基于多模自适应滤波的无人机控制系统故障诊断

建立了无人机控制系统传感器和执行器的全局故障和局部故障的模型,在此基础上应用多重模型自适应卡尔曼滤波方法对其传感器和执行器的各种软硬故障进行诊断,应用所建立的数学模型与方法,对无人机的三个传感器和两个执行器的局部与全局故障进行了仿真计算。在仿真过程中发现,此方法的诊断准确度高,无延迟报警,算法简单,仿真结果验证了该种方法的有效性。

基于最小均方自适应滤波器的热工过程建模方法

针对热工对象的时变性特点及其在运行过程中易受到不确定性干扰的影响,提出一种基于最小均方(least mean square,LMS)自适应滤波器的热工过程建模方法。LMS滤波器以未知对象的输入和输出作为激励和期望信号,通过最速下降法得到未知对象的有限脉冲响应(finity impluse response,FIR)模型,其与差分方程或传递函数是等价的。实验仿真和某电厂实际运行数据验证了该算法的有效性。这种建模方法避免了复杂的机理分析,其抽头权值的分布可以表征热工对象的动态特性,为分析热工对象提供了一种手段。

基于自适应交互多模滤波的SCNS/RSINS紧组合对准方法（英文）

为了提高船用单轴旋转捷联惯性导航系统(RSINS)初始对准的精度和快速性,针对传统的EKF滤波线性化误差和单传感器精度不高的问题,设计了一种基于自适应交互多模(AIMM)算法的SCNS/RSINS紧组合对准方法。该算法将自适应滤波器与交互多模型相结合,利用了两个合理构建状态模型和量测模型的平行滤波来实现对实际模态的覆盖:滤波1应用姿态四元数算法建立了状态方程的模型,量测量为RSINS与SCNS之间的姿态四元数误差;滤波2的根据SCNS/RSINS的误差特性构建了状态方程模型,量测量为RSINS与SCNS位置和航向误差,然后应用自适应IMM算法将两个平行滤波的估计值进行数据融合。在某种程度上,因状态噪声和量测噪声的不确定性,EKF的性能会被降低,而通过模型转换机制,IMM可用于选择一个合理的模型自动计算器来自适应地调整对准过程中噪声的协方差矩阵,因此该算法可以有效地解决SCNS/RSINS组合导航系统的初始对准问题。仿真结果表明:与EKF算法相比,基于自适应IMM算法的SCNS/RSINS组合对准方法的估计精度和对准快速能力都得到了改善,其中对方位陀螺漂移的估计时间缩短了至少40%。

一种多模型自适应联邦滤波器及其在INS/CNS/GPS组合导航系统中的应用

本文介绍一种基于多模自适应估计的联邦滤波器的原理和特点。设计了INS/CNS/GPS组合导航系统的联邦滤波算法 ,并首次将多模自适应估计方法运用到联邦卡尔曼滤波器中。此外 ,联邦滤波器算法中采用自适应调整信息分配系数的方法。仿真结果表明 ,与采用单一模型的联邦滤波算法相比 ,多模自适应方法与联邦滤波方法结合使用能大大提高导航系统的精度和可靠性。

改进新息自适应交互多模的GPS/SINS组合导航滤波算法

针对量测噪声统计特性未知会影响GPS/SINS组合导航滤波精度的问题,提出了一种改进新息自适应的交互多模滤波算法:在估计新息协方差矩阵时,将在不同长度估计窗下得到的估计值进行加权组合,优化了估计窗口的选取;然后估计系统的量测噪声阵,并以该估计值为中心对称地构建交互多模模型集,再进行交互多模滤波,该方法解决了传统交互多模算法在噪声统计特性未知情况下模型数量与计算速度之间的矛盾。仿真结果表明:相比于标准卡尔曼滤波和单一估计窗口新息自适应交互多模滤波,该方法具有更高的滤波精度和抗干扰性。

基于分层多模自适应滤波算法的无人机多重传感器故障诊断

应用标准的多模自适应滤波算法能够在较短的时间内检测出系统的单一故障,但是当把它用于检测系统的双重或多重故障时,这一算法需要建立所有可能出现的故障模型,而每一个模型都要对应一个卡尔曼滤波器,需要大量的滤波器并行运算,大大增加了系统的故障诊断时间,为了简化算法并减少算法计算时间,本文提出了一种用于复杂系统的多重故障诊断的分层多重模型滤波技术,在确定某一单个故障发生后,则可以启用一组基于上一单个故障的新滤波器来检测系统的第二重故障,这样减少了并行运算的滤波器数量,从而减少计算量和故障诊断时间。本文将此算法应用于某无人机多重传感器的故障诊断,仿真结果验证了该方法的有效性。

