自校正解耦融合Wiener状态预报器

对含未知模型参数和噪声统计的多传感器单输入单输出系统,用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型的在线辨识,可得到未知模型参数和噪声统计估值器,进而在按状态分量标量加权线性最小方差最优信息融合准则下,提出了自校正分量解耦信息融合Wiener状态预报器。它实现了自校正分量解耦局部Wiener状态预报器和自校正分量解耦融合预报器。证明了它的收敛性和渐近最优性。一个目标跟踪系统的仿真例子说明了其有效性。

自校正观测融合解耦Wiener状态预报器

对于带未知噪声方差和带不同观测阵的多传感器系统,应用现代时间序列分析方法,基于子系统和加权观测融合系统的滑动平均(MA)新息模型的在线辨识,提出了一类自校正加权观测融合解耦Wiener状态预报器。用动态误差系统分析方法,证明了它按实现收敛于当噪声方差已知时的最优加权观测融合解耦Wiener状态预报器,因而它具有渐近全局最优性。一个目标跟踪系统的仿真例子说明了其有效性。

自校正信息融合Wiener预报器及其收敛性

对带相关观测噪声和未知噪声统计的多传感器系统,用相关方法得到噪声统计在线估值器.在按分量标量加权线性最小方差最优信息融合准则下,用现代时间序列分析方法,基于滑动平均(moving average)新息模型的辨识,提出了自校正解耦融合Wiener预报器.用动态误差系统分析(dynamic error system analysis)方法证明了自校正融合Wiener预报器收敛于最优融合Wiener预报器,因而它具有渐近最优性.它的精度比每个局部自校正Wiener预报器精度都高.它的算法简单,便于实时应用.一个目标跟踪系统的仿真例子说明了其有效性.

自校正解耦信息融合Wiener状态预报器

对含未知噪声方差阵的多传感器系统,用现代时间序列分析方法,基于滑动平均新息模型的在线辨识和求解相关函数矩阵方程组,可得到白噪声方差阵的在线估值器。在按状态分量标量加权线性最小方差最优信息融合准则下,提出了一种自校正解耦信息融合Wiener状态预报器,实现了状态分量的自校正解耦局部Wiener预报器和自校正解耦融合Wiener预报器。用动态误差系统稳定性分析方法证明了该预报器的收敛性,即若滑动平均新息模型参数估计是一致的,将收敛于噪声方差阵已知时的最优解耦信息融合Wiener状态预报器。一个带三传感器的目标跟踪系统的仿真例子说明了其有效性。

广义离散随机线性系统自校正最优预报器

运用现代时间序列分析［１］的方法研究广义离散随机线性系统最优及自适应状态估计．将状态估计转化为输出预报和白噪声估计，从而提出了系统的最优预报器，并且证明最优预报器对于初始值的选取渐近稳定．在噪声统计未知时提出了自校正预报器．仿真例子说明了其有效性．

信息融合超前k步稳态最优Kalman预报器和Wiener预报器

应用Kalman滤波方法,基于Riccati方程,在线性最小方差信息融合准则下,提出了两传感器信息融合超前k步稳态最优Kalman预报器和Wiener预报器,给出了最优加权阵和最小融合误差方差阵.同单传感器情形相比,可提高预报精度.一个雷达跟踪系统的仿真例子说明了其有效性.

基于AR模型的多步自校正预报器及其应用

提出了基于AR模型的多步自校正预报器;简述了AR模型与ARMA模型的关系,避免了白噪声序列项麻烦,使得建模和参数估计的计算量大为减少;应用实例表明该方法的有效性.

自校正解耦信息融合Wiener状态估值器

对含未知噪声方差阵的多传感器系统,用现代时间序列分析方法,基于滑动平均(MA)新息模型的在线辨识和求解相关函数矩阵方程组,可得到估计噪声方差阵估值器,进而在按分量标量加权线性最小方差最优信息融合准则下,提出了自校正解耦信息融合Wiener状态估值器.它的精度比每个局部自校正Wiener状态估值器精度高.它实现了状态分量的解耦局部Wiener估值器和解耦融合Wiener估值器.证明了它的收敛性,即若MA新息模型参数估计是一致的,则它将收敛于噪声统计已知时的最优解耦信息融合Wiener状态估值器,因而它具有渐近最优性.一个带3传感器的目标跟踪系统的仿真例子说明了其有效性.

