基于动态遗忘因子递推最小二乘法和改进粒子滤波算法的锂电池SOC估计

为了提高锂电池荷电状态(SOC)估计的精度,提出了一种基于动态遗忘因子递推最小二乘法和改进粒子滤波算法相结合的锂电池SOC估计方法。针对固定遗忘因子递推最小二乘法在电池参数辨识中难以同时保持快速收敛和稳定性的问题,引入动态遗传因子,以模型辨识值和实际值的残差为变量构建修正公式,实现遗忘因子动态调整。为了改善粒子滤波(PF)的粒子多样性丧失问题,采用白鹭群优化算法(ESOA)对粒子滤波算法进行优化。仿真结果表明,基于动态遗忘因子递推最小二乘法和改进粒子滤波算法的锂电池SOC估计误差始终保持在0.3%以内,平均绝对误差和标准差为0.15%和0.17%,与其他算法相比具有更好的精度和稳定性。

改进增广最小二乘的轧机垂振系统参数辨识

数字孪生是物理实体的数字化表现,它通过数学模型实时监测和控制物理实体,因此对数学模型的精度要求非常高。针对轧机垂振系统模型精度低的问题,提出了改进增广最小二乘法对轧机垂振系统进行辨识。建立了垂振系统数学模型,并通过系统离散化推导出动力学方程,确定了辨识模型的结构。以现场采集的数据为基础,采用改进最小二乘法对模型参数进行辨识。实验结果表明,实测振幅与机理模型输出振幅的均方根误差为0.82,而与辨识模型输出振幅的均方根误差只有0.62,有效提高了模型的精度。

基于改进初值带遗忘因子的递推最小二乘法的锂电池参数辨识

锂电池荷电状态(state of charge,SOC)的准确估计依赖于精确的锂电池模型参数。在采用带遗忘因子的递推最小二乘法(forgetting factor recursive least square,FFRLS)对锂电池等效电路模型进行参数辨识时,迭代初始值选取不当会造成辨识精度低、收敛速度慢的问题。为此,将电路分析法与FFRLS相结合,提出基于改进初值带遗忘因子的递推最小二乘法(improved initial value-FFRLS,IIV-FFRLS)。首先,通过离线辨识得到各荷电状态点对应的等效电路模型参数并进行多项式拟合;然后,利用初始开路电压(open circuit voltage,OCV)和OCV-SOC曲线获得初始SOC,代入参数拟合函数得到初始参数;最后,将初始参数带入递推公式得到IIV-FFRLS迭代初始值。对4种锂电池工况进行参数辨识,结果表明:与传统方法相比,IIV-FFRLS的平均相对误差、收敛时间分别减小58%、23%以上;IIV-FFRLS具有更高的辨识精度与更快的收敛速度。

增广最小二乘限定记忆参数估计算法与仿真

最小二乘法可用于动态系统、静态系统、线性系统和非线性系统的参数估计,可用于离线估计,也可用于在线估计;文章在增广最小二乘递推算法的基础上引入限定记忆方式,获得了增广最小二乘限定记忆参数估计递推算法(RFMELS),解决了增广最小二乘递推算法的数据饱和问题,仿真结果表明了RFMELS算法的有效性。

小型直升机航向模型的增广递推最小二乘辨识

分析确定了模型直升机航向通道结构,考虑了噪声模型的存在,采用增广最小二乘法进行了参数辨识,从而避免了一般最小二乘法把误差模型隐含在系统模型中所造成的辨识精度不高的缺点。结果表明,虽然采用增广最小二乘法要考虑噪声模型,但是它具有速度快、辨识结果准确的特点,所得模型直升机的航向模型很好的表示了其系统特性,可以用来进行控制系统的设计和直升机的分析理解。

推广的遗忘因子递推最小二乘算法在GPS中的应用

作者将推广的遗忘因子递推最小二乘算法应用到GPS以确定动态目标的轨迹 ,并与推广的Kalman滤波进行比较 ,发现两种算法在GPS中具有各自的优点 ,当噪声相关性较大又不能准确地得到其方差时 。

