改进的迭代收缩阈值算法及其在量子状态估计中的应用

本文将含有稀疏干扰的量子状态估计问题, 转化为考虑量子状态的约束条件下, 分别求解密度矩阵的核范 数, 以及稀疏干扰l1范数的两个子问题的优化问题. 针对迭代收缩阈值算法(ISTA)所存在的收敛速度慢的问题, 通 过在两个子问题的迭代估计中, 引入一个加速算子, 对当前值与前一次值之差进行进一步的补偿, 来提高算法的迭 代速度(FISTA). 并将FISTA算法应用于求解含有稀疏干扰的量子状态估计中. 针对5个量子位的状态估计的仿真实 验, 将FISTA分别与ISTA、交替方向乘子法(ADMM)、不动点方程的ADMM算法(FP–ADMM), 以及非精确的ADMM 算法(I–ADMM)4种优化算法进行性能对比. 实验结果表明, FISTA算法具有更加优越的收敛速度, 并且能够得到更 小的量子状态估计误差.     

基于深度学习LDAMP网络的量子状态估计

设计出一种基于学习去噪的近似消息传递(Learned denoising-based approximate message passing, LDAMP)的深度学习网络,将其应用于量子状态的估计.该网络将去噪卷积神经网络与基于去噪的近似消息传递算法相结合,利用量子系统输出的测量值作为网络输入,通过设计出的带有去噪卷积神经网络的LDAMP网络重构出原始密度矩阵,从大量的训练样本中提取各种不同类型密度矩阵的结构特征,来实现对量子本征态、叠加态以及混合态的估计.在对4个量子位的量子态估计的具体实例中,分别在无和有测量噪声干扰情况下,对基于LDAMP网络的量子态估计进行了仿真实验性能研究,并与基于压缩感知的交替方向乘子法和三维块匹配近似消息传递等算法进行估计性能对比研究.数值仿真实验结果表明,所设计的LDAMP网络可以在较少的测量的采样率下,同时完成对4种量子态的更高精度估计.     

带有自适应学习速率的矩阵指数梯度在线量子态估计算法

针对连续弱测量中存在高斯噪声的情况,提出一种带有自适应学习速率的矩阵指数梯度在线量子态估计算法.将量子态估计问题转化为含量子约束的凸优化问题,通过引入Von Neumann散度(量子相对熵),在一阶最优条件下,推导出指数型的量子态迭代公式,保证量子态密度矩阵的半正定性.再通过对迭代结果进行迹为1的投影,得到最终的量子态估计值.同时在迭代公式中设计自适应的学习速率,进一步加快算法的收敛速度.将所提出的算法分别在1, 2, 3和4个量子位系统上,进行了在线量子态估计的数值仿真实验,并与现有的在线量子态估计算法进行了性能对比.实验结果表明,所提出的算法具有更好的快速收敛性,以及更高的状态估计精度.     

双线性状态空间系统的状态观测器设计

针对受过程噪声和量测噪声干扰的双线性状态空间系统,研究其状态估计算法.借助双线性系统的特殊结构,将其等价表示为线性时变模型,推导基于Kalman滤波的状态估计算法.针对线性时变模型中存在的未知变量,基于辅助模型辨识思想,通过构造一个辅助模型,将未知变量用该模型的输出代替,提出基于辅助模型的双线性系统状态估计算法.构造双线性状态观测器,引入delta算子极小化状态估计误差协方差矩阵,从而得到最优状态估计增益,并提出基于delta算子的双线性系统状态估计算法.所提出的算法能够避免线性化过程带来的估计精度差的问题,提高双线性系统的状态估计精度.通过仿真实验验证了所提出算法的有效性,并对比分析了不同噪声情况下所提出算法的估计效果.     

基于鲁棒H∞滤波的蓄电池荷电状态估计

针对蓄电池系统的荷电状态(SOC)受蓄电池材料及加工制作、工作温度、充放电大小及频率等因素的影响,是一个典型的非线性时变系统,相应的状态估计模型在测量过程中存在噪声干扰引起模型参数不确定性的特征。以安时法为基础,建立SOC的状态方程并应用鲁棒H∞滤波算法预测SOC估计值。仿真研究表明,提出的鲁棒H∞滤波算法在有色噪声干扰下比卡尔曼滤波(Kalman filter)有更好的估计精度;在白噪声情况下,鲁棒H∞滤波算法可通过调节其参数达到和卡尔曼滤波器相同的估计精度。     

基于自适应滤波的MEMS姿态确定方法

针对消费类电子设备对姿态测量系统的需求,本文提出了一种基于MEMS加速度计、陀螺仪和磁强计的九轴姿态确定算法.针对实际系统中传感器量测噪声未知的情况,首先介绍了一种基于矢量观测器的矩阵Kalman滤波姿态确定算法,然后利用残差匹配技术,设计了一种基于残差匹配的自适应滤波方法.论文采用自适应滤波对传感器量测噪声进行估计,并将估计的量测噪声代入线性矩阵Kalman滤波算法,有效解决了线性矩阵Kalman滤波需要准确量测噪声统计信息的缺陷.最后设计了仿真实验验证本文提出的算法,并将其与线性矩阵Kalman滤波算法比较.仿真结果表明,自适应矩阵Kalman滤波的姿态旋转误差角为0.6091°,标准差为0.3009°,能够有效的估计传感器量测噪声,并具有更高的姿态确定精度和稳定性.     

