雷达跟踪目标的残差检测自适应多模型算法

提出了一种基于残差的自适应多模型算法 ,通过残差的大小来分配多模型中单个模型在整体估计中的权重。本算法无须机动检测 ,从理论上避免了延迟。

一种基于M估计的抗差自适应多模型组合导航算法

针对复杂环境下因量测噪声统计特性时变及量测粗差而引起的组合导航精度下降的问题,提出了一种基于M估计的抗差自适应多模型组合导航算法。所提算法突破了传统交互式多模型算法定结构的限制,凭借所提出的模型集自适应调整策略,能够快速估计量测噪声统计特性,并利用模型概率信息对模型转移概率矩阵进行实时修正;引入了基于M估计的抗差Kalman滤波算法,以提高滤波抗差能力。以SINS/DVL组合导航系统为例,通过仿真和长江试验对所提算法进行了验证,结果表明所提算法有效降低了量测噪声统计特性时变及量测粗差对滤波精度的影响。在长江试验中,所提算法相比AIMM算法,东、北向速度误差和位置误差的均方根误差分别下降了44%、36%和41%、53%,水平定位精度提升了约45.9%,定位精度提升显著。

基于自适应多模型扩展卡尔曼滤波的感应电机转速估计方法

本文提出了一种自适应多模型扩展卡尔曼滤波(AME)的转速估计方法。该算法建立了基于速度和磁链估计的多模型EKF,模型的转换遵循马尔可夫链,通过融合不同模型在不同权重下的输出,得到了估计值,并对加权计算进行了研究;同时,利用残差序列可以连续地自适应调整转移概率和系统噪声矩阵,利用后验信息对先验信息进行修正,得到模型间更精确的匹配和转换情况。本文提出的方法提高了模型对实际系统和环境变化的适应性,有效降低了速度估计误差。对基于AMM-EKF的感应电机无速度传感器矢量控制系统进行了实验验证,实验结果验证了算法的正确性和有效性。

区间量测下自适应交互多模型箱粒子滤波机动目标跟踪

针对现有交互多模型箱粒子滤波(Interacting Multiple Model Box Particle Filter,IMMBPF)算法在区间量测目标跟踪过程中模型切换和跟踪精度方面的不足,结合自适应交互多模型算法,提出了一种自适应交互多模型箱粒子滤波(Adaptive IMMBPF,AIMMBPF)算法。该算法利用模型似然后验信息构建修正因子,并结合阈值对马尔可夫转移概率矩阵进行自适应修正,使得匹配模型的概率快速增大,并且可以减小非匹配模型的影响,即使在目标运动模型先验信息不足或者不准确情况下,也能对模型转移概率进行自适应更新。对于量测常受到未知分布和偏差的区间误差所影响而呈现区间形式的问题,将箱粒子代替普通粒子,拟合后验概率密度从而进行滤波。仿真结果表明,相比于原有算法,该算法在区间量测机动目标跟踪的应用中,拥有更优的模型匹配度和目标跟踪精度。

变转速泵控液压缸系统的多模型自适应PID控制

变转速泵控液压缸系统转速或负载大范围变动导致的液压系统参量非线性变化,可使基于线性模型设计的控制系统出现控制参数不合理、精度不稳定,甚至控制失稳等问题,本文通过分析典型变转速泵控液压缸系统的状态空间,提出了一种多模型自适应PID(Multi-model adaptive PID,MMA-PID)控制方法。该方法根据系统压力的改变引起的油液体积弹性模量的非线性变化,用多个线性子模型分别描述系统行为,并针对每个子模型,单独设计一个合理的控制器。控制过程中,通过卡尔曼滤波器分别估计各个子模型的输出权重系数,并将所有子模型控制输出加权融合作为系统最终的控制输入。仿真和实验结果表明,在工况大范围变化时,多模型自适应PID控制相较于传统的PID控制,能更好的适应系统参量的非线性变化,具有更好的控制效果和动态性能。

自适应交互多模型滤波在INS/CNS组合导航中的应用

针对惯性/天文(INS/CNS)组合导航系统中由于量测噪声的统计特性随应用环境发生变化而导致滤波精度降低的的问题,提出了一种基于自适应交互多模型(AIMM)的组合导航算法,该算法将改进的Sage-Husa自适应滤波器与交互多模型相结合,以少量的模型实现对实际模态的覆盖。仿真结果表明:与常规Kalman滤波方法相比,该方法较好地覆盖了实际模态变化情况,实现了对量测噪声统计特性变化的自适应调整,在观测值发生异常时,导航参数误差没有大的跳变,导航滤波器在观测值异常时具有一定的自适应能力,从而保证了导航滤波器的可靠运行,提高了导航系统的精度和可靠性。

