基于二阶Volterra级数滤波器的海杂波建模研究

讨论了运用二阶Volterra级数滤波器进行海杂波建模预测的方法。根据相空间重构理论,以海杂波序列的嵌入维数作为滤波器长度,建立了二阶截断的Volterrra滤波器并行的乘积耦合实现结构,降低了滤波器的应用复杂程度。采用了一种自适应调整的NLMS算法实时调整滤波器系数,对比试验表明该算法具有更快的收敛速度和更小的均方误差。用Volterra级数滤波器对真实海杂波数据进行了预测分析,结果表明该模型能够准确地预测海杂波,虽然在一步预测误差性能上稍逊于RBF网络,但在较大步长时性能占优。

基于少参数二阶Volterra级数的陀螺漂移预测

针对陀螺漂移角速度的非线性时间序列预测问题,提出了一种基于少参数二阶(RPSO)Volterra级数的仿射投影(AP)自适应辨识算法,建立了基于RPSO Volterra级数的非线性预测模型。根据预测模型中两个参数向量位置可互换的特性,AP算法推导出两个结构相似的迭代公式。然后给出基于遗传算法优化AP算法步长参数及建模的完整步骤。最后通过实测的陀螺漂移数据验证所提出的算法,在极短的时间内建立出模型并获得了精确的预测结果。

Volterra级数混沌自适应模型在变形分析中的应用

针对变形监测数据混沌序列的特点,提出一种基于Volterra级数的混沌时间序列变形预测模型。经过相空间重构,确定合适的嵌入维数和延迟时间,输入Volterra级数自适应预测模型,然后得到变形量的预测值。将预测值与实际值及其他预测模型的预测结果进行比较,发现基于Volterra级数的混沌时间序列预测模型精度较高,在变形预测上是可行的。

简化Volterra级数的S模式信号失真恢复

机场场面多点定位利用S模式信号到达时间差实现目标定位。针对S模式信号易受接收系统内部非线性影响和机场场面复杂电磁干扰的问题,研究S模式信号失真恢复方法。根据S模式信号频谱特征和接收基站弱非线性记忆系统特征简化Volterra级数,降低计算量的同时满足Volterra级数关键核函数对S模式信号非线性失真表示能力,得到S模式信号失真恢复模型。仿真结果表明:3阶简化Volterra级数模型恢复15 dB和0 dB S模式信号前导脉冲的失真前波形,误差仅有2.23%和12.59%,且模型在典型运用环境下满足一定的适用性、抗干扰性和稳定性,为S模式信号到达时间戳的准确提取提供基础。

基于二阶自适应Volterra级数的船舶运动极短期预报研究

针对随机海浪作用下船舶运动的非平稳、非线性特性,文章提出了基于卡尔曼(Kalman)滤波原理的非线性二阶Volterra级数自适应预报模型。通过把Volterra级数核向量作为状态向量,利用随机游动模型建立系统的状态方程,一步Volterra级数预报模型作为系统的观测方程,从而进一步提高了Volterra级数模型的核估计的收敛速度。同时验证了利用AIC准则对Volterra级数预报模型定阶的可行性,通过迭代法实现了自适应多步预报。仿真结果表明文中提出的基于Kalman滤波算法的自适应预报模型应用于船舶运动极短期预报是可行的,该方法在理论和工程应用方面具有重要的意义。

基于SABA优化的Volterra级数空战目标机动轨迹预测

目标机动轨迹预测是空战态势感知和目标威胁评估的重要前提。针对传统目标机动轨迹预测模型复杂度大、预测精度低等问题,通过分析并结合目标机动轨迹时序数据所具备的混沌特性,引入Volterra泛函级数模型进行目标机动轨迹预测。为解决Volterra泛函级数模型中存在高阶核函数难以求解的问题,利用变异机制和自适应步长控制机制改进蝙蝠算法的寻优能力,进而构建了一种基于自适应蝙蝠算法(SABA)优化的Volterra泛函级数目标机动轨迹预测模型,并利用优化后不同阶数的Volterra泛函级数模型对目标未来机动轨迹进行预测。仿真实验中,通过与其他优化算法改进的Volterra泛函级数模型的预测精度对比,验证了所提预测模型的可行性,同时也说明了二阶Volterra泛函级数模型更加适用于目标机动轨迹预测。

