具有未知协方差噪声的随机非线性系统的固定时间控制

该文针对具有协方差噪声的随机非线性系统研究其固定时间控制问题,旨在使其更快地收敛至平衡状态。首先,该文给出了一个关于期望收敛时间上界估计的重要推论,该推论能够得到期望收敛时间的最小上界。然后,通过定义自适应参数补偿未知协方差噪声,将加幂积分技术、自适应控制和反步设计方法相结合,构造了一个状态反馈控制器。根据相关固定时间稳定性定理和推论,验证了所设计的控制器可以使闭环系统依概率固定时间稳定。最后,利用一个实际系统仿真来说明所设计控制策略的有效性。

方差未知的不等式约束回归(英文)

许多实际问题中经常会遇到带约束条件的回归问题.方差已知时这种问题的估计量的性质已有很多研究.但在许多实际问题中随机误差的方差可能是未知的.本文给出未知方差的估计量和它的性质,提出方差估计量和参数估计量之间条件独立的概念,有了这些性质,就可以定义t统计量和F统计量,它们是方差未知时做统计推断所必须的.然后说明如何利用这些结果来构造回归参数的置信区间.这里的许多结果对回归分析的其它一些问题(如残差分析,统计诊断)也是很有用的.

未知方差统计法评定混凝土强度问题探讨

现场混凝土强度评定作用之一是对混凝土强度合格性作出判定。目前用得最多的现场混凝土强度评定方法是GB107-87标准规定的未知方差统计法.随着混凝土质量控制和管理水平的发展,该方法在实际操作中存在一些问题.本文利用概率统计基本知识和抽样检验理论来评析GB107-87中未知方差统计法评定混凝土强度所用的验收函数和验收界限,分析其接收概率和生产方风险的不合理之处,并提出解决问题的设想。

噪声方差未知情况下多传感器航迹融合

在多传感器信息融合中,已有的航迹融合算法都是在噪声方差已知情况下基于最优的卡尔曼滤波算法的,而实际应用中噪声方差往往是未知的.针对上述问题,基于扩展记忆因子递推最小平方(EFRLS)估计的滤波方程,研究了噪声方差未知情况下集中式、分布式、混合式多传感器航迹融合方法.并对三种航迹融合算法的跟踪性能和卡尔曼滤波融合算法的性能进行了仿真比较.由于多级式多传感器的航迹融合方法可由本文的方法直接推广,所以只需研究两级的情况就可.

未知总体方差和数学期望条件下的假设检验

在未知总体方差和数学期望的条件下 ,如何检验假设H0:μ=μ0,一直是统计学研究中未能解决的问题。对此 ,作者提出了一种有效的解决方法 ,它的重大理论和实践意义在于 :(1)不需要已知某种标准信息 (如μ) ,就能对样本平均数是否与总体平均数相一致进行检验 ;(2)能够为抽样推断提供先行信息 ,并据此作出是否抽样推断的判断 ,消除了抽样推断时所隐含的“样本信息结构必须与总体信息结构相近或相同”的前提条件 ,为抽样推断提供了可靠的理论基础。因此从一定意义上说 ,本文的方法实是假设检验理论的一种最新发展。

多传感器噪声方差未知情况下的异步航迹融合

针对分布式多传感器数据融合系统,提出了一种多传感器异步航迹融合算法。现有的多传感器信息融合算法大都基于Kalman滤波器,要求噪声方差已知,并且假定各传感器同步采样,不考虑通信延迟。本文在分布式处理的模式下,基于各传感器在扩展记忆因子递推最小平方(EFRLS)估计形成本地航迹的基础上,提出了一种融合误差均方差矩阵的迹最小意义下的异步目标航迹融合算法。仿真实验结果表明,这种融合算法是有效的,算法接近集中式融合算法的精度。

未知协方差条件下的VSSI T^2控制图的经济性设计

文章采用马尔科夫链方法研究了协方差矩阵未知条件下的VSSI T2控制图的统计性和经济性设计。结合数值实例,计算了在不同偏移下控制图的统计性和经济性指标。利用遗传算法确定了利润所失最小化时控制图各参数的取值。最后结合因子分析通过灵敏度分析,为经济模型中参数的选取提供依据。

