基于多次波和自适应预测误差滤波器的地震近炮检距数据重建方法

地震数据采集过程中,受野外施工条件的制约,往往很难获得完整的地震波场,尤其近炮检距数据的缺失尤为严重.当前,很多地震数据处理方法的应用都依赖于近炮检距数据,如何对近炮检距的缺失数据进行重建,是一个重要的研究课题.本文通过多次波和一次波的互相关构建虚拟一次波,利用数据本身的波场信息,对缺失的近炮检距数据进行插值重建.由于通过多次波构建的一次波与真实的一次波存在振幅和相位方面的差异,提出通过基于非平稳自回归过程的自适应预测误差滤波器来表征虚拟一次波的能量谱,利用最小二乘反演方法重建近炮检距缺失数据,自适应预测误差滤波器通过求解正则化约束下的数学欠定问题来实现局部自适应特征.通过对Sigsbee2B模型和实际数据的测试结果表明新方法可以合理地重建复杂的近炮检距缺失数据.

用自适应预测误差滤波器抑制雷达杂波

研究了ＦＴＦ算法和ＬＳＬ算法实现的预测误差滤波器对雷达地杂波和气象杂波的抑制性能，计算了杂波滤波器的改善因子。计算机仿真结果表明，ＬＳＬ和ＦＴＦ算法可以对杂波进行较大抑制，当用于目标检测时，ＦＴＦ算法具有较高的信杂比改善能力。

基于风况预测误差自适应的海上风电场尾流偏转控制方法

风电场尾流偏转控制是降低尾流效应、提升整场发电量的重要手段。风况预测值是风电场尾流偏转控制的重要输入,其误差给实际控制效果带来巨大影响,甚至导致全场发电量“不增反降”,极大限制了风电场尾流偏转控制技术的工程应用。以某海上风电场实际运行数据为例,探索了分钟级风速和风向预测误差对风电场尾流偏转控制效果的影响,提出了风况预测误差自适应的海上风电场尾流偏转控制方法及基于深度神经网络的控制模型。研究结果表明:与不考虑风况预测误差自适应的传统风电场尾流偏转控制方法相比,所提方法的全场发电量提高了1.77%。

基于考虑误差修正的非线性自适应权重组合模型的光伏发电功率预测

为了提高光伏电站光伏发电功率预测精度,解决极限梯度提升模型、长短期记忆模型2种传统单一模型及传统组合模型极限梯度提升-长短期记忆模型的光伏发电功率预测结果滞后、预测效果易突变、预测误差较大、线性拟合性较差等不足,基于极限梯度提升算法、长短期记忆算法和线性自适应权重,提出一种考虑误差修正的非线性自适应权重极限梯度提升-长短期记忆模型进行光伏发电功率预测;分别使用极限梯度提升算法和长短期记忆算法训练得到2种单一模型,将2种单一模型的初步预测值和真实值组成新的训练数据集,利用神经网络算法训练所提出的模型,对2种单一模型的初步预测值分配自适应权重系数,并根据训练时所提出模型的预测值大小分段统计预测误差的分布,预测时根据所提出模型的预测值在预测结果的基础上累加误差均值从而进行误差修正,进一步提高所提出模型的预测精度;利用Python语言分别对所提出的模型、传统组合模型和2种传统单一模型在晴天、阴天和雨天的光伏发电功率预测性能进行仿真。结果表明:与极限梯度提升-长短期记忆模型、极限梯度提升模型、长短期记忆模型相比,所提出模型的均方根误差分别减小28.57%、 39.39%、 49.79%,平均绝对误差分别减小44.25%、 53.33%、 64.8%,决定系数分别增大1.43%、 2.38%、 3.34%,所提出的模型更有效地减小了传统单一模型的光伏发电功率预测误差,优化了传统组合模型的权重系数;3种天气条件下所提出模型的光伏发电功率预测误差相对最小且稳健性最强,验证了所提出模型的有效性。

基于自适应模型预测的物伞系统速度跟踪控制

针对空投易碎易爆物品无速度跟踪及速度波动大的问题,提出自适应模型预测控制(model predictive control,MPC)方法对物伞系统速度进行控制跟踪。以线性离散化物伞系统动力学模型为基础,通过迭代法构建速度跟踪预测模型,依据实际需求设计目标函数及约束条件,在自适应MPC控制器内进行优化求解;引入卡尔曼滤波作为状态估计器,让系统具备对自身状态量变化的感知,提供估计状态量给控制器,实现系统整体反馈校正。开展无风条件和有风条件下自适应MPC控制的物伞系统速度跟踪性能研究,结果表明,此控制方法能够实现对期望速度的良好跟踪;在随机扰动下进行物伞系统速度跟踪控制鲁棒性研究,对比分析了自适应MPC方法和PID控制方法的速度跟踪性能,结果表明,自适应MPC控制的物伞系统速度振荡小于PID控制,其具有较强的抗非线性扰动能力,为实现物伞系统速度控制提供了新方法。