基于Volterra级数的全解耦RLS自适应辨识算法

针对非线性系统辨识问题,提出了一种基于Volterra级数模型的非线性系统的全解耦RLS自适应辨识算法。按照Volterra伪线性组合结构,采用RLS自适应辨识和约束优化理论,导出了具有分块对角形输入相关矩阵的全解耦Volterra标准方程,据此设计了一种基于Volterra级数模型的全解耦的RLS自适应辨识算法。该算法与部分解耦的RLS自适应算法相比,显著提高了辨识过程的收敛速度和精度。仿真结果验证了该方法的有效性。

Volterra泛函级数在非线性系统辨识中的应用

利用 Volterra泛函级数描述非线性系统 ,将非线性系统辨识问题转化为标准的最小二乘问题 ,并通过 QR分解进行求解。在对输入矩阵 P进行 Householder变换过程中 ,提出利用输入向量对输出向量的影响因子进行 P阵的列选择 ,同时完成模型辨识 ,有效地克服了 Volterra泛函级数辨识中维数灾难问题。

基于Volterra级数的非线性非定常气动力降阶模型

发展了一种基于Volterra级数的非线性非定常气动力降阶模型。着重探讨了基于CFD/CSD耦合计算的Volterra核辨识方法。CFD/CSD耦合计算采用了一种简单的动网格快速生成方法,气动网格与结构网格节点间的物理信息交换采用一种改进的CVT方法。通过与CFD/CSD直接计算的结果对比,表明非定常气动力Volterra级数模型是一种效率高、精度好、能描述非线性、便于使用的降阶模型,特别适用于预测结构做非定常运动下的非定常气动力。

基于Volterra级数的提升小波变换边界处理及应用

针对现有的提升小波变换容易产生边界振荡和频率混叠的不足,提出了一种将Volterra级数模型和抗混叠提升小波包相结合的信号处理方法。首先对信号两端进行数据延拓,用二阶Volterra级数预测模型对延拓信号进行预测;然后用抗混叠提升算法对信号进行小波包分解。对仿真信号进行边界处理后,信号在边界不会出现振荡现象;用抗混叠提升小波包对信号进行分解不会引起频率混叠现象。工程应用中,从强大的背景噪声中提取出了往复泵柱塞与缸套碰磨产生的微弱振动冲击信号,诊断出了密封盘根过度磨损的故障。

航空发动机的一种Volterra级数非线性动态模型

研究航空发动机的非线性动态模型的建立问题。利用Volterra级数对航空发动机的动态过程进行描述,建立非线性模型,提出了模型的辨识算法。利用某型涡扇发动机的动态仿真,进行了发动机Volterra模型辨识及验证。结果表明,Volterra模型可以描述发动机从慢车与最大间的动态过程。

基于Volterra级数模型的非线性系统的鲁棒自适应辨识

研究了基于Volterra模型的非线性系统的鲁棒自适应辨识问题 .针对Volterra系统辨识时输入输出观测数据均受噪声污染的情况 ,建立了基于Volterra模型的鲁棒Volterra总体均方最小自适应辨识算法 .该算法应用梯度下降原理 ,通过对梯度的修正 ,有效地提高了算法的鲁棒性 .仿真结果表明 ,在低信噪比 ,或使用较大学习因子的情况下 ,该算法的收敛性能明显优于其他算法 ,便于实际应用 .

基于Volterra级数的跨音速非定常气动力建模

为了有效实现跨音速气动伺服弹性的分析与综合,应用Volterra级数理论建立了一种跨音速非定常气动力状态空间建模方法.小扰动假设下的跨音速非定常气动力可以近似地表示为一阶Volterra级数的形式.通过CFD(Computation Fluid Dynamics)技术计算得到由结构变形产生的非定常气动力阶跃响应可辨识出Volterra核,由此得到频域的广义非定常气动力影响系数.利用气动力有理函数拟合,得到气动弹性状态空间模型.为验证气动力建模的有效性,以后掠机翼为例进行颤振计算.结果表明,Volterra级数方法得到的非定常气动力模型能够反映一定的跨音速气动特性,颤振计算与CFD-CSD(CFD-Computation Structure Dynamics)的计算结果吻合很好.