基于多模型自适应卡尔曼滤波器的电动汽车电池荷电状态估计

基于电池的戴维宁(Thevenin)模型,设计了多模型自适应卡尔曼滤波器,并将多模型自适应卡尔曼滤波器应用于电动汽车电池荷电状态(state-of-charge,SOC)估计。由于老化电池是未知系统,利用传统的单一模型卡尔曼滤波器估计老化电池SOC时,因模型不准确而使估计误差增大。与单一模型滤波估计相比,多模型滤波估计融合了电池的各种老化信息,适合于未知系统的状态估计,从而提高了SOC的估计精度,并通过实验证明了上述结论的正确性。利用多模型自适应卡尔曼滤波器估计电池SOC,老化电池的模型与权值最大的单一模型较接近,根据单一模型权值可以近似估计出老化电池的健康状态(state of health,SOH),并通过电池容量测量,证明了SOH估计的正确性。

运载火箭伺服机构故障检测与诊断的扩展多模型自适应方法

针对运载火箭伺服机构故障,提出一种基于扩展多模型自适应估计的故障检测与诊断算法。建立考虑伺服机构故障的运载火箭姿态动力学模型;将故障角度作为状态变量得到增广状态空间模型;利用扩展卡尔曼滤波器进行状态向量和故障参数的非线性估计,并基于传感器测量数据采用假设检验算法在线计算故障发生的概率;给出基于扩展多模型自适应估计的故障检测与诊断算法流程。仿真结果表明,该方法在无故障时可对伺服机构进行健康监测;在单台伺服机构故障下,可以及时准确判断出哪一台芯级伺服机构发生故障,并可准确估计出伺服机构故障下的发动机摆角角度。

基于自适应交互多模型算法的传感器故障诊断

在标准的交互多模型算法中,模型切换概率和模型噪声方差都假定为先验信息,但是系统的模型信息一般隐含在当前的量测信息中,因此本文提出一种在线辨识模型切换概率和噪声方差的自适应交互多模型算法,在建立传感器的全局故障和局部故障模型的基础上,对自主水下航行器多个传感器的局部故障与全局故障进行了诊断。在仿真过程中发现,与一般的多模型自适应估计方法(MMAE)相比,此方法算法简单,能够更加准确可靠地诊断故障。

基于多模型自适应估计的混合策略微分对策制导

为有效降低多模型自适应估计器算法的计算量,本文采用目标机动命令构建其离散化假设空间,同时考虑到目标机动随机时间切换所需的检测时间要求,对多模型自适应估计器并行运行的成员滤波器数目进行了简化,基于这种简化的多模型自适应估计器对提出的混合策略微分对策制导方案进行了仿真研究。混合策略微分对策制导综合考虑了两种基本的微分对策制导律的优势和不足,针对最优目标机动随机切换时间段的不同而应用相应的制导策略。仿真结果表明简化的多模型自适应估计器方法可以实现系统状态的较好估计,包括目标加速度的估计,混合策略微分对策制导也具有较好的目标拦截性能。

PN制导律多模型自适应辨识滤波方法

针对导弹主动防御应用中拦截导弹制导行为辨识问题,提出一种比例导引(PN)制导律多模型辨识滤波方法,对拦截导弹加速度和制导律导航常数进行辨识。采用非线性可观性理论对制导模型的可观性进行了分析。得出在拦截导弹使用PN制导律时,制导模型可观的充要条件。与以往工作相比,该方法考虑了拦截导弹末制导初期由于瞄准误差校正而引起的控制器饱和现象,在拦截导弹执行器处于饱和或退出饱和阶段都能精确对制导律进行辨识。另外,以往工作假定PN制导律常数已知,该方法将PN制导律常数当做制导模型的一个状态进行估计。仿真结果校验了所提方法的性能。

基于多模型自适应的飞行控制系统重构与优化

对飞行器执行机构受损或失效情况下其飞行控制规律重构的问题,提出一种基于线性二次最优控制理论的多模型自适应控制重构技术方案。利用线性二次调节器获得参考模型,基于故障诊断与检测技术,运用Lyapunov稳定性理论,确保闭环控制系统的严格正实性和全局渐进稳定性。根据飞行器的动力学控制规律,进行故障辨识和模型切换,实现故障状态下飞行控制规律的重构与优化设计。针对典型故障情况进行飞行器控制重构仿真验证,结果表明系统能够在舵面部分失效下完成控制重构,保证有效飞行器运行控制。