基于自适应采样周期和预测时域MPC的车辆路径跟踪控制

为解决自动驾驶车辆在低附着路面路径跟踪控制精度较低的问题,设计了一种自适应采样周期和预测时域MPC控制器。首先,结合车辆动力学模型和MPC算法设计了MPC控制器,并加入轮胎侧偏角约束;然后,分析控制器的采样周期和预测时域对控制效果的影响,提出一种综合考虑采样周期和预测时域的自适应控制策略,通过车辆前轮转向角更新采样周期,通过车速更新预测时域;最后,使用Carsim和Matlab/Simulink联合仿真平台,在低附着路面的不同车速条件下进行仿真实验。结果表明,当车速为25 km/h和45 km/h时,相较于固定控制参数MPC控制器,自适应采样周期和预测时域MPC控制器的最大横向误差分别减小140.2mm和40.8mm,其在不同车速下的路径跟踪控制精度均更高,横摆角速度和质心侧偏角均在合理范围内,车辆稳定性较好,证明所提路径跟踪控制器在低附着路面具有较高的控制精度和可行性。

基于自适应滤波器的电网谐波电流预测法

提出一种新的基于LMS算法自适应滤波器的有源电力滤波器(APF)参考电流的预测方法,针对传统LMS算法的缺陷(如收敛速度慢、对非平稳输入信号的适应性差等)作了3点改进,这些改进措施可有效提高自适应滤波器的综合性能.仿真与实验结果证明,采用该方法可有效减小延时对APF补偿效果的影响.

基于Volterra自适应滤波器的风电功率混沌预测

风电场风电功率短期预测对并网系统的安全、经济和稳定运行具有重要意义。利用C-C法对风电功率时间序列进行了相空间重构;计算了风电功率时间序列的最大Lyapunov指数,两者均证实风电功率时间序列具有混沌特性,可采用混沌方法对其进行预测。利用不同阶数的Volterra自适应滤波器对风电功率进行短期预测。应用于2个不同风电场进行验证,结果显示:Volterra自适应滤波器能够反映出风电功率序列未来变化的趋势,并可以达到较高的一步预测精度,但阶数不同,预测精度不同,阶数越低,精度越高。

基于改进局域Volterra自适应滤波器的风电功率混沌时间序列预测模型

针对风电功率混沌序列的特点,提出一种基于改进局域Volterra自适应滤波器的风电功率混沌时间序列预测模型。首先,针对邻近点及其坐标分量在时间上与预测点距离不同、对预测点的影响不同的特点,提出一种考虑时间影响并结合距离与演化趋势的综合判据;然后,对使用综合判据筛选出的相点建立改进局域Volterra自适应滤波器模型;最后,对我国某风电场的采集数据进行建模仿真。结果表明所提的改进模型具有较好的计算速度和较高的精度。

基于稀疏Volterra滤波器混沌时间序列自适应预测

针对混沌时间序列预测问题,提出了一种稀疏Volterra滤波器,该滤波器采用归一化最小均方自适应算法进行多次训练,每次训练只保留滤波系数矢量和输入信号矢量的有效分量进行下一次训练,从而将Volter-ra滤波器的有效滤波系数个数减至最少,降低了预测模型的复杂性。四种混沌时间序列的预测实验表明:该滤波器可同时实现对混沌流和混沌映射的建模与预测,可有效地减少滤波器的滤波系数个数,能在不损失预测精度的前提下,降低预测模型复杂性。

基于自适应小波回声神经网络的光纤陀螺测角仪温度误差补偿技术

基于光纤陀螺的测角仪可以实现对各项角运动参数的一体化动态精密测量,但在实际应用中,光纤陀螺测角仪受到温度变化的影响,导致测量精度下降。针对这一问题,本文提出了一种基于自适应小波回声神经网络的光纤陀螺测角仪温度误差补偿技术。为了提高温度误差建模的进度,提高传统神经网络的逼近能力,通过自适应前向线性预测滤波器对建模用测角仪温度漂移数据进行预处理,并采用自适应小波回声神经网络建立温度漂移模型,能够避免传统神经网络结构设计的盲目性和局部最优等问题,增强了网络学习能力和泛化能力,并利用自适应律代替神经网络梯度进行网络训练,提升神经网络的逼近精度和收敛速度。实验结果表明,该模型可以提高光纤陀螺测角仪的测量精度和环境适应性,为光纤陀螺测角仪的性能优化和实际应用提供了可靠的技术支撑。

基于综合自适应滤波器的在线短期负荷预测

准确地实现小时负荷预测是实施优化控制和动态安全分析的前提。采用嵌入维最小二乘支持向量机(ELS-SVM)的方法进行建模和预测,对影响负荷的因素进行模糊化处理。采用了粒子群(PSO)优化算法解决ELS-SVM学习过程中多参数难以调整的问题。提出分段小批量学习和更新的在线学习方法,既降低了运算量又能有效地避免积累误差,从而提高预测精度。实验结果表明,该方法有效地将预测精度从2.1%提高到了1.29%。

