归滑动平均（ARMA）模型辨识,提出一种滑动平均（MA）参数估计的新方法。先将陀螺随机漂移建模为带观测噪声的ARMA模型,在估计出自回归（AR）部分的参数后,针对AR滤波后的残差,推导出一种方差小的MA自协方差估计值,并将该估计值作为输入,利用Gevers-Wouters（GW）算法估计出MA部分的参数。仿真结果表明,MA参数估计精度得到提升的同时,参数估计可靠性也得到了增强。MEMS陀螺的随机漂移补偿实验进一步验证本文所提算法的补偿精度高于改进前。      

LPV模型的动态压缩测量辨识算法

在解决线性参变（LPV）模型的辨识问题上,最小二乘算法以结构简单、计算复杂度低等优点被大量使用。但最小二乘算法辨识结果受制于计算精度和模型近似精度,而这两者在同一个系统中是互斥的。因此,该算法的辨识结果与真值总是存在一定的误差。另外,在高阶LPV模型辨识或采样成本高的情况下,一般模型参数要多于辨识数据,而此时最小二乘算法很难得到稳定的辨识结果。本文提出的动态压缩测量辨识（DCMI）算法从两个方面提高在该情况下的系统辨识精度。其一,利用“匀速变化”及“非匀速变化”模型表示参变函数,以提高模型近似精度。其二,利用压缩感知理论的欠采样能力,在同等数据量的情况下提高参数的计算精度、扩大模型的计算规模。仿真结果表明,基于“匀速变化”模型DCMI算法可以准确地辨识出LPV函数,而且该算法在辨识数据不足的情况下仍然能够获得稳定的辨识结果。      

基于连续小波变换的飞行器结构模态参数辨识

给出了一种基于连续小波变换的多输入多输出MIMO(Multiple-Input Multiple-Output)飞行器结构模态参数的辨识方法.对结构离散运动方程进行连续小波变换建立了小波域内的系统AR(Auto Regression)模型,AR模型的系数矩阵决定着系统的动力学特性,可以通过最小二乘法求得.模态参数可以通过求解由AR系数矩阵构成的特征矩阵的特征值来获得.与已有基于小波变换的模态参数辨识方法相比,该方法应用了连续小波的时移共变性和小波变换的滤波能力来确保辨识的效率.在辨识过程中,采用优化算法提高了辨识的精度和稳定性.算例仿真结果表明该方法具有较高的计算精度和稳定性,能用于飞行器结构模态参数的辨识.      

传递对准中机翼弹性变形建模与滤波处理

针对机翼弹性变形对传递对准的较大影响,提出采用双激光测距方法对不同挂点弹载子惯导系统的机翼弹性变形进行在线量测,利用AR(n)模型来简化ARMA(p,q)模型进行机翼弹性变形的在线建模.建模中采用递推最小二乘法估计模型参数,利用模型估计残差的F检验法确定模型的阶数.最后,根据机翼弹性变形模型并结合快速对准匹配方法设计了考虑多阶有色观测噪声的传递对准滤波器.仿真试验验证了这种机翼弹性变形在线建模方法和考虑有色观测噪声的对准滤波器的可行性和有效性,为机载导弹提供了一种有效的快速精确传递对准方法.     

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.     

基于遗传算法的多模型Kalman滤波算法 及应用研究

基于长航时无人机惯性/天文/卫星(INS/CNS/GPS)组合导航系统模型,针对复杂环境所引起的系统模型参数变化导致单一固定参数滤波器精度降低问题,提出了一种基于遗传算法的多模型自适应Kalman滤波算法,并与单一模型下的Kalman滤波器方法进行了比较.仿真结果表明,与采用单一模型的Kalman滤波算法相比,该方法不仅能大大提高导航系统的精度和可靠性,而且还可以较好地辨识出组合导航系统惯性器件噪声统计模型参数.      

基于脉冲响应相关函数的模态辨识算法

利用不同时刻系统测量噪声具有独立同分布的特点,对脉冲响应进行相关处理,可以提高信噪比。为解决传统的基于脉冲响应的模态辨识算法的辨识精度问题,用某点脉冲响应同参考点响应之间的相关函数代替该点的脉冲响应以形成基于脉冲响应相关函数的模态辨识算法,并从理论上证明脉冲响应相关函数算法的辨识精度优于传统的脉冲响应算法。通过对一个四自由度系统模态频率和阻尼比的仿真辨识,验证了脉冲响应相关函数辨识算法的有效性。     

基于灵敏度分析的结构-声学鲁棒优化设计

针对工程中普遍存在的结构-声场耦合系统,充分考虑系统本身及外载荷的不确定性,提出了求解系统响应范围的区间有限元分析方法及鲁棒优化设计模型.从耦合系统的平衡方程出发,利用中心差分方法得到了系统响应的灵敏度计算公式.引入区间变量来表征信息不足的不确定参数,借助一阶泰勒展式,可以快速估算系统响应的区间上下界.在结构鲁棒优化设计过程中,通过引入灵敏度指标,将原不确定单目标优化问题转化为确定的多目标优化问题.为保证结构性能更加稳定,利用区间可能度刻画约束条件的鲁棒性.数值算例通过某弹舱模型弹性板厚度的优化设计,验证了所建立的鲁棒优化模型及算法的有效性.      

A star identification algorithm based on radial and dynamic cyclic features of star pattern

A full-sky star identification algorithm based on radial and dynamic cyclic patterns is presented with the aim of solving the “lost-in-space” problem. The dynamic cyclic pattern match is applied with a maximum cumulate comparison method to identify sensor-catalog pairings in initial match, which substantially eliminates the effects of the star position noise, magnitude noise, and false stars. After initial match pairings of stars are obtained, a chain part extension technique is employed to quickly search for the longest match chain as the final result. Experimental results indicate that the proposed algorithm is highly robust to star position noise, magnitude noise and false stars. In a series of simulations, the identification rate of the algorithm is 97.50% with 2.0 pixels star position noise, 96.90% with 0.4 Mv star magnitude noise and 95.30% with four false stars respectively. Moreover, the algorithm achieves an identification rate of 58.08% when only six stars are in the field of view.