确定采样型非线性滤波器的研究现状与发展趋势

UKF、CDKF和CKF是近年来在国内外得到广泛研究和应用的一类非线性滤波器,它们具有一个共同的特点就是在滤波过程中通过一组确定采样点来计算非线性变换后的一二阶矩,因此将其统称为确定采样型滤波器。论文首先从确定型采样滤波器的理论发展与其在导航系统的应用出发,介绍了国内外在该领域最新的研究情况。结合确定采样型滤波器的特点,对UT变换、插值法则、容积法则三种确定采样型非线性滤波方法进行了介绍。最后,对确定采样型滤波器的未来发展、应用前景作了展望。

基于多维数值积分的高阶确定采样型滤波方法

基于多维数值积分讨论了确定采样型滤波器,这一类滤波器的不同之处体现在对滤波器中均值和方差的计算,这一问题与数值积分密切相关。针对以往确定采样型滤波器在提高滤波精度的同时会增加计算量,通过分析高斯权值积分,采用完全对称积分公式,计算积分节点、节点个数及权重,相比高斯厄米特滤波减少了计算量,同时滤波精度可达到五阶以上。选取典型算例对新的滤波方法仿真分析,验证了该滤波方法的可行性和有效性。

非线性确定采样型滤波器采样点优化算法

采样点的选取对确定采样型滤波器的精度和稳定性起着决定性作用,为提高滤波器的数值稳定性,首先,采用协方差矩阵分解方法对获得的采样点进行优化,解决了数值大小对采样点离采样中心距离的影响问题;其次,通过选择合适的正交变换,在不改变滤波精度的前提下消除了采样点中存在的非局部效应;最后,利用一个落体跟踪模型对所提基于采样点优化方法的确定采样型滤波器进行仿真分析,仿真结果验证了该采样点优化方法的有效性。

基于改进确定性采样滤波的疲劳裂纹扩展RUL预测

针对确定性采样滤波在进行状态估计预测时随维数增加时出现计算量增加且精度不高的问题,提出一种确定性采样滤波的算法并将其应用到疲劳裂纹扩展RUL预测当中去;首先,阐述了确定性采样滤波的基本原理;其次,从多维数值积分的角度分析确定性采样滤波所需计算的数学期望,根据完全对称积分公式计算积分节点值、节点个数和权重;最后,将改进后的确定性采样滤波器应用到构件疲劳裂纹损伤扩展中去,并与无迹卡尔曼滤波算法、容积卡尔曼滤波算法进行比较,提升了裂纹扩展RUL预测的精度,实例仿真分析验证了该方法的可行性和有效性。

非线性系统确定采样型滤波算法综述

确定采样型滤波包括Unscented卡尔曼滤波(UKF),中心差分卡尔曼滤波(CDKF)以及容积卡尔曼滤波(CKF),是一类基于确定解析采样近似方法的非线性次优高斯滤波算法,具有估计精度高、实现简单等优点,已得到国内外学者的广泛关注.在阐述确定采样型滤波基本原理的基础上,详细总结了近年来确定采样型滤波的研究现状,包括各种改进算法和在不同领域的应用情况;然后重点分析了确定采样型滤波所存在的问题;最后展望了其未来发展趋势和研究方向.

动态神经网络分类器主动学习算法及其智能控制应用

针对动态神经网络分类器训练时采样时间长、计算量大的问题,提出一种动态神经网络分类器的主动学习算法。根据主动学习AL(Active Learning)算法中一种改进型不确定性采样策略,综合考虑样本的后验概率及其与已标记样本间的相似性,标注综合评价得分值较小的样本,将其用于对网络分类器的训练。通过Sobol’敏感度分析法,神经网络适时地增加敏感度值较大或删减敏感度值较小的隐层神经元,以提高其学习速率,减小输出误差。分类器训练仿真实验结果表明,与被动学习算法相比,该算法能够大大缩短网络分类器训练时间,降低其输出误差。将该算法用于液压AGC系统中,实验结果表明,该算法可实现系统中PID控制器参数的在线调节,提高了厚度控制精度,以此验证了该算法的适用性。

一种残差模糊匹配的非线性目标跟踪改进算法

为解决目标跟踪中因系统滤波初值不准确和噪声统计特性未知引起标准非线性卡尔曼算法估计误差变大问题,该文提出一种基于残差的模糊自适应(RTSFA)非线性目标跟踪算法。在确定采样型滤波基本框架的基础上,给出了在线性化误差约束条件下高斯权值的积分一般形式,并利用李雅普诺夫第二方法证明了该算法估计误差有界收敛的充分条件。进一步构建自适应噪声协方差矩阵在线估计噪声特性,并引入Takagi-Sugeno模型和量测椭球界限规则选择噪声估计器调节因子,有效提高了算法的收敛速度和滤波精度。通过滤波初值信息不明和量测噪声时变的纯方位目标跟踪模型,验证了非线性目标跟踪算法具有更好的跟踪精度和更强的鲁棒性。