On the estimation of two-dimensional moving average parameters

The authors address the estimation problem of moving average (MA) parameters of a 2D autoregressive moving average (ARMA) model. The problem is equivalent to solving a set of overdetermined 2D transcendental equations. Based on some extensions of the Newton-Raphson method, an iterative algorithm is proposed for estimating 2D MA parameters. The performance of the algorithm is demonstrated by a numerical example. For 2D sinusoids in white noise spatial series, some interesting features of 2D ARMA modeling are observed     

Rank pattern-based selection of input/output ARMA model order

Rational transfer functions are standard models for radar targets and adaptive beamforming. Fitting these models essentially involves estimating the transfer function “poles and zeroes.” A key preliminary step in this estimation process is to determine the numbers of poles and zeros, or equivalently to determine the order of the corresponding ARMA model. A pattern-based method of order selection using matrix ranks is proposed for input/output (I/O) ARMA models, where ARMA model inputs and outputs are each observed in additive noise with known variances. This I/O ARMA model encompasses two distinct scenarios: observational studies in which all observations—those of both inputs and outputs—are erred, and controlled experiments in which outputs are observed with error while inputs are known without error. The proposed rank pattern method exploits the eigenvalue structure of the covariance matrices associated with the observed data and performs well for short data records at moderate SNRs.     

利用相关熵估计ARMA模型的参数

本文提出估计ARMA模型参数的一种线性方法。根据信息熵的概念,利用相关熵作为衡量残差序列与白噪声序列逼近程度的一个定量指标,借助于相关熵的变化规律来确定拟合观测序列的AR模型的阶次。估计出ARMA模型参数的初值,并运用简单的线性方法实现ARMA模型参数的精估计,数字仿真结果说明此方法优于其他类似的线性估计方法。     

非平稳ARMA信号自校正滤波器及其应用

本文处理带白色观测噪声的非平稳ARMA信号估计问题.应用状态空间方法和现代时 间序列分析方法[1],基于ARMA新息模型,提出了非平稳ARMA信号自校正滤波器,推广了 Hagander和Wittenmafk的结果[2],并给出了在雷达跟踪系统和检测数据数字滤波方面的应 用.仿真结果说明了本文结果的实用性和有效性.     

一种基于Kalman滤波器的自适应背景建模改进算法

基于传统Kalman滤波器理论的背景建模方法,不能很好地解决目标缓慢运动导致背景模型出现拖影的问题。针对该问题,提出了一种结合Kalman滤波器理论与动态区域重构的自适应背景建模改进算法,介绍了Kalman滤波器理论主要思想和改进算法的方法流程与效果。与传统的Kalman背景建模相比,该方法在增加少量计算复杂度的前提下,较好地解决了目标缓慢运动导致背景模型出现拖影的问题,同时也能较好地消除背景噪声。通过对图像序列的仿真实验证明:该方法具有很好的实用性与鲁棒性。     

基于暂态零序能量的配电网故障选线方法研究

针对中性点经消弧线圈接地系统发生单相接地故障时因故障边界复杂、随机,故障稳态分量小,零序瞬时功率倒相而导致传统的单一特征量选线方法失效问题,提出了一种新的基于暂态零序能量的选线方法。该方法通过一种数字滤波器来滤除暂态零序电流中的不对称分量和稳态工频分量,得到各条线路零序电流和母线零序电压的暂态纯故障分量,由此构造暂态零序能量,并根据暂态零序能量的大小和方向判断故障类型及线路,即发生单相接地故障时,非故障线路暂态零序能量的方向为正,故障线路暂态零序能量的方向为负,且其绝对值为其余线路暂态零序能量之和;发生母线接地故障时,母线暂态零序能量的大小为其余线路暂态零序能量之和。针对母线暂态零序能量受噪声影响大而导致选线灵敏度低的问题,提出将自动重合闸技术应用到该选线方法中的方案。Matlab仿真结果表明,该选线方法的准确性、可靠性较高。     

一种超声测距的鲁棒自适应建模方法

分析了超声测距的工作原理及特点,提出了一种新型的鲁棒自适应建模方法．首 先,利用在线递进滤波技术,有效地剔除采集数据中可能存在的“野点”; 然后针对移动机 器人中超声测距的不确定性特点,在自适应最小二乘估计（ALS）的基础上, 结合模糊理论, 实现了鲁棒自适应最小二乘（RALS）建模. 最后,给出了一种基于x2检验的模型收敛 性检验方法. 通过实验对比分析,验证了RALS具有很好的实用性和鲁棒性, 比较适合于移动 机器人超声测距的建模.     

