线性多变量系统的联合辨识算法

本文提出了同时估计线性多变量系统所有参数的联合辨识算法(CIA),并用随机过程理论分析了算法的收敛性。与子系统辨识算法(SSIA)相比,CIA的计算量要小得多。各输出间存在相互作用噪声时的辨识问题通过使用递推广义增广最小二乘法(RGELA)得到解决。数字仿真结果表明了CIA的有效性。

多发弹气动参数联合辨识方法研究

利用局部优化算法对多发弹测量数据进行气动参数辨识,可能存在局部最优解,且同一气动参数多发弹的辨识结果有时差异较大。为提高弹丸气动参数辨识的准确性与合理性,提出一种同时利用多发弹测量数据进行联合辨识的全局优化策略。该策略采用局部优化算法获得搜索空间,将弹丸飞行的稳定性条件作为约束条件,利用最小二乘准则构建准则函数,应用差分进化算法对多发弹数据同步全局寻优,从而获得唯一的全局最优解。以某大口径榴弹纸靶试验数据为例对所提方法进行了验证,结果表明:相比于现有的辨识策略,所提策略计算出的准则函数值更小,重构弹道结果与测量值更接近,且计算稳定性较好。

时滞未知系统的联合辨识算法

针对时滞未知系统，基于模型参考自适应方法和最小二乘辨识算法，提出了一种辨识算法，该算法可同时估计系统的未知时滞和参数，并解决了该算法的收敛性证明这一比较困难的问题。最后，仿真试验结果说明了该算法的有效性。

基于循环迭代粒子群算法对电动汽车无线充电系统的联合参数在线辨识

无线电能传输系统中参数的偏移往往会影响系统的充电效率和传输功率。该文提出一种谐振式无线充电系统的联合参数在线辨识方法。首先根据等效谐振电路建立电路方程。其次建立特征量的模型。然后检测一次侧输入电压,一次侧实时电流和二次侧实时电流并对其进行傅里叶变换得出特征频率,在此基础上构造出只含有4个未知数(L_(1)、C_(1)、L_(2)、C_(2))的适应度函数,将参数辨识问题转化为函数寻优问题。该文提出一种循环迭代粒子群算法来寻找最优解。将4个待辨识参数分为两组,L_(1)、C_(1)为第一组,L_(2)、C_(2)为第二组,每一次只辨识一组参数,然后将辨识结果作为另外一组参数寻优过程的初始条件进行循环辨识。除此之外,每一次辨识都会根据参数之间的灵敏度关系来迭代调整适应度函数。最后通过仿真和实验表明,所提的方案能够在无线电能传输系统中4个参数同时偏移的情况下有效辨识出各个参数,并且所提出的方法能达到较高精度。

考虑锂电池多时间尺度效应的参数辨识与SOC估计方法

准确的荷电状态(state of charge,SOC)估计对新能源汽车电池管理系统的安全运行具有重要意义,而可靠的参数辨识是SOC估计的关键。考虑锂电池多时间尺度效应,提出了自适应遗忘因子递推最小二乘法(adaptive forgetting factor recursive least squares,AFFRLS)与自适应扩展卡尔曼滤波(adaptive extended Kalman filtering,AEKF)联合的参数辨识算法。首先,根据多时间尺度效应将锂电池双极化模型(dual-polarization model,DP)划分为快动态与慢动态。其次,设计AFFRLS与AEKF联合的参数辨识算法,分别辨识快、慢动态参数。最后,结合参数辨识数据利用H无穷算法估计SOC。结果表明,所提算法在不同工况与温度下具备良好的精度与鲁棒性。模型最大端电压均方根误差仅为3.329 mV,SOC均方根误差低于1%。

适用于部分试验数据缺失的气动参数辨识方法

为解决试验中部分数据缺失或难以测量的问题,提出了一种适用于部分试验数据缺失的气动参数联合辨识方法。该方法将气动参数辨识问题转为优化问题,以飞行状态初值和气动参数插值表为设计变量,使用包含全部气动参数的弹道模型,构建包含多条数据的目标函数。优化中以气动参数数据库和现有方法辨识结果为先验知识,拟合出未测量数据的初值作为基准值,设计了可行样本选取方法,利用差分进化算法进行求解。应用所提方法处理264条试验数据,结果表明相比于现有气动参数辨识方法,所提方法能辨识全部气动参数,准确度更高,且能反算出未测量的飞行试验数据,具有实际工程意义。

基于交替迭代优化的同步调相机电气参数分步辨识方法

300 Mvar快速动态响应同步调相机广泛应用于特高压直流输电。为准确辨识调相机器模型参数,提出一种基于交替迭代优化的电气参数分步联合辨识方法。采用考虑饱和特性的六阶实用电机模型,设计了包含励磁阶跃扰动、甩负荷扰动和机端电压扰动的小扰动实验方案;基于交替迭代方向乘子法和轨迹灵敏度分析法,制定了采用三组小扰动实验数据联合辨识、稳态参数和暂态参数分步辨识的策略,并将其应用到伊克昭-沂南直流送电工程中。研究表明,三组实验联合辨识优于单扰动辨识,分步辨识优于一次性辨识所有参数,很好地解决了基于单次扰动实验辨识出的参数无法复现其他工况实验数据的问题,提高了参数辨识结果的适用性和准确性。