测量噪声方差未知的多传感器组合导航集中融合算法

目前,多传感器组合导航系统的信息融合方法是建立在测量噪声方差已知的基础上,然而测量噪声方差会随着内部及外部的干扰而发生变化。为此,本文首先将基于变分贝叶斯逼近的自适应卡尔曼滤波(variational Bayesian approximation based adaptive Kalman filter, VB-AKF)从单一组合导航系统扩展到多传感器组合导航系统;然后,提出了多传感器组合导航系统的两种集中融合算法,即基于VB-AKF的增广式集中融合算法及基于VB-AKF的序贯式集中融合算法,以解决测量噪声方差未知情况下的多传感器组合导航的信息融合问题;最后,通过SINS/GNSS/CNS/ADS多传感器组合导航系统对上述算法进行了仿真验证。实验结果表明,本文所提两种算法滤波精度相同、且接近于测量噪声方差已知情况下的理想集中融合算法(ICKF)。在整个仿真时段内,相对于传统集中式卡尔曼滤波器(TCKF)及具有容错功能的联邦卡尔曼滤波算法(FT-FKF),本文算法可提高位置精度分别为32%和90%、提高速度精度分别为38%和71%。

噪声方差未知卡尔曼滤波平滑

文章基于噪声方差未知的卡尔曼滤波,提出新的固定点卡尔曼滤波平滑器,推导出方差未知时卡尔曼滤波平滑方程,并且给出平滑增益阵和平滑误差方差阵新算法,结论分析平滑运算可以改善滤波的性能,提高估计的精度.

基于均差估计二变量Meta-分析的未知不相等方差模型

本文介绍基于均差估值的二变量Meta-分析的未知不相等方差模型,通过极大似然估计法给出效应量及方差估计,进而得到各研究均值效应量协方差矩阵的估计量。然后,通过基于均差效应量二变量Meta-分析的固定效应模型给出了合并均差统计量Doverall的具体形式和权重。进而得到了Doverall的协方差矩阵和两个变量的(1-α)100%置信区间。

试差法——总体方差未知情况下调整样本容量的方法

试差法———总体方差未知情况下调整样本容量的方法中央财经大学孙世銮在抽样调查中，一个良好的抽样设计应在给定估计量的绝对允许误差和可靠度的条件下使样本容量为最小。总体方差未知的情况下，如何求样本容量？如果求出的样本容量小于３０，如何进行调整？本文试对此...

观测滞后系统协方差交叉融合Kalman滤波器

对观测滞后和带未知互协方差的两传感器线性离散定常随机系统,提出了一种协方差交叉(CI)融合稳态Kalman滤波器。它给出了不依赖于未知互协方差的实际融合误差方差阵的一个公共的上界,因而具有一致性和鲁棒性。证明了其精度高于每个局部Kalman滤波器的精度,且低于当互协方差已知时的最优矩阵加权融合Kalman滤波器的精度。一个跟踪系统的MonteCarlo仿真例子说明了其有效性。

协方差交叉融合Kalman预报器

对于带未知局部预报误差互协方差的两传感器跟踪系统,通过协方差交叉融合方法,得到了协方差交叉融合稳态Kalman预报器,并用协方差椭圆的方法给出了其精度关系的几何解释。用相关方法证明了协方差交叉融合稳态Kalman预报器的精度高于每个局部稳态最优Kalman预报器,低于按矩阵加权融合稳态最优Kalman预报器。用一个Monte-Carlo仿真例子说明了协方差交叉融合稳态Kalman预报器的精度接近于稳态最优融合Kalman预报器。

非线性量测下自适应噪声协方差PHD滤波

概率假设密度(PHD)滤波算法已被证明是实时多目标跟踪的有效方法,但现有这些基于PHD滤波的方法假设量测噪声协方差先验已知,而实际中量测噪声协方差可能是未知或随着环境改变而变化。针对这一问题,提出了一种适用于非线性量测模型的自适应噪声协方差多目标跟踪算法。该算法以PHD滤波为基础,采用容积卡尔曼(CK)技术近似非线性量测模型,利用逆威沙特(IW)分布描述量测噪声协方差分布,通过变分贝叶斯(VB)近似技术迭代估计量测噪声协方差和多目标状态联合后验密度。仿真结果表明,本文所提算法可有效估计量测噪声协方差,同时实现准确的目标数和目标状态估计。