基于ARMA的微惯性传感器随机误差建模方法

针对微惯性传感器随机误差建模效果不理想,影响微惯性组合导航系统性能的问题,提出了采用自回归滑动平均(ARMA)对微惯性传感器随机误差进行建模的方法。通过对随机误差模型应用于微惯性器件误差建模的深入分析,将Yule-Walker方程引入线性预测问题中,实现AR功率谱密度的估计,建立了基于随机过程有理功率谱密度的ARMA模型建立方法,并给出了ARMA建模准确性的LDA验证准则。通过微惯性传感器实测数据,对随机误差建模方法进行了有效性验证。该方法为微惯性器件的随机误差建模和分析提供了一种新的途径。     

应用于地震数据去卷的自校正白噪声估值器

本文把地震数据去卷问题处理为估计带观测噪声的ARMA模型的白噪声问题,应用时间 序列分析方法提出了不同于Mendel的新的稳态最优白噪声估值器,文章基于两个ARMA新 息模型的在线辨识,进一步给出了自校正白噪声估值器.     

自适应非局部数据保真项和双边总变分的图像去噪模型

针对常见去噪方法容易造成特定区域过度平滑、奇异结构残余噪声以及产生阶梯效应和对比度损失等问题,提出一种自适应非局部数据保真项和双边总变分的图像去噪模型,建立了自适应非局部正则化能量泛函和相应的变分框架。首先,对噪声图像利用自适应权值的非局部均值求得数据拟合项;其次,引入双边总变分正则化项,利用正则化系数来适度平衡数据拟合项和正则化项的影响;最后,通过能量函数最小化对不同的噪声统计快速求得最优解,从而达到降低残余噪声并纠正过度平滑的目的。通过理论分析和针对模拟噪声图像与真实噪声图像的实验结果表明,所提出的图像去噪模型能够较好地处理具有不同统计特性的图像噪声,与自适应非局部均值滤波去噪相比,所提算法的峰值信噪比（PSNR）值最多可以得到0.6 dB的改善;与全变分正则化图像去噪算法比较,所提算法的主观视觉效果明显更好,在去噪的同时图像纹理和边缘等细节信息保护得更好,PSNR值最多可以提高10 dB,而多尺度结构相似性度（MS-SSIM）指标可以提升0.3。因此,所提出的图像去噪模型可以在理论上更好地探讨如何合理处理噪声和图像内容本身的高频细节信息,在视频和图像分辨率提升等领域也具有良好的实际应用价值。     

基于自适应投影算法的分数阶全变分去噪模型*

为了在图像去噪的同时较好地保持图像的弱边缘和纹理细节,提出基于自适应投影算法的分数阶全变分模型.该模型使用Grünwald-Letnikov分数阶微分替代全变分正则项中的一阶导数,通过将图像投影在全变分球体上以解决分数阶全变分的优化问题.并根据图像的局部信息将图像分为纹理区域和非纹理区域,从而自适应计算投影方法中的软阈值.理论分析和实验均表明,文中方法在去除噪声的同时可以消除块效应,并且能有效保持图像的弱边缘和纹理细节.     

永磁同步电机调速系统的多维泰勒网逆控制

针对永磁同步电机(PMSM)的高性能控制问题,在充分考虑时变特性、不确定性以及测量噪声等随机因素的基础上,通过PMSM的逆系统将被控对象补偿成为具有线性传递关系的系统,提出一种基于改进自适应逆控制的控制方案.采用矢量控制的双闭环控制结构,将多维泰勒网逆控制方法引入速度环.首先,对PMSM数学模型的可逆性进行证明以解决非线性系统逆建模的存在性问题;然后,建立新颖的动态网络化控制器-----多维泰勒网(MTN),其具有结构简单、计算复杂度低的优点;最后,为了实现高精度的速度控制,将3个MTN分别作为实现系统建模的自适应模型辨识器、逆建模的自适应逆控制器和噪声干扰消除的非线性自适应滤波器,并将PMSM的动态响应控制和消除干扰的控制分为相对独立的过程进行,同时实现最优控制.仿真结果表明,所提出控制方案能够实现PMSM伺服系统精确的速度控制,具有良好的跟踪性能和较强的抗干扰能力.     

基于混合集成建模的硅单晶直径自适应非线性预测控制

大尺寸、电子级直拉硅单晶生长过程中物理变化复杂、多场多相耦合、模型不确定且存在大滞后和非线性等特性, 因此如何实现硅单晶直径控制是一个具有理论意义和实际价值的问题. 本文结合工程实际提出一种基于混合集成建模的晶体直径自适应非线性预测控制方法. 首先, 为了准确辨识晶体直径模型, 提出基于互相关函数的时滞优化估计方法和基于Lipschitz商准则与模型拟合优度的模型阶次辨识方法; 其次, 基于“分而治之”原理构建晶体直径混合集成模型. 其中, 采用小波包分解(Wavelet packet decomposition, WPD)方法将原始数据分解成若干个子序列, 以减少其非平稳性和随机噪声. 极限学习机(Extreme learning machine, ELM)和长短时记忆网络(Long-short-term memory networks, LSTM)分别建立近似(低频)子序列和细节(高频)子序列的预测模型, 最终晶体直径预测输出由各子序列的预测结果汇总而成; 然后, 针对晶体直径混合集成模型失配问题以及目标函数难以求解问题, 提出一种基于蚁狮优化(Ant lion optimizer, ALO)的自适应非线性预测控制策略. 最后, 基于工程实验数据仿真分析, 验证了所提建模及控制方法的有效性.     

