基于格拉斯曼流形的状态跟踪方法研究

传统的格拉斯曼流形状态估计是将状态空间模型置于格拉斯曼流行上,在后验跟踪模型的基础上递推估计。但是,该方法将观测模型和噪声都限制在格拉斯曼流形上会产生较大误差。针对上述问题,提出一种基于格拉斯曼流形的粒子滤波算法(Grass-Mann Manifolds-Paticle Filter,GM-PF),利用粒子滤波算法估计流形上的隐马尔科夫过程。仿真实例表明,该方法显著提高了流形上的隐马尔可夫过程的估计精度,且当噪声逐渐增大时,粒子滤波算法表现出良好的抗干扰能力和跟踪性能。

一种基于PF-RBF的ANNPID参数自整定方法

针对实际控制过程中控制对象难以建立精确模型和由于非线性非高斯噪声干扰导致控制效果难以达到预期的问题,提出了一种基于粒子滤波和RBF神经网络辨识(RBF Neural Network and Particle Filter Algrothm,PF-RBF)的单神经元PID参数自整定方法。通过PF和RBF系统辨识得到精确的系统Jacobian信息,解决神经网络PID控制由于Jacobian信息未知导致的近似计算不精确问题。仿真实例表明,相对于无PF滤波的RBF辨识控制系统,该方法能改善控制系统的性能指标和抗干扰能力,对实际控制过程具有一定的指导意义。