改进的递推增广最小二乘参数估计方法

基于用递推最小二乘(RLS)法拟合高阶自回归(AR)模型得到的白噪声估值,提出了自回归滑动平均(ARMA)模型参数估计的一种改进的递推增广最小二乘法。它由两段RLS算法组成,可在线实现,具有快的收敛速度。一个仿真例子说明了其有效性。

基于递推增广最小二乘的雷达输出数据滤波方法

针对雷达-光电经纬仪组网测量时雷达实时输出引导数据随机误差大的问题,提出采用递推增广最小二乘拟合算法进行实时滤波,建立了实时滤波模型,给出了基于DSP的雷达数据实时滤波总体框架,进行了软硬件实现,验证表明,新算法及DSP处理实现了雷达数据实时轨迹滤波、预测及输出,引导数据随机误差减小1个数量级,能够满足测量设备引导需求,实现对快速目标的平稳跟踪。

超级电容模型的递推增广最小二乘辨识

为了更好的描述超级电容的电气特性,需要建立超级电容模型。提出系统辨识方法进行建模,阐述了系统辨识的原理和递推增广最小二乘法算法,在此基础上利用MATLAB编写递推增广最小二乘法程序估计出超级电容的传递函数,通过仿真对辨识结果进行验证。可知,该超级电容模型是正确有效的。

加权最小二乘联合遗传算法的无源定位

针对复杂环境下运动通信辐射源的无源定位,闭式解方法对于时频差模型中的测量噪声敏感且存在定位均方根误差较大问题.为了改善大观测误差下的定位性能,本文提出一种加权最小二乘联合遗传算法的递推式混合TDOA/FDOA定位方法.该方法首先利用已知站点观测大量时频差数据并建立误差模型,基于模型对定位过程中的多组时频差序列进行数据处理;其次通过加权最小二乘求解目标位置的初始值;然后采用改进的遗传算法在初始值的基础上通过多组时频差序列不断迭代、递推求解,修正位置坐标;最后利用位置估计和频差模型完成对目标速度估计.仿真结果表明,本文定位算法相比于经典两步加权最小二乘法具有更低的均方根误差,在大观测误差下能保持较高精度.同时相比于其他混合定位算法收敛速度快,可以有效减少计算量.

基于递推最小二乘改进算法的洪水预报模型研究

由递推最小二乘算法估算出的自回归系数在一定条件下具有最佳的统计特性,但在实际应用中,这种方法往往难以动态地把握水文现象的动态特性.为提高自回归洪水预报模型的精度,分别用衰减记忆、有限记忆及2种算法相结合的方法对基本的递推最小二乘算法进行改进,并利用这几种改进算法对白马寺水文站的实测径流序列进行了模拟演算.结果表明,这3种改进的递推最小二乘算法,都可以使自回归洪水预报模型取得较好的预报效果,但实际应用时应根据不同预报的侧重点选择相应的算法.

永磁同步电机双率残差增广最小二乘参数辨识

针对永磁同步电机系统输入输出的本质多采样率特性,结合多项式变化技术,构建模型转换矩阵,推导出基于电流和电压的永磁同步电机双率采样数学模型,获得其扩展参数向量,并构建其回归模型,针对输入输出量中不可测干扰量采用残差估计,进而建立永磁同步电机双率残差增广最小二乘算法(DR-RELS),对其算法收敛性进行分析。仿真实验结果表明,DR-RELS算法对变换后的永磁同步电机双率采样数据模型参数估计一致收敛,同时噪声方差的大小影响该算法收敛效果。

递推最小二乘算法的补充性证明

在使用递推最小二乘算法时,通常考虑的情况是训练样本所构成的方程组为矛盾方程组时该算法的收敛情况。本研究对递推最小二乘算法进行了理论证明及分析,指出了在任意第k步,未知参数估计值收敛于前k组数据的极小范数解(如果前k组数据所组成方程组为相容方程组)或者极小范数最小二乘解(如果前k组数据所组成方程组为矛盾方程组),并且此解是唯一的;仿真结果同样也验证了该结论的正确性。

非整数阶系统频域辨识的递推最小二乘算法

非整数阶系统辨识方法是建立非整数阶系统模型的一种重要工具.本文提出了一种非整数阶系统频域辨识的最小二乘递推算法.给出了算法的详细推导,并用已知系统验证了算法的有效性.结果表明该算法是整数阶系统辨识的最小二乘递推算法的推广.使用此算法,不但能辨识整数阶系统,还能辨识非整数阶系统.