基于线性空间投影的计算Volterra级数高阶核的方法

研究了对非线性动态系统作任意精度逼近的Volterra级数高阶核的全新估计方法。该方法在核函数理论基础上构造特殊线性空间,将求解Volterra级数的各阶核的问题转换为求用输出观测向量在希尔伯特空间中某一子空间上的投影问题,使原本复杂、难以计算的非线性系统的Volterra级数的逼近问题在所构建的线性空间中巧妙地以向量内积的方式解决,并给出了具体算法。相比于其他时域或频域估计Volterra核的方法,该算法的优点在于理论体系严密、计算量不会随着阶数增高而呈几何级数增加,辨识精度高,理论上能够辨识出任意阶的核,弥补了迄今现有的各种估计Volterra核的方法难以估计超过四阶或更高阶核的缺点,特别能够应用在对动态系统和强非线性系统的建模上。仿真研究的结果证明了该方法的有效性。

修正Volterra级数的功放行为模型

从功率放大器的基本电路模型出发,建立了一种基于反馈结构的修正Volterra级数(MVS)的功率放大器的行为模型。在此基础上,依据功率放大器的非线性特性,对MVS模型进行了近似和简化,降低了模型的复杂度和参数提取时间。采用ADS仿真测量了一个10 W的WCDMA功率放大器的输入输出波形,用于模型提取和验证。计算结果表明,MVS模型能够很好地描述WCDMA功率放大器的非线性特性及记忆效应,与传统的记忆多项式模型(MP)相比较,MVS模型的NNSE低约3 dB,同时降低了模型的复杂度。

基于Volterra级数及神经网络的非线性系统建模

在高压下,压力传感器往往会表现出非线性的特性。本文基于反向传播神经网络对Volterra级数表示的非线性系统进行了研究。在分析了神经网络分解后的结构与Volterra级数表示的非线性系统之间的类似关系后,将所使用神经网络中的激励函数在阀值处进行泰勒级数分解,解算出了Volterra级数的各阶核,从而实现了对非线性系统(传感器)的建模。实例建模结果表明,通过使用神经网络方法求解Volterra级数核来对非线性系统进行建模的方法非常有效。

基于Volterra级数的核爆地震参数化非线性特征提取方法

地震时间序列的模型参数可以作为核爆地震信号识别的特征。现有基于ARMA(autoregressive moving average)模型参数的地震信号特征提取方法是一种线性方法,且只利用了信号的二阶统计信息,识别精度不高。为此,利用地震波的混沌特性,提出了一种核爆地震非线性特征提取方法:首先对地震波信号进行相空间重构,然后利用Volterra级数在重构的相空间内建立自适应预测模型,最后提取模型参数作为特征。在核爆地震分类实验中,非线性特征与线性特征相比,表现出更好的分类性能。研究结果表明:综合利用地震波信号的线性、非线性以及高阶统计信息对于核爆地震识别是非常重要的。

基于Volterra级数和SVM的旋转机械故障诊断方法研究

提出一种基于Volterra级数和支持向量机的旋转机械故障诊断方法。该方法首先利用量子粒子群优化算法辨识出正常、转子碰摩、转子裂纹、基座松动四种状态下的Volterra核,分别利用一阶Volterra核和前三阶Volterra核作为特征向量,然后将这些特征向量输入到SVM(support vector machine)分类器中进行识别。实验结果表明,提出的方法是有效的,当利用一阶Volterra核作为特征向量难以区分故障时,可以利用更高阶的Volterra核作为特征向量来区别,这些体现出所提出方法在旋转机械故障诊断中独特的优势。

Volterra泛函级数辨识中维数灾难的一种解决方法

对Volterra泛函级数进行三阶截断近似 ,将Volterra核的求解问题转化为一个标准的最小二乘问题 ,并通过QR分解进行参数估计 ,在利用Householder变换实现矩阵P的QR分解过程中 ,提出了利用输入向量对输出向量的影响因子进行 P阵的列选择 ,进一步简化了算法 .数字仿真表明了该方法的有效性 .

基于模态级数法的复杂水电系统二阶振荡模式

针对水电站产生机理不明的低频振荡问题,采用模态级数法研究水电站二阶振荡模式。首先,给出考虑复杂水力系统耦合和水力管道弹性的详细水电站模型。然后基于模态记数法给出二阶振荡模式及非线性指标。最后,以两机共压力管道复杂水电系统为例,采用线弹性模型模拟水力系统,计算该水电站二阶振荡模式及非线性指标,仿真计算发现二阶振荡模式并未产生新的主导振荡模式,非线性对一阶振荡模式的幅值和阻尼影响较大。