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。

具有随机观测滞后和丢失的网络系统鲁棒H1滤波

研究一类同时具有随机观测滞后和丢失的网络控制系统鲁棒H1滤波问题.网络建模采用新近同时描述随机一步时滞和数据包丢失的模型,基于Lyapunov理论和线性矩阵不等式技术设计系统的满阶滤波器,减小了状态增广带来的计算负担,同时引入松弛变量使Lyapunov矩阵和系统矩阵分离,降低结果的保守性,得到了使滤波误差系统在均方意义下鲁棒指数稳定并具有给定H1性能的一个LMI形式的充分条件.仿真结果验证了该方法有效性.

带相关噪声、随机观测滞后和丢失的随机不确定系统的最优线性估值器

对带有限步相关噪声、乘性噪声、多步随机观测滞后和丢失的复杂网络化控制系统,根据相关噪声的步数,分析了噪声和状态、噪声和观测、噪声和新息、观测和新息、状态和新息之间的相关性,给出了相关阵的递推计算公式.利用射影理论,提出了线性最小方差最优线性估值器,包括滤波器、预报器和平滑器.一个网络监测环境下的三容器水箱系统的实例仿真,验证了算法的有效性.

带观测滞后多传感器系统的改进协方差交叉融合Kalman滤波器

为了处理带观测滞后多传感器系统的融合估计问题,引入了局部次优递推Kalman滤波器,利用改进的协方差交叉融合算法,提出了改进协方差交叉融合Kalman滤波算法。它可以避免由互协方差计算引起的较大计算负担,并可以处理互协方差未知系统的融合问题。与传统协方差交叉融合Kalman滤波器相比有更高的鲁棒精度,改进的协方差交叉融合器的精度高于每个局部传感器,并且更接近于按矩阵加权的Kalman滤波器精度,因而具有良好的性能。仿真例子验证了其有效性、一致性,并对精度关系做出了几何解释。

多传感器观测滞后系统分布式融合Wiener滤波器

应用现代时间序列分析方法,基于ARMA新息模型,对带观测滞后的多传感器系统提出了一种渐近稳定的分布式信息融合Wiener滤波器。将带观测滞后的系统滤波融合问题转化为无观测滞后系统的不同步预报融合问题。给出了观测滞后系统的输出预报器和白噪声估值器。推得了任两个带观测滞后传感器子系统之间的不同步预报误差互协方差阵。仿真例子验证了其有效性。

带有色噪声和一步观测滞后的广义控制系统时变估值器

对于带有色过程噪声和一步随机观测滞后的线性离散随机广义控制系统,提出了基于Klaman滤波理论的时变估值算法。利用奇异值分解方法将原广义控制系统转化为两个降阶正常子系统,利用状态扩维方法和去随机化方法,将一步观测滞后和有色过程噪声都压缩到新模型的虚拟过程噪声和虚拟观测噪声中,从而得到增广降阶状态的标准状态空间模型。对于该标准系统,利用经典Kalman滤波理论,得到了该增广降阶状态的时变Kalman估值器(包括Kalman滤波器、预报器和平滑器)。利用增广降阶状态和广义系统原状态之间的关系,提出了广义控制系统的时变估值器及其估值误差方差阵。通过双循环电路系统的仿真实例验证了所提出算法的有效性和正确性。

基于Granger因果关系的多变量时间序列预测模型

时间序列数据包含内在的时序结构,而传统的针对多变量时间序列的预测方法没有考虑变量序列的历史观察值的影响。为此,提出一种基于Granger因果关系挖掘的多变量时间序列预测模型。通过选择有效的因变量并加入其滞后观测期来提高支持向量回归对目标序列的预测,同时也提供了较好的因果解释性。理论推导和实验结果表明,该方法不仅能获得比传统方法更精确的预测效果,而且减少了参与运算的变量时间序列。

内生时机选择下国有和外资银行的利率竞争

结合中国银行业的背景,本文建立了国有和外资银行以利率为决策变量的Bertrand和Stackelberg混合寡占模型,并以内生时机选择为思路,前瞻性地探讨了国有和外资银行的竞争格局和时机选择问题。研究发现:(1)在一定参数范围内,国有银行较外资银行有更低的存款利率。在国有化程度较小时,Bertrand下的国有银行利润大于其作为领导者的利润;(2)在国有银行做领导者的利率竞争中,国有和外资银行存款利率会随着国有化程度及二者存款收益的增加而上升;(3)在私有化程度很高且二者存款收益相等时,利率竞争扩展博弈的SPNE是国有银行领先,外资银行跟随。

一种基于广义系统的Wiener状态滤波器设计

基于ARMA新息模型和白噪声估值器 ,利用现代时间序列分析方法提出了一种带多重观测滞后的广义系统Wiener滤波器 (也称估值器 ) ,用来统一处理系统预报、滤波和平滑问题。估值器具有ARMA递推形式 ,且具有渐近稳定性。该算法简单 ,避免求解复杂的Diophantine方程和Riccati方程。对于稳定或不稳定系统、非最小相位系统、状态转移阵奇异或非奇异系统 ,只要系统完全可观 ,都可统一进行处理。仿真算例验证了该算法的有效性。

网络化随机不确定系统鲁棒矩阵加权融合稳态估值器

对于一类在状态转移阵和系统观测阵中带相同的状态依赖乘性噪声、带噪声依赖乘性噪声、一步随机观测滞后、丢包和不确定噪声方差的多传感器网络化系统,文章研究其鲁棒融合稳态滤波问题.应用增广方法、去随机化方法和虚拟噪声技术,系统被转化为仅带不确定噪声方差的多模型多传感器系统.根据极大极小鲁棒估计原理,并应用按矩阵加权最优融合算法,提出了鲁棒局部和矩阵加权融合稳态卡尔曼估值器(预报器,滤波器和平滑器).应用增广噪声方法、非负定矩阵分解方法和李雅普诺夫方程方法,证明了估值器的鲁棒性.给出了鲁棒局部和矩阵加权融合稳态估值器之间的精度关系.应用于弹簧-质量-阻尼系统的一个仿真例子验证了所提出方法的有效性和正确性.