欺骗干扰下机动目标跟踪联合优化算法

目标常采取机动加欺骗干扰策略以规避对方雷达系统的锁定。针对同时存在目标机动和距离欺骗的场景,提出了一种目标跟踪联合优化算法。首先,将目标机动和距离欺骗分别建模为动态方程和量测方程中的未知扰动;然后,基于期望最大化(EM)提出了一种状态估计和机动与欺骗参数辨识联合优化算法。为了降低计算量,在期望步(E步)基于URTS平滑器获得状态估计,并在最大化步(M步)解析推导出待辨识参数的更新公式。最后,仿真验证结果表明,该算法与传统交互式多模型(IMM)方法相比具有更高的估计及辨识精度。

基于条件期望最大化的断裂航迹粘连

目标机动容易导致雷达MTI航迹断裂、航迹连续性差,目标密集情况下,甚至可能导致目标数目的误判,这对态势评估及战术决策非常不利。提出一种新颖的ESM辅助下的MTI转弯机动目标航迹粘连算法,综合使用ESM属性信息和MTI位置信息,基于条件期望最大化(ECM)框架实现状态估计、机动起始终结时刻辨识和转弯角速率的联合优化。仿真结果表明,引入ESM信息可以减少断裂航迹数量、提升航迹连续性15%以上。

基于MCMC-Gibbs采样的天波超视距雷达联合状态估计与模式辨识

天波超视距雷达(OTHR)目标跟踪面临着"三低"(低检测概率、低数据率、低测量精度)和"多路径"(多条传播路径)的严峻挑战,准确的传播模式辨识与精确的目标状态估计是改善跟踪能力的关键。针对上述问题,提出了一种基于马尔科夫蒙特卡洛吉布斯(MCMC-Gibbs)采样的OTHR联合状态估计与模式辨识算法,该算法通过MCMC-Gibbs采样求取当次迭代当前拍最优的关联矩阵,进而利用同时多量测滤波进行状态和协方差更新,最后引入联合估计与辨识风险函数寻求最优的模式辨识与状态估计结果。不同仿真参数下仿真结果表明该算法的有效性,同时该算法在径向距和方位角估计精度上均高于多路径概率数据关联算法(MPDA),但这是以计算量为代价的。

基于HCKS-EM的战斗机蛇形机动目标跟踪算法

针对有色量测噪声背景下战斗机蛇形机动模式转弯角速度辨识问题,考虑到目标状态与转弯角速度之间相互耦合的特性,基于期望最大化(EM)算法框架,提出了一种带有色量测噪声的联合估计与辨识算法。通过采用量测差分法实现了有色噪声白化,从而将有色量测噪声背景下的转弯角速度辨识问题转换成具有一步状态延迟的转弯角速度辨识问题。基于EM算法实现了战斗机蛇形机动目标状态与转弯角速度的联合估计与辨识:在Estep,通过利用有色量测噪声背景下的高阶容积卡尔曼平滑(HCKS)算法,获得了目标状态的后验估计;在M-step,通过极大化条件似然函数,进而获得转弯角速度的解析解。通过仿真验证了本文算法的目标状态估计与角速度辨识的精度均优越于传统的扩维法以及交互多模型法。而且又从窗口长度以及最大迭代次数2个方面评估分析了算法的性能,仿真结果表明,窗口长度以及最大迭代次数越大,精度越高。

量测随机延迟下带非高斯噪声的目标跟踪算法

为解决量测一步随机延迟及非高斯噪声条件下战斗机蛇形机动模式转弯角速度辨识问题,更好地实现蛇形机动的稳定跟踪,考虑到目标状态与转弯角速度之间相互耦合的特性,基于联合估计与辨识的思想,依据极大似然准则,提出了一种基于期望最大化的目标状态估计与转弯角速度辨识联合优化算法.该算法主体包含两个部分:E-step和M-step.在E-step,首先,通过充分考虑量测一步随机延迟特性及非高斯量测噪声,重新构造了粒子滤波器的似然函数,进而改进了粒子权重的更新公式,同时,为避免粒子贫乏现象的发生,将粒子群优化算法引入到重构的粒子滤波器当中进一步改进粒子采样过程;其次,将拒绝采样思想引入到后向模拟粒子平滑器当中,并相应地设置拒绝采样终止条件,优化后向模拟粒子平滑器,进一步提高平滑算法的执行效率;最后采用改进的粒子滤波器与后向模拟粒子平滑器进一步获取目标状态的平滑量;在M-step,通过采用牛顿迭代法极大化条件似然函数,从而获得转弯角速度的估计量,用于下一次算法迭代.通过E-step和M-step的不断迭代,进而获得转弯角速度的闭环形式的优化解.仿真实验结果表明,所提算法的目标状态估计与角速度辨识的精度均优越于传统的扩维法.

带异步相关噪声的战斗机蛇形机动跟踪算法

针对异步相关噪声背景下战斗机蛇形机动模式转弯角速度辨识问题,考虑到目标状态与转弯角速度之间相互耦合的特性,从联合优化的解决思路出发,基于期望最大化(EM)算法框架,提出了一种带异步相关噪声的联合估计与辨识算法。首先采用"去相关框架"解除过程噪声与量测噪声之间的相关性,从而将异步相关噪声背景下的转弯角速度辨识问题转换成具有一步状态延迟的转弯角速度辨识问题,其次通过解除目标状态与转弯角速度之间的非线性耦合关系,基于期望最大化算法实现了战斗机蛇形机动目标状态与转弯角速度的联合估计与辨识,从而获得转弯角速度闭环形式的解析解:在E-step,通过利用异步相关噪声背景下的高阶容积卡尔曼平滑器(HCKS),获得目标状态的后验估计;在Mstep,通过极大化条件似然函数,获得转弯角速度的解析解。最后通过仿真验证了所提算法的目标状态估计与角速度辨识的精度均优越于传统的扩维法。