认知无线电中基于拟合优度的频谱盲检测算法研究

首先,提出噪声方差未知情况下基于t分布的Anderson-Darling的认知无线电频谱盲检测方法,通过计算接收到信道采样样本均值和方差比的分布函数与t分布函数之间的Anderson-darling距离,实现频谱检测。其次,提了基于特征函数的频谱盲检测算法,通过计算接收到的样本经验特征函数与已知特征函数的距离,判决信道中是否存在信号传输。最后,给出了衰落信道下,所提2种基于拟合优度的频谱盲检测算法的虚警概率和检测概率下界。理论和仿真表明,噪声方差未知情况下,所提2种频谱盲检测算法比传统的噪声方差已知时的能量检测法具有更好的性能。在低信噪比和小样本条件下,性能提高表现的尤其明显。

双重迭代变分贝叶斯自适应卡尔曼滤波算法

提出了一种新的自适应卡尔曼滤波算法。该算法假设系统过程噪声方差和量测噪声方差之间存在的函数关系已知,两种噪声方差随着时间变化且均未知。先令当前时刻的过程噪声方差等于前一时刻的过程噪声方差,通过变分贝叶斯近似的方法,在卡尔曼滤波框架下迭代求解当前时刻的量测噪声方差和状态估计,再利用假设中的函数关系获得新的过程噪声方差。对上述过程多次迭代,最终获得状态估计及协方差。仿真实验结果表明,该算法具有较高的滤波精度;在假设条件不确知的情况下仍具有较强的鲁棒性。

正态分布下产品可靠性抽样检验方案——方差未知综合双侧情形

在综合双侧规格限下研究方差未知的正态分布产品可靠性抽样检验方法 .检验统计量取为不可靠度 p的极大似然估计 p.当 p小时 ,p的分布基本上仅依赖于 p ,对 p分解为下侧不可靠度和上侧不可靠度的依赖轻微 .因此 ,利用单侧规格限下的抽样检验方案近似地导出综合双侧规格限下的抽样检验方案 .随机模拟结果表明 ,给出的近似方法是有效的 ,抽样检验方案是合理的 .此外 ,检验统计量

基于移动窗卡尔曼滤波算法的结构响应重构

为了克服传统卡尔曼滤波(Kalman filter,KF)算法在重构结构未测点响应时,需要已知测量噪声方差和过程噪声方差以及需假定二者为恒值的问题,提出了一种基于移动窗卡尔曼滤波(moving-window Kalman filter,MWKF)算法的结构响应重构方法。该方法的特点在于:无需预先按经验设定测量和过程噪声方差值,利用移动窗技术,首先实时估计二者的数值,然后基于KF算法,利用有限测点的响应信息重构结构未安装传感器位置的响应。以一个平面单跨框架结构为例进行数值模拟和试验分析。分析结果表明:该方法能有效地实时估计测量噪声方差和过程噪声方差,未测点的重构动力响应时程与计算响应时程或者测量响应吻合良好。

噪声方差未知条件下的视频目标跟踪

目的基于卡尔曼滤波的视频目标跟踪算法需要事先获得过程噪声和观测噪声方差,但在实际应用中,无法得知这两种噪声方差的准确值。此外,由于目标运动的随机性和视频场景中背景的复杂性,噪声方差也会随时间发生动态变化。如果设定的噪声方差不准确,跟踪精度会受影响,严重时会导致目标跟踪失败。考虑到上述问题,提出一种新的解决方法。方法将带遗忘因子的推广递推最小二乘法(EFRLS)运用到视频目标跟踪研究领域。在该算法中,无需使用噪声方差,首先利用Mean Shift算法获得目标位置的初步估计,再利用EFRLS算法估计下一帧目标的位置。结果该算法明显好于传统Mean Shift算法,并且与Kalman结合Mean Shift算法的跟踪性能相当。此外,在目标发生严重遮挡时,该算法优于Kalman结合Mean Shift算法,具有较好的跟踪性能。结论本文算法无需设置噪声参数,可以实现目标在发生严重遮挡和遮挡后目标重新出现的情况下的准确跟踪,提高了跟踪的鲁棒性,具有一定的工程使用价值。