多模型自适应控制实现的感应电机变频调速系统

提出了多模型自适应变频调速系统的新型控制结构,解决常规自适应控制所无法解决的调速系统电机电阻存在的不确定性较大及电机电感的不确定性变化较快等难点问题。理论分析与仿真实验表明了方案的正确性与合理性。

多模型自适应原油产量精确预测方法

原油产量的精确预测是原油优化配产的前提。在总结前人大量的产量预测方法的基础上，提出了多模型自适应产量预测方法。该方法是单模型自适应预测技术的自然推广。它不仅在不同时间段具有不同的轨迹方程与预测对象的变化规律进行最佳匹配，而且该最佳匹配方程的参数在预测时也是时变的，是一个完善的自适应预测系统。该方法具有预测精度高、适应性强、计算简单、方便的特点。

基于多模型自适应估计的机动目标拦截

针对频率随机且初始相位未知的正弦机动目标,采用多模型自适应估计方法构建相应的成员滤波器,以实现对于机动频率的辨识和相关状态的估计.考虑到估计延迟等多种因素作用下,拦截导弹加速度无法达到最大容许值,从而不能充分发挥其性能,提出了一种有界控制修正增益制导策略.基于Monte Carlo试验法进行了仿真,结果表明,所给出的多模估计方法可以实现目标机动的有效辨识和状态估计,有界控制修正增益制导策略也具有较好的目标拦截性能.

基于多模型自适应技术的信道估计研究

提出了一种基于多模型自适应技术的信道估计方法。该方法通过设计动态信道模型库来覆盖未知信道的状态的改变,基于模型切换和动态规划(DP)进行模型变化检测及信道参数估计,从而在变化的信道环境中将有限个简单子集的估计算法有机地结合成一种在大信道范围内具有高度鲁棒性的信道估计器。仿真实验结果表明,此信道估计器比自适应信道估计器方法具有优势。

基于期望模型的自适应IMM算法

针对固定结构交互式多模型算法在强机动目标跟踪过程中适应性不强的缺点,借鉴增加期望模型的变结构思想,提出了一种模型集自适应的交互式模型算法。根据滤波过程中获得的模型后验概率和模型似然函数,利用极大似然准则调整模型集中的部分模型,引导模型集向着更优的方向进化。蒙特卡罗仿真结果表明该算法比标准IMM算法适应性更强,跟踪精度更高,具有较高的工程应用价值。

适用于时变不确定系统的并行模型自适应估计

针对受到潜在模型不确定性影响的系统,设计一种并行模型自适应估计(PMAE)算法.以往基于不确定性系统模型设计的滤波算法,在模型精确的情况下,性能往往不及传统卡尔曼滤波(KF).为了解决该问题,设计基于多个并行滤波器的自适应状态估计算法,其中一个滤波器为KF,用于在未出现模型不确定性的情况下,对系统进行最优状态估计;另一个滤波器为扩维卡尔曼滤波(AKF),用于在出现模型不确定性的情况下,对不确定性模型参数进行辨识.以空间目标监视为例,分析算法的性能.仿真结果表明,利用PMAE算法能够自适应地对两个并行滤波器进行切换和折衷,从而有效应对模型中存在不确定性和不存在不确定性两种情况.

电液伺服系统多模型鲁棒自适应控制

针对电液伺服系统中存在不确定非线性和强参数不确定性的问题,提出一种多模型鲁棒自适应控制算法。根据系统参数不确定性范围建立了多个辨识模型,在辨识模型中设计非线性鲁棒项,以抑制干扰、未建模动态等不确定非线性的影响,提高系统的鲁棒性。基于辨识模型设计相应的控制器,采用基于辨识误差的性能指标函数作为切换依据,选取最佳控制器作为当前控制器,解决了传统自适应控制对参数自适应初值敏感的问题。该方法能够克服不确定非线性和强参数不确定性的影响,使系统得到渐进跟踪的性能,提高系统的瞬态响应性能。实验结果表明,该算法能抑制建模不确定性的影响,系统期望跟踪指令幅值为10mm时,跟踪误差大约为0.038 6mm,相对跟踪误差约为0.386%,系统跟踪精度得到了提高。

强机动目标跟踪自适应交互式多模型算法

针对机动目标跟踪过程中建立的目标模型和目标的实际运动模式出现失配的问题,提出了从一组离散模型集中选出最优模型,并自适应调整模型参数,使模型逼近目标实际运动模式的交互式多模型算法。蒙特卡罗仿真表明,该算法与传统的常速模型与自适应协同转弯模型交互算法(IMM-CV/ACT)相比,在目标发生强机动时,能及时有效的把跟踪误差峰值控制在测量标准差之下,适合于强机动目标跟踪。