多模自适应滤波算法的性能改进方法

多模自适应滤波算法基于已知的故障情况设计出一组卡尔曼滤波器预测系统对给定输入的响应,根据卡尔曼滤波器的预测输出和系统的测量值确定各滤波器的残差,从而检测出系统是否发生故障及其故障类型。采用传统的多模自适应滤波算法检测故障时会有一定的时间延迟,不利于系统故障的实时检测,因此提出了几种减少多模自适应算法故障检测时间的方法,并将其应用于某无人机执行器和传感器的故障检测和识别,仿真结果证明可以有效地减少故障检测时间。

两种非线性自适应滤波方法及其在建模中的应用

本文研究了基于Volterra级数模型和双线性模型的两种非线性自适应滤波。这两种滤波分别基于Volterra核和双线性递归差分方程,具有类似于FIR和IIR的结构。我们以Wiener模型为代表,讨论了应用这两种自适应滤波进行非线性系统建模的问题,并考虑了MSE和广义MSE准则,分析了各种算法的复杂性。文中给出了一组仿真实例。

多模型自适应联邦卡尔曼滤波及其在鱼雷导航定位中的应用

针对复杂环境所引起的鱼雷组合导航系统模型参数变化导致传统单一固定参数滤波器精度降低的问题,设计了一种适用于复杂情况的多模型自适应联邦卡尔曼滤波器。该滤波器采用多模自适应联邦滤波算法,利用多模型滤波器参数来逼近系统的动态性能,该滤波器同时采用了在信息融合时自适应调整信息分配系数的方法。实验室导航试验结果表明,文中设计的多模自适应联邦卡尔曼滤波器可以大大提高导航定位系统的估计精度、跟踪速度以及稳定性。

基于自适应引导滤波的水利工程逆向模型降噪方法研究

针对水利工程逆向建模存在的大尺度离群点和小尺度起伏的问题,提出了一种基于引导滤波的自适应快速降噪方法。对近景摄影与倾斜摄影结合建立的模型提取点云,依据曲率大小进行采样;利用低尺度统计离群点的方法,对部分离群点剔除,以减少后续计算量;通过引入Marr-Hildreth算子来改进传统的引导滤波,使其实现对模型边缘的自适应,提高模型纹理精度。试验结果表明,本文方法可以满足水利工程逆向建模的快速降噪要求,保留了模型边缘细节和纹理特征,在满足规范精度的基础上进一步提高了重建模精度,检查点的误差均值降低了11.3%。

分级多模自适应滤波算法无人机控制系统故障诊断

应用标准的多模自适应滤波算法能够在较短时间内检测出控制系统的单一故障,但是当用于检测控制系统的双重和多重故障时,则需要建立所有可能出现的故障模型,而每一个模型都要对应一个卡尔曼滤波器,需要大量滤波器并行运算,大大增加了系统故障诊断时间,为了简化算法并减少计算时间,提出了一种用于复杂系统多重故障诊断的分级多重模型滤波算法,在确定某一单个故障发生后,则可以启用一组基于上一单个故障的新滤波器来检测系统的第二重故障,这样减少了并行运算的滤波器数量,从而减少计算量和故障诊断时间。将此算法应用于某无人机控制系统的双重故障的故障诊断,仿真结果验证了该方法的有效性。

基于RLS自适应滤波器再热汽温建模研究

为克服试验建模与机理建模方法的不足,考虑LMS(最小均方误差)算法收敛较慢的缺点,讨论了RLS(递归最小二乘)算法的基本原理及其在系统建模中的可行性。应用该算法对锅炉再热器进行建模研究,并使用现场数据进行验证,说明了RLS算法在再热汽温建模中的效果。

基于自适应滤波的无人机视觉导航误差补偿方法研究

为精确校准复杂自然环境下无人机的导航误差,提出基于自适应滤波的无人机视觉导航误差补偿方法。通过对视觉图像信号采取经验模态分解,构建无人机视觉导航图像的本征模函数,运用自适应滤波消除本征模函数噪声;采用长短期记忆网络构建无人机视觉导航误差的线性预测模型;考虑空变性残留误差和运动误差,运用子图像划分策略将图像分割成若干个迭代块,引入校准比例指数,利用最小熵自聚焦法完成无人机视觉导航的误差补偿任务。研究结果表明:基于自适应滤波的无人机视觉导航误差补偿方法具备良好的图像去噪效果,可以精确校准无人机视觉导航误差且鲁棒性较强。

