一类新型非线性随机系统微分状态估计器和控制器

本文提出一类不依赖被估计系统模型微分状态估计器,参数少、精度高,通过分析其根轨迹和极点要求配置合适的参数;给出了完整的稳定性和收敛性证明;频率特性分析表明,该估计器具有较好的滤波特性.另外,基于所提出的估计器,本文设计了不依赖非线性系统模型的高阶微分反馈控制器.该控制器稳定性好,鲁棒性强.最后,通过几个仿真例子验证了所提出理论的正确性.

具有未知输入干扰的离散状态估计器设计

基于离散系统，本文研究被控对象含有未知输入干扰的状态估计问题，提出了一种新的能够消除未知输入干扰影响的全维状态估计器，给出了新型状态估计器存在的条件．最后给出了仿真示例，证明了本文的结果．

一类不确定线性系统鲁棒状态估计器设计

本文对一类不确定线性系统给出了一种鲁棒状态估计器设计方法．其主要思想是对允许的系统扰动，通过设计估计器参数矩阵使增广系统的极点位于左半复平面指定圆形区内或指定直线的左侧，且稳态误差协方差阵不超过给定上限．给出了鲁棒估计器存在条件及其解的一般表达式．

具有未知输入干扰的状态估计器的设计

研究了系统含有未知扰动时的状态估计问题，提出了一种新的状态估计方法，它能消除未知输入干扰，给出了新型状态估计器存在的条件。仿真结果证明了本文的正确性。

带有色观测噪声系统最优和自校正状态估计器

基于ＡＲＭＡ新息模型，通过计算白噪声估值器和输出预报器，提出了带有色观测噪声系统的一种新的最优和自校正状态估计器，可统一处理滤波、平滑和预报问题，可处理未知的非平稳有色观测噪声、不稳定系统和状态转移阵奇异的系统。一个雷达跟踪系统的仿真例子说明了其有效性。

一种非线性状态估计器的算法实现与解耦简化

本文以机载火控系统中的目标状态估计器(TSE)为例,探讨了一类非线性状态估计器的算法及简化方法。文中给出了TSE的数学模型,分析了其特点,并作了形式上的变换;而后用最优卡尔曼滤波算法实现了状态估计。最后,利用其结构特点,作了算法解耦,故大大减少了计算量和计算机内存,获得了令人满意的估值精度。

扩维UKF在目标状态估计器中的应用

在火力/飞行控制(IFFC)系统的目标状态估计器(TSE)设计中,通常目标运动模型可精确地在直角坐标系下建模,同时在传感器坐标系下所获得的目标量又是直接可用的,但一般量测模型是非线性的,滤波器模型需采用非线性滤波方法。为了提高状态估计器的估计精度,在UKF(Unscented Kalman Filter)算法基础上,介绍了一种新的AUKF(Augmented UKF)滤波方法。此算法的思想是尽可能多地利用系统的量测信息,把系统和量测噪声同状态变量联系起来一起考虑,即把系统和量测噪声也列为状态。这要求预测方程产生的采样点同样被应用到更新方程,从而使噪声项的作用通过非线性方程进行传递。通过Monte-Carlo仿真与EKF(Extented Kalman Filter)算法进行了比较,仿真结果表明新算法的有效性和实用性。

中立型时变时滞BAM神经网络状态估计器的设计

基于Lyapunov-Krasovskii稳定性理论和积分等式的方法,给出闭环误差系统全局渐近稳定的时滞依赖充分条件,进一步得到状态估计器增益矩阵的表示方法,从而完成对中立型时变时滞BAM神经网络状态估计器的设计,通过仿真算例验证了所得结论的正确性和有效性。

无线传感器网络中含未知输入的事件驱动状态估计器设计

近年来,随着传感器和无线网络技术的发展,基于无线传感器的新型网络化应用也应运而生。然而,无线传感器耗能过多成为制约其发展的瓶颈。因此,研究其节点数据传输节能问题有着巨大的实际意义,针对一种含未知输入的离散随机系统,结合事件驱动机制设计估计器以实现远程状态估计。相应的远程估计器满足了无偏和最小方差特性,随后,基于所提出的事件驱动策略判定何时发送数据,从而减少数据传输。此外,通过推导一类系统性能指标的上界详细推导了时间驱动策略的形式和参数,最后,通过数据仿真实验来验证所提方法的可行性和有效性。

基于未知状态估计器和改进跟踪微分器的柔性关节预设性能反演控制

为解决由模型不确定性和外部未知干扰导致的柔性关节系统控制偏差问题,提出一种基于未知状态估计器和跟踪微分器的预设性能反演控制方法。设计一种基于低通滤波器的未知状态估计器,该估计器仅依赖于模型的名义值即可估计集总扰动。构造了一种新的有限时间收敛预设性能函数,并基于该函数设计反演控制器,用于在保证闭环系统所有信号有界的情况下,使关节跟踪误差在约定时间内收敛到预定的任意小区域。为避免反演控制器的微分爆炸问题,设计基于改进Sigmoid函数的跟踪微分器来估计虚拟控制律的微分信号。仿真结果表明,在未建模动态和外部未知干扰的影响下,所提方法能够保证关节跟踪误差在有限时间内收敛到任意给定范围,有效提高了柔性关节的瞬态和稳态性能。

时滞静态神经网络新的L_2-L_∞状态估计器设计

研究了一类含有时变时滞的静态神经网络的L_2-L_∞状态估计问题.通过利用增广的Lyapunov-Krasovskii泛函、Wirtinger积分不等式和新的L_2-L_∞性能分析方法,得到了线性矩阵不等式表示的新的L_2-L_∞状态估计器设计充分条件.所设计的状态估计器不仅能保证误差系统的全局指数稳定性,而且满足规定的L_2-L_∞性能要求.最后,数值例子验证了文中所提出设计方法的优越性.

