基于最优定界椭球-极限学习机算法自适应软测量建模的应用

针对传统滑动窗更新模型时忽略最新数据和待测样本相似性,以及即时学习未考虑相似样本和待测样本的时间间隔问题,采用基于最优定界椭球-极限学习机算法(optimal bounding ellipsoid-extreme learning machine,OBE-ELM)的自适应软测量建模方法将即时学习和滑动窗模型相结合来解决上述问题。首先用初始窗口数据建立ELM模型。当有待测样本到来时,利用SPE和T^2统计量判断修正模型的必要性;需要修正时,采用即时学习在最新窗口中寻找与待测样本相似的样本集并通过OBE动态修正ELM模型;否则用原有ELM模型直接预测输出。该方法的有效性通过合成数据集和连续搅拌反应釜仿真数据得以验证。

基于U-D分解的最优定界椭球状态估计

将平方根U-D分解理论引入集员辩识框架下的最优定界椭球(OBE)状态估计当中,一定程度上减小了数值计算过程中的舍入误差带来的影响,改善了算法的稳定性,提高了算法的精确度。与现有的OBE算法相比,基于U-D分解的OBE算法能提供更精确的估计结果。仿真结果表明了该算法的有效性,以及计算数值鲁棒性。

基于带惩罚因子椭球定界算法的软测量建模

软测量模型的预测精度和泛化性能是软测量建模的2个重要指标。基于最优定界椭球的极限学习机算法(OBE-ELM)虽然克服了传统极限学习机建模预测精度不高、预测结果不稳定等缺点,但是传统OBE算法仅考虑模型误差最小化,未考虑模型的复杂程度,导致模型易出现过拟合现象。基于上述问题,首先针对噪声未知但有界的非线性系统,提出了一种带惩罚项的椭球定界算法(POBE),在模型误差中加入惩罚项起到抑制参数增长太大和驱使不重要参数逐渐减小到零的作用,然后将POBE应用到ELM模型参数优化过程中。最后在信道参数估计实验和连续搅拌反应釜数据集上分别验证POBE及POBE-ELM有效性。

未知但有界噪声条件下的MEMS陀螺信号处理方法

提出了一种基于椭球定界的微机电系统(MEMS)陀螺模型辨识与误差补偿方法。首先,建立了随机漂移的自回归模型,并针对模型随时间变化的特征,引入具有递推特性的定界椭球自适应约束最小二乘法(BEACON),实现模型参数的动态辨识,提高建模精度;然后,提出一种未知但有界(UBB)噪声条件下的定界椭球自适应状态估计(BEASE)算法,用于角速率的估计;采用新的加权策略和优化准则进行量测阶段的更新,并推导了此框架下的状态可行集更新过程及其最优参数求解方法。将该方法应用于MEMS陀螺信号的处理,验证了其有效性和改进性能。

MEMS陀螺阵列的RCC-OBE估计融合方法

为提高微机电系统(MEMS)陀螺的精度,提出一种基于松弛Chebyshev中心(RCC)的最优定界椭球(OBE)算法,并用于陀螺阵列信号的融合。以单个陀螺误差输出模型为基础,建立了阵列系统的机动融合模型;由于噪声统计特性的不确定会导致传统融合方法精度下降,引入仅要求噪声未知但有界的集员估计理论,运用OBE算法实现角速率信号的稳健估计;在OBE算法中,往往采用椭球几何中心作为真实值的点估计,但该中心并没有理论上的最优特性,而可行集的Chebyshev中心具有很多优良特性,同时,考虑到准确的Chebyshev中心求解十分困难,转而求解可行集的RCC,作为速率信号的点估计,设计了以RCC作为输出的OBE更新过程和新的参数优化准则。采用6个陀螺构成的阵列进行了验证试验,结果表明基于该算法的阵列估计融合方法在获得角速率保证边界的基础上,可以进一步提高MEMS陀螺精度。