基于自适应递推滤波的高压输电线路行波故障定位方法

针对传统高压输电线路测距精度差且行波法易受噪声因素影响等问题,提出了一种基于自适应递推滤波算法的高压输电线路行波故障定位方法。该方法首先经高通滤波处理后采集电流行波信号,粗定行波波头位置,选取故障前数据估计噪声的分布参数;然后基于噪声分布参数构建自适应递推滤波器对信号进行滤波;最后结合滤波后的信号与噪声参数进行比较,实现波头标定。在此基础上,结合双端测距原理实现故障点定位。仿真分析表明,所提出的方法在不同的故障条件下均可准确检测出行波信号;在弱行波信号含噪情况下,相比于小波变换,自适应递推滤波算法能有效提高输电线路故障行波定位的准确性。

极化自适应递推滤波算法

针对未知和时变的杂波环境 ,探讨了极化域滤波问题 ,提出了极化自适应滤波的原理 :利用历史杂波数据估计杂波的极化信息 ,据此对天线极化进行调整 ,达到“最优” ,然后对当前接收电场进行滤波 .根据这一原理进一步提出了递推算法 .仿真实验结果也证明了该方法的有效性 .该滤波器稳态性能逼近理论最优 ,算法“学习”

基于家庭基站移动通信系统的自适应时钟同步算法

家庭基站是安装在室内环境,面向家庭或企业用户的低功耗基站,它和宏基站一样需要全网时钟同步.家庭基站通过宽带城域网回传业务数据,借助该IP分组交换网实现家庭基站时钟同步是一种最有效的解决方案.然而,分组交换网络时延抖动会对同步精度造成很大影响.把时延抖动看成独立分布的噪声,以递推最小二乘(RLS)自适应滤波器模型滤除噪声,从而减小时延抖动对同步精度的影响.仿真结果表明,利用递推RLS自适应滤波器能使从时钟频率快速收敛于主时钟频率,且同步精度较高.同步精度满足家庭基站网络对同步精度的要求.

室内非平整地形下无人机定高控制方法研究

针对当前气压计、超声波等无人机定高方法在室内非平整地形下高度难以保持的问题,提出基于飞行时间(ToF)传感器的实时高度变化补偿的无人机定高控制方法。建立高度去突变模型,并引入一种自适应加权递推均值滤波算法,最后建立高度控制模型增强系统鲁棒性。本文方法在真实世界进行了实验,无人机于不同高度、速度条件下测试高度去突变处理效果。实验结果表明:室内非平整地形下无人机定高控制方法,能够保证无人机的精确定高,并规避地形突变对高度的影响,高度数据的最大误差为7.97 cm,平均误差为2.92 cm。

动态时变参数方法在云量精细化预报中的应用研究

利用2008年1月—2013年12月以及2017年1—11月全球天气预报系统(GFS)预报场资料,采用自适应线性最小二乘回归(LS)和自适应递推卡尔曼(Kalman)滤波两种动态时变参数方法,建立了河套周边地区0~168 h预报时效的总云量精细化预报,并与GFS模式直接输出的总云量、线性预报模型逐步回归预报方法得到的总云量以及非线性预报模型BP神经网络和最小二乘支持向量机回归方法(LSSVM)得到的总云量进行了对比,结果如下:(1)相比GFS模式直接输出的总云量,LS、BP神经网络、LSSVM得到的总云量与实况值的平均绝对误差均明显减小。LS方法误差最小,LS方法的年MAE均在20%~25%,且随着预报时效的延长,改进效果越大。LS方法、多元逐步回归方法、BP神经网络、LSSVM四种方法在6—8月的改进效果最大。(2)LS方法预报的总云量与实况云量的相关性最好,即使168 h预报时效的相关系数依然在0.64以上,远高于其他几种模型的预报结果。(3)LS方法能够明显地提高少云和多云天空状况下预报的击中率,且最优(少云击中率平均提高24%,多云击中率平均提高34%)。(4)自适应递推Kalman滤波方法存在预报滞后现象,改进效果不明显。