并联混合型有源电力滤波器的模糊自适应PI控制

分析了混合型有源电力滤波器的结构与工作原理,建立了HAPF系统的数学模型控制方程,提出了混合有源电力滤波器的模糊自适应PI控制算法。该控制算法能有效提高系统的抗干扰性、目标跟随特性和鲁棒性,实验仿真结果证明了所提出的控制算法具有较好的滤波效果。

基于自适应滤波的雷达脉压系统的建模与仿真

介绍了一种基于LMS算法自适应滤波的雷达脉冲压缩系统的建模与仿真研究,完成自适应滤波的计算机模拟,将其应用在雷达脉冲压缩系统中。也完成了整个雷达脉冲压缩系统的计算机建模与仿真工作,给出了仿真模型及结果。

基于自适应小波回声神经网络的光纤陀螺测角仪温度误差补偿技术

基于光纤陀螺的测角仪可以实现对各项角运动参数的一体化动态精密测量,但在实际应用中,光纤陀螺测角仪受到温度变化的影响,导致测量精度下降。针对这一问题,本文提出了一种基于自适应小波回声神经网络的光纤陀螺测角仪温度误差补偿技术。为了提高温度误差建模的进度,提高传统神经网络的逼近能力,通过自适应前向线性预测滤波器对建模用测角仪温度漂移数据进行预处理,并采用自适应小波回声神经网络建立温度漂移模型,能够避免传统神经网络结构设计的盲目性和局部最优等问题,增强了网络学习能力和泛化能力,并利用自适应律代替神经网络梯度进行网络训练,提升神经网络的逼近精度和收敛速度。实验结果表明,该模型可以提高光纤陀螺测角仪的测量精度和环境适应性,为光纤陀螺测角仪的性能优化和实际应用提供了可靠的技术支撑。

一种超声测距的鲁棒自适应建模方法

分析了超声测距的工作原理及特点 ,提出了一种新型的鲁棒自适应建模方法 .首先 ,利用在线递进滤波技术 ,有效地剔除采集数据中可能存在的“野点”;然后针对移动机器人中超声测距的不确定性特点 ,在自适应最小二乘估计 (AL S)的基础上 ,结合模糊理论 ,实现了鲁棒自适应最小二乘 (RAL S)建模 .最后 ,给出了一种基于 x2检验的模型收敛性检验方法 .通过实验对比分析 ,验证了 RAL S具有很好的实用性和鲁棒性 。

神经网络在发动机自适应建模中的应用研究

提出了一种新的基于神经网络的发动机自适应实时模型的建模方法。建模的思想是认为发动机的任何非额定工作都将导致其输出参数的变化,因而可以把这些参数偏离正常工作参数值的变化量,也就是输出偏离量,用来表征发动机的非额定工作情况。把它们作为增广的状态变量,设计卡尔曼滤波器对其进行最优估计,然后用这些输出偏离量的估计值,通过由BP神经网络训练出来的可测输出偏离量与未测输出偏离量的映射关系来校正机载发动机模型的计算输出,使之与真实发动机的输出一致,从而使实时机载模型获得对任何发动机非额定工况的自适应能力。

摆式列车线路检测信号的动态自适应滤波研究

为提高摆式列车检测系统的精度,针对传统数字滤波器的不足,将非平稳随机信号时变模型参数的自适应估计与普通卡尔曼滤波算法相结合,提出一种能有效消除或削弱测量信号中高斯白噪声的卡尔曼动态自适应滤波方法及数学模型。实时建模精度是实现卡尔曼动态滤波的关键。通过对具有不同遗忘因子的递推最小二乘算法的分析和比较,结果表明,带自适应遗忘因子的递推最小二乘算法(RLSAF)由于其遗忘因子能根据信号本身的统计特性的变化自适应地进行调整,因而对非平稳随机信号具有很强的跟踪性能。采用基于RL-SAF算法的卡尔曼动态自适应滤波方法,能实现摆式列车线路检测信号(陀螺仪角速率信号)的有效滤波。

基于自适应CKF的恒模盲波束形成算法

针对均匀线阵,利用信号的恒模特性,与容积卡尔曼滤波相结合,提出一种新的盲自适应波束形成算法。通过对恒模算法的优化代价函数进行变换,使其满足系统状态空间模型。利用容积卡尔曼滤波算法进行自适应滤波,以实现抑制干扰和消除噪声。所提算法对状态空间模型中的系统噪声和过程噪声进行了自适应处理,免除滤波噪声参数的设置,增强了算法的通用性,并引入了收敛因子,加速系统的收敛速度。仿真结果表明了该算法的正确性和有效性。