Estimation of time series noise covariance using correlation technology

Covariance of clean signal and observed noise is necessary for extracting clean signal from a time series.This is transferred to calculate the covariance of observed noise and clean signal’s MA process,when the clean signal is described by an autoregressive moving average (ARMA) model.Using the correlations of the innovations data from observed time series to form a least-squares problem,a concisely autocovariance least-square (CALS) method has been proposed to estimate the covariance.We also extended our work to the case of unknown MA process coefficients.Comparisons between Odelson’s autocovariance least-square (ALS) estimation algorithm and the proposed CALS method show that the CALS method could get a much more exact and compact estimation of the covariance than ALS and its extended form.     

Active power and MRAS based rotor resistance identification of an IM drive

This paper presents a new method of estimating the rotor resistance of an induction motor. This method is based on model reference adaptive system approach. The rotor resistance changes dramatically with temperature and frequency. The rotor resistance variation has a great influence on the FOC performance of an IM since the actual slip frequency deviates from their set value by rotor resistance variations. Therefore, the compensation of the parameter variation is vital especially in FOC of an IM. Three different methods of rotor resistance estimations, namely, electromagnetic torque equation, reactive power and active power equations, are discussed in this paper. Author proposes the third technique, which is an improvement over the two strategies Although all three schemes estimate the rotor resistance effectively, the proposed technique is superior to others in providing faster estimation approach. Simulation results of all three methods will be provided in order to confirm the superiority of proposed method.     

一种计算简单的心电诊断算法的研究

研究一种计算简单、实现容易的ECG特征提取和分类算法,以适于嵌入式系统的开发.收集MIT-BIH标准数据库中的正常窦性心律(NSR)和心室早期收缩(PVC)样本信号进行分类研究.提出一种基于ARMA模型的心电信号(ECG)分类法,包括:ARMA建模,特征白化,利用白化后的ARMA系数和ECG RR间期比实施基于Fisher准则的分类.文中的方法计算简单、实现容易,分别获得了92.00% 和97.57%的分类精度.结论:ARMA建模法适合于嵌入式系统的开发.     

一种基于自适应代理模型的并行贝叶斯优化方法

提出一种基于自适应代理模型的并行贝叶斯优化方法,用于求解计算成本高的复杂优化问题.该方法基于多点期望改进判据,通过批次采样实现并行优化.针对并行优化产生的大量历史数据会导致全局代理模型建模成本高的问题,提出一种改进的基于数据并行的高斯过程建模方法,在线构造局部代理模型.此外,针对多点期望改进判据计算成本高的问题,提出一种启发式的分层优化策略,通过序贯优化基于自适应代理模型的单点期望改进判据,近似计算多点期望改进判据.最后通过5个测试问题验证所提出方法的有效性.     

微机械陀螺零偏稳定性建模与滤波研究

首先介绍了时间序列ARMA模型及其建模方法,并利用该方法基于振动环式微机械陀螺的实测数据建立了振动环式微机械陀螺随机漂移的ARMA模型。在此模型基础上,设计了Kalman滤波器。仿真结果表明此方法能够有效抑制微机械陀螺的零点随机漂移。     

自适应的低照度图像增强变分模型

针对低照度图像具有低对比度、强噪声等问题，提出了一种自适应的低照度图像增强变分模型。根据亮度分量初步估计低照度图像取反之后图像的透射率，并利用Retinex算法进行细化，以丰富图像的细节。为了抑制噪声的放大且保持边缘信息，根据亮通道先验原理和局部方差构建权重，自适应地调节正则化参数。采用交替迭代最优化方法求解包含透射率和恢复图像的能量泛函得到最优解。实验结果表明，该模型可有效地增强低照度图像，且能保留更多的图像细节、抑制噪声放大，相比于[l1]范数正则化方法，图像尺寸越大，该模型计算效率越高，计算时间优势越明显。     

MEMS陀螺仪漂移和噪声的分析和补偿

对陀螺仪数据分析的传统方法是使用kalman滤波器做尾数据处理来降低随机误差,由于陀螺仪传感器随着外界环境的变化的影响会有非线性误差,传统的kalman滤波算法处理的是线性误差,因此引进了适用于非线性系统的EKF滤波.为了快速滤除系统在实际环境中产生的噪声,对传统的中值滤波算法进行了改进,降低其计算复杂度,提出差分-均值中值滤波法.本文首先使用阿伦(ALLAN)方差分析了陀螺仪的误差特性,对于这些误差源分别提出了偏移校正的方法,之后建立自动回归-滑动平均模型(ARMA模型)对陀螺仪数据进行误差建模分析,最后使用EKF算法降低随机误差.实验结果表明该方法比传统的方法滤波效果好、计算复杂度低、实时性好.