自校正解耦融合Kalman预报器及其收敛性

对于带有未知模型参数和噪声方差的多传感器系统,通过系统辨识方法,得到模型参数和噪声方差的信息融合估计,将其代入到最优分量按标量加权融合Kalman预报器中,得到自校正信息融合Kalman预报器,实现了状态分量的解耦。通过动态误差系统分析(DESA)方法严格证明了提出的自校正Kalman预报器按一个实现收敛于最优融合Kalman预报器,因此它有渐近最优性。应用信号处理的仿真例子验证了其有效性。

基于预报器的综合LQG自校正控制器

本文推导了一类多项式LQG自校正控制算法,采用了增量和非增量两种模型形式。全面考虑了权P(z^(-1)),Q(z^(-1))和滤波多项式T(z^(-1))的作用,能控制存在有色噪声和前馈干扰的复杂过程。与广义预测控制仿真比较,结果表明这两种控制器均有良好的适应能力和强的鲁棒性。

自校正信息融合Kalman预报器

对含未知噪声统计的多传感器系统,用现代时间序列分析方法,基于滑动平均(MA)新息模型的在线辨识和求解相关函数矩阵方程组,可在线估计噪声统计,进而在按矩阵加权线性最小方差最优信息融合准则下,提出了自校正信息融合Kalman预报器。证明了它的收敛性,即它具有渐近最优性,且自校正融合Kal-man预报器比每个局部自校正Kalman预报器精度高。一个目标跟踪系统的仿真例子说明了其有效性。

一类结构适应式自校正预报器及其应用

对ARMAX系统提出了一种线性结构适应式自校正预报器SASTP,它由最优(最小方差)预报器和变结构随机逼近算法组成.通过实例应用,对于一般的自校正预报器的70步跟踪预报,平均相对误差为2.42％.

基于Kalman滤波的Wiener状态估值器(英文)

应用经典稳态Kalman滤波理论提出了设计Wiener状态估值器的新方法,其原理是:基于在Wiener滤波器形式下的稳态Kalman滤波器和预报器及ARMA新息模型,由稳态最优非递推状态估值器的递推变形引出Wiener状态估值器.所提出的Wiener状态估值器可统一处理状态滤波、预报和平滑问题.它们具有ARMA递推形式,且具有渐近稳定性和最优性,仿真例子说明了它们的有效性.

一类非线性系统的新型预报器

针对一类时变结构的非线性系统 ,提出一种结构适应式自校正预报器 ,当系统结构发生变化时 ,该预报器能自动地利用增维、减维算法 ,改变自身的结构 ,实时估计参数 .用结构适应式自校正预报器 ,对一段时期内全国石油产量按季预报和某油田产量按年预报 ,平均相对预报误差分别为 1.86 %和 2 .12 % 。

广义系统Wiener状态滤波新算法

应用时域上的现代时间序列分析方法 ,基于 ARMA新息模型和白噪声估计理论 ,由一种新的非递推最优状态估值器的递推变形 ,提出了广义系统 Wiener状态滤波的一种新算法 ,它可统一处理滤波、平滑和预报问题 ,且具有渐近稳定性。同某些算法相比 ,它避免了求解 Riccati方程和 Diophantine方程 ,且避免了计算伪逆 ,因而减小了计算负担。

一类时变结构系统的辨识及预报

给出一种变阶式拟最小二乘法 ,该算法由主算法和切换算法组成 ,能在线估计模型的参数 ,当系统结构发生变化时 ,能自动改变模型阶数 ,并由切换算法为主算法提供初值 ,从而实现平滑过渡 .在此基础上提出了一种结构适应式自校正预报器 ,该预报器由参数估计器和最优预报器组成 ,能在线、实时、自动改变自身结构和参数 ,并能自动补偿由于模型不精确引起的误差 .用该预报器对某分馏塔温度进行 70步跟踪预报 ,平均相对预报误差为 2 .4 % ,预报精度提高了 0 .16 % .

催化裂化过程计算机实时监控系统

介绍了计算机实时监控系统在催化裂化过程中的应用 .重点分析了系统中的自校正多步预报器与多重综合自适应预报器 .该系统在操作经验的记忆、对比和推理的基础上对生产过程进行优化操作指导 .

化学与化工、石油与冶金工业

0107286化工生产过程中浓度类参数的软测量方法[刊]/易灵芝//兵工自动化.—2000,(4).—40～42(K)针对化工生产过程中,浓度类参数一般都难于在线实时检测,直接影响生产质量和生产过程控制实时性的问题,提出了一种基于卡尔曼滤波和自校正预报的输出估计器和参数估计器的软测量方法。该方法通过一些与浓度类参数相关且在线可测的辅助变量值,能在线估计得到关心的浓度参数。并以谷氨酸发酵过程为例,对该方法作了可行性验证。