一种基于改进光流法的视觉惯性状态估计器

自主导航是实现机器人智能自主化的关键技术。针对传统视觉slam难以适应复杂光照变化的问题,提出一种基于改进光流法的视觉惯性状态估计器。该系统融合了丰富的图像信息和IMU的数据,能较好的解决视觉传感器因光敏性造成的定位丢失问题,同时丰富的图像信息能在一定程度上解决IMU累计误差的缺点。我们参考经典的前端结合后端优化的方案,采用基于优化的后端优化前端运动轨迹。最后使用EVO评估运动轨迹误差。仿真结果表明,该系统能较好的跟踪相机运动,得到较为准确的运动轨迹。

武装直升机IFFC系统目标状态估计器的设计与仿真探讨

目标状态估计器(TSE-Target State Estimator)是综合飞行/火力控制(IFFC-Integrated Flight and Fire Control)系统中的一个重要组成环节,它对测量的目标参数进行滤波估值,提高了火控系统的命中率。本文阐述了目标状态估计器的设计一般方法,并以地面匀速运动的坦克为目标,对其进行了设计与仿真。

英国国家电网公司在电力系统状态估计器及安全分析方面的经验

本文叙述了由安装在英国国家电网公司新国调中心的新型能量管理系统所提供的实时网络分析的应用，并介绍了第一年的运行经验．对经常出现的某些状态估计问题的解决方法和作者所作的尝试的结论进行了讨论，以对安全估计器的结果与现有的离线研究方法的结果进行比较．文章还对应用实时网络分析时遇到的一些原始缺陷的观察结果和在短时段及较长时段内解决这些问题的方法进行了讨论．

线性系统状态估计器的鲁棒设计方法

在考虑对噪声不确定系统的状态估计器进行鲁棒设计的条件下，提出一种新的简化性能指标函数，据此设计的状态估计器，设计过程更为简单直观．

时变时滞离散递归神经网络系统的状态估计器设计

研究时滞离散递归神经系统的状态估计问题.通过网络输出对神经元的状态进行估计.在较弱的激活函数假设下,通过构造一个新的Lyapunov泛函,引入一个自由权矩阵,并结合Jensen不等式得到了确保误差系统全局指数稳定的充分条件.所得条件依赖于时变时滞的上界和下界,并以线性矩阵不等式的形式给出.最后的数值算例表明了所提出方法的有效性.

基于状态估计器的船舶动力定位模型预测控制

针对船舶动力定位系统实现精确控制所需的状态变量不完全可测问题,研究设计基于状态估计器的船舶动力定位模型预测控制器,以提高系统控制精度.基于MATLAB对有无约束及有无状态估计器的模型预测控制进行仿真对比分析.结果表明,基于状态估计器的模型预测控制可提高动力定位的控制效果,验证了该控制算法的有效性.

微电网V2G双向变换器运行状态分析方法

针对现有微电网V2G双向变换器运行数据的智能监测系统抗干扰性差、监测精度低等问题,提出一种新型配电自动化监测系统架构。该系统采用集成模拟电路的实时配电系统状态估计器(distribution system state estimator,DSSE)作为监测系统的关键部件。开发的DSSE针对配微电网V2G双向变换器监测系统进行了单元优化,在变电站实时执行监控,可通过多区域状态估计算法进行协调,提高监控事件的时间效率和鲁棒性,同时也保持了可接受的精度水平。设计了针对虚假噪声信号注入防护的试验,试验结果表明,该系统对于这类攻击具有较高稳定性,能有效保护微电网V2G双向变换器运行数据的质量。

输配一体化电网抗差状态估计方法研究

为有效解决输配电网系统在实际应用中存在的不良量测、坏数据的问题,对比分析了WLS、WLAV、MES、MEAV 4种不同状态估计器,提出在TN、DN同时部署MEAV-MEAV状态估计器对的估算法。当远离或靠近边界点处出现粗差和坏数据时,该算法明显优于其他算法,且估计值完全同于真实值、绝对误差小,能实现高效率和准确性,且具有很好的估计性能。

一类基于状态估计的非线性系统的智能故障诊断

针对一类含有建模误差的非线性系统,研究了基于状态估计的智能故障诊断方法.首先提出一种状态估计器设计方法;然后在进行状态估计的同时用RBF神经网络来逼近系统所发生的故障.故障估计器的输入为系统的状态估计,所估计出的故障既可用作故障容错控制,也可用作报警.根据微分同胚,将含有建模误差的非线性系统变换为易于分析的规范形式,并在此基础上分析了故障诊断系统的稳定性和鲁棒性.仿真例子证明了该方法的有效性.