递推加权最小二乘算法的研究

通常在使用递推加权最小二乘算法时,需要设计矩阵列满秩。从极限理论的角度出发,对设计矩阵列不满秩时加权最小二乘估计的递推算法进行了理论证明和分析,得出了在任意第n步,未知参数估计值收敛于由前n组数据所决定的极小范数加权最小二乘解,并且此解是唯一的,仿真结果同样验证了该结论的正确性。

基于递推最小二乘自适应滤波算法的图像去噪

递推最小二乘RLS(Recursive of Least Square)算法是自适应滤波算法中的精确分析算法。它具有收敛速率快,精确度高等特点,但是发现目前RLS算法多用于对一维信号的去噪处理。使用递推最小二乘(RLS)算法对二维图像进行去噪,从处理一维信号变成处理二维图像信号,需要对RLS算法进行改进。先迭代得到滤波器参数,形成3×3滤波掩模,再改进算法对图像进行滤波;同时与常数比率维纳滤波和自相关函数的维纳滤波算法的去噪效果进行对比。结论证明在对图像进行较严重的模糊和加噪处理后,其他两种算法对图像的还原能力差,而递推最小二乘自适应滤波(RLS)算法具有优良的图像去噪性能。

FIR数字滤波器的递推最小二乘设计算法

本文考虑对称系数及反对称系数的ＦＩＲ数字滤波器的设计问题，设计准则选为最小加权平方误差准则，并将这个设计问题看成一个线性系统的辨识问题，辨识系统参数所需的输入数据由一随机抽样法产生，辨识算法采用递推最小二乘法．按随机抽样法产生的数据具有很强的激励，保证了被辨识参数的收敛性，同时又自然地实现了最小加权平方误差准则．两个设计范例说明了本文提出的设计方法的有效性．

基于前向神经网络的非线性时变系统辨识的改进递推最小二乘算法

标准的递推最小二乘算法随着递推次数的增加,增益矩阵将逐渐趋于零,致使递推算法慢慢失去修正能力,出现所谓的"数据饱和"现象。为了克服"数据饱和"问题,首先对递推最小二乘算法进行改进,得到了改进的最小二乘算法(IRLS),并给出了收敛性证明,然后将该算法应用于基于前向神经网络的非线性时变系统辨识。通过对两个非线性时变系统进行有效验证,仿真结果表明本文算法计算精度高、计算速度快、数值稳定性好,并能有效克服"数据饱和"。

径向基函数递推最小二乘算法优化学习的研究

对于广泛使用的三层感知机BP神经网络存在收敛速度慢,预测精度不高的问题,提出了基于径向基函数(RBF)递推最小二乘算法调整网络连接权值以及通过自适应学习的方法优化径向基函数形状参数的协作式自适应算法,并采用该算法进行了RBF神经网络的训练和仿真实验。结果表明:所提出的算法较BP算法以及固定α值的RBF算法有较快的收敛速度;最后,将训练后的神经网络应用于煤矿瓦斯涌出量的预测中,结果大大提高了预测的精度。因此,该算法具有很高的应用价值。

基于递推最小二乘算法的模糊系统在车削工件直径误差预测中的应用

根据车削过程中工件直径误差的特点,采用基于递推最小二乘算法的模糊系统,预测车削过程中由弹性变形等因素引起的工件直径误差,通过递推最小二乘算法训练Mamdani型模糊系统,以确定合理的系统参数。根据工件直径误差与切削深度、进给量等的关系,设计车削实验,得到训练数据和测试数据,用训练数据训练模糊系统,进而用测试数据测试,误差较小,从而验证在一定的工件结构和工况条件下,用基于递推最小二乘算法的Mamdani型模糊系统进行车削工件直径误差预测的可行性。与回归分析进行比较,结果显示在一定的工件结构和工况条件下,基于递推最小二乘算法的Mamdani型模糊系统对于预测车削工件直径误差有比较明显的效果。