无负载侧谐波检测的有源滤波器自适应预测算法

经典有源滤波器算法中通过控制直流侧电压环的算法可以省去负载和输出电流检测单元。为了增强其动态性能,给出了基于自适应预测算法的无负载侧谐波检测有源滤波器控制方法。该方法对直流侧电压差进行滑窗迭代,不断地对窗内数据进行加权平均计算。通过历史数据自适应滤波器系数在线滚动迭代,步长实时更新,结合内插值法能够很好地预测出网侧电流下一拍的状态。仿真结果证明了所提出的方法具有良好的稳态补偿效果和动态跟踪性能,基于DSP的样机实验结果再次证明了该算法的可行性与正确性。

用于低维混沌时间序列预测的一种非线性自适应预测滤波器

在二阶Ｖｏｌｔｅｒｒａ滤波预测器基础上，提出了一种用于低维混沌时间自适应预测的非线性自适应预测器。基于最小均方误差准则导出了一种ＮＬＭＳ类型的自适应算法来实时调整这种非线性滤波预测器的系数。仿真实验结果表明：这种线性化的非线性自适应滤波预测器能够有效地预测低维混沌时间序列，且它的模块化特征更易于ＶＬＳＩ电路实现，具有广泛的工程应用价值。

基于Volterra自适应滤波器的水中混响非线性预测

水中混响是主动声呐信号处理中主要的干扰之一,而对水中混响的预测是解决混响背景下信号处理的重要前提.基于二阶Volterra自适应滤波器的混沌时间序列的预测方法是在Takens相空间重构理论的基础上提出的.仿真结果表明,这种非线性自适应滤波预测器能够有效地预测混沌时间序列.同时,由于水中混响具有混沌特性,因而可将这种非线性预测方法应用在水中混响时间序列的预测中.通过仿真得到预期的效果.

一种基于预测滤波器的自适应卡尔曼滤波算法

针对系统过程噪声统计特性不确切或未知的条件下,研究了一种基于预测滤波器的自适应卡尔曼滤波算法。由预测滤波器实时估计系统模型误差及其协方差矩阵,再用其修正系统状态预测值及预测误差协方差矩阵,从而自适应调节卡尔曼增益。将该算法应用于弹载SINS/GPS紧耦合组合导航系统并与普通卡尔曼滤波、基于新息的移动开窗自适应卡尔曼滤波进行了对比,仿真结果说明该自适应滤波算法具有更高的可靠性和精度。

基于自适应滤波器的动态谐波电流预测方法

数字化控制系统常采用预测算法来克服控制器延时对补偿效果的影响。通常对于缓慢变化的负荷,电流预测比较容易,但对于动态冲击负荷,电流预测则十分困难。目前已有算法的预测效果都不令人满意,严重时甚至会导致补偿效果变差。针对以轧钢机为代表的动态冲击负荷,提出了一种基于自适应滤波器的谐波电流预测方法。该方法是用由一系列谐波电流信号叠加组成的多项式来拟合非线性负载电流信号,采用了带遗忘因子的递推最小二乘法来实时估算多项式的系数。仿真及实验结果表明,所提出的预测方法计算量适中,便于数字化实现,对动态冲击负荷具有非常高的预测精度,大大改善了控制器的补偿效果。

混沌时间序列的Volterra自适应预测滤波器定阶

由于Volterra自适应滤波器的阶数对预测性能有较大的影响,在实际预测中,如何确定Volterra自适应滤波器的最优阶数就成为一个关键问题,该文运用相空间重构理论,推导出了Volterra自适应滤波器的最优阶数等于混沌动力系统的最小嵌入维数,作者用六种混沌时间序列进行实验,结果表明这种定阶方法在混沌时间序列Volterra自适应预测中非常成功,该方法对噪声影响的变化,表现出较好的鲁棒性。

用于基因预测的自适应滤波器的仿真研究

根据蛋白质编码区周期3行为,设计了两种用于基因外显子预测的窄带自适应滤波器,对基因序列进行滤波处理,获得了外显子的预测曲线;在此基础上,分析了最小均方误差(LMS)算法和递推最小二乘(RLS)算法用于基因预测的异同,通过比较滤波器参数和仿真曲线,表明递推最小二乘算法用于基因外显子预测优于最小均方误差算法。

基于Volterra自适应滤波器的发动机运转噪声预测

发动机运转噪声的预测对于减小发动机运转噪声干扰、提高发动机异响故障诊断正确率具有重要意义。基于相空间重构理论,采用三阶Volterra自适应滤波器,提出了两种分别采用双传感器、单传感器的发动机运转噪声建模与预测方法。所提方法有效利用了Volterra级数强大的非线性映射能力,充分考虑了发动机运转噪声内在的循环相关性、周期及相位信息等先验知识。试验结果表明,所提方法具有较好的鲁棒性,其精度可以满足实际应用要求。