基于Mahony与误差状态卡尔曼滤波融合的姿态解算方法

针对惯性测量单元(IMU)精度较低的问题以及传统姿态解算算法误差较大的缺点,提出了一种基于IMU的融合Mahony滤波与误差状态卡尔曼滤波(ESKF)的姿态解算方法。为降低因非重力加速度及磁干扰所带来的误差,根据加速度计和磁力计的置信度设计两个不同的自适应PI控制器改进Mahony算法,IMU测量数据经其解算,作为ESKF的量测值。ESKF将真实状态定义为名义状态与误差状态的组合,间接完成对系统状态的估计。因误差量为小量,所以误差状态线性化时的误差更小,雅克比矩阵的计算更简单。经实验验证,相较于传统姿态解算算法,融合算法能有效减少高频噪声、数据漂移带来的误差,提高姿态解算精度。     

单量子比特系统状态的在线估计

针对具有退相干效应与测量反馈随机噪声的随机开放量子系统, 采用对状态影响较弱的连续弱测量在线获取一系列状态的部分信息, 实现量子状态的在线估计.由泡利矩阵构造初始测量算符, 并推导出在线的随时间变化的测量算符; 基于压缩传感理论来减少测量次数; 采用最小二乘优化算法对自由演化中的量子密度矩阵状态进行重构, 完整地给出了量子态在线估计的过程.所提出的在线量子态估计方案, 在一个量子位系统上进行了系统仿真实验.数值仿真实验结果表明, 在满足压缩传感理论的条件下, 仅需2次连续弱测量所得到的测量值之后, 就可以高精度地实现在线变化的单比特量子密度矩阵估计.     

基于迭代无迹H∞滤波的移动机器人SLAM

为缓解移动机器人同步定位与构图(Simultaneous Localization and Mapping,SLAM)在恶劣噪声干扰下存在估计精度低、不一致及鲁棒性差的问题,提出一种新颖的基于迭代无迹H∞滤波的SLAM算法。所提算法将无迹变换融入到扩展H∞滤波中,以此估计系统状态均值和协方差,无需推导Jacobian矩阵,避免了线性化误差积累,增强了算法的数值稳定性;此外,通过迭代更新方式,利用观测信息不断校正系统状态均值和协方差,进一步减小估计误差。在仿真实验中,在不同环境和不同噪声下对比分析所提算法、EKF-SLAM、UKF-SLAM及CEHF-SLAM。结果表明所提算法在不同恶劣噪声干扰下依然能保持高的估计精度和强鲁棒性,并能适应不同的环境,是一种有效且可行的SLAM算法。     

一种改进的粒子滤波SLAM算法

传统的粒子滤波SLAM算法中,由于历史信息未被利用而导致估计精度较低。文中结合精确稀疏滞后状态信息滤波具有自然稀疏的信息矩阵因而估计精度高以及精确稀疏扩展信息滤波计算效率高的优点,将二者混合应用于粒子滤波SLAM算法中。不但充分应用信息矩阵记录的机器人位姿与特征间关系的历史信息从而提高估计的精度,而且克服机器人转动状态及环境特征疏密带来的应用缺陷。仿真与真实机器人实验的实验结果均表明文中算法的有效性与可行性。     

Exact and approximate state estimation for nonlinear dynamic systems

This paper presents a modified approach to solve state estimation problems of nonlinear dynamic systems involving noise free, uncorrelated and correlated state and measurement noise processes. The basic approach makes use of the matrix minimum principle together with the Kolmogorov and Kushner's equations to minimize the error-variance, taken to be the estimation criterion. The filtering equations obtained for nonlinear systems with white noise process are exact, but for non-white noise processes the results obtained are approximate.

For systems with polynomial or product types non-linearities, the proposed algorithms can be evaluated without the need of approximation under the assumption that the estimator errors are Gaussian. Such an assumption is significantly different from the most commonly used assumption that the state is Gaussian. Simulation results obtained from the proposed filtering algorithms are compared to various other approximate nonlinear filters. The results indicate the superiority of the proposed filter over those of other filters investigated.     

基于CIM的偏差补偿稀疏NLMAD算法研究

为了解决输入信号受噪声干扰和输出观测噪声具有脉冲特征的稀疏系统辨识问题,提出一种基于CIM的偏差补偿NLMAD(Normalized least mean absolute deviation, NLMAD)算法。 利用NLMAD算法可有效抵御脉冲输出观测噪声的优势,首先应用无偏准则设计偏差补偿NLMAD算法来有效解决由于输入噪声导致的估计偏差问题。再次考虑到稀疏系统辨识问题,将CIM作为稀疏约束惩罚项引入到偏差补偿NLMAD算法提出了新的稀疏自适应滤波算法CIMBCNLMAD。将所提算法应用于输入和输出均含有噪声的稀疏系统辨识和回声干扰抵消场景中,实验表明CIMBCNLMAD算法的稳态性能优于其它自适应滤波算法,说明该方法具有强的鲁棒性且可应用于工程实践。     

基于高斯似然近似的自适应球面径向积分滤波算法

针对量测噪声较小的环境下传统滤波算法容易出现偏差增大的实际问题, 基于高斯近似原理, 提出一种基于高斯似然近似的球面径向积分滤波(SRGLAF) 算法. 为进一步解决量测未知环境下的状态估计问题, 充分结合CKF 等确定性采样型滤波算法和SRGLAF 的优势, 设计一种基于高斯似然近似的自适应球面径向积分滤波(ASRGLAF) 算法. 仿真结果表明: SRGLAF 能够提高量测噪声较小环境下的估计精度, 而在量测噪声未知环境中, ASRGLAF 能够有效地进行状态估计, 具有明显的滤波优势.

     

An improved robust ADMM algorithm for quantum state tomography

In this paper, an improved adaptive weights alternating direction method of multipliers algorithm is developed to implement the optimization scheme for recovering the quantum state in nearly pure states. The proposed approach is superior to many existing methods because it exploits the low-rank property of density matrices, and it can deal with unexpected sparse outliers as well. The numerical experiments are provided to verify our statements by comparing the results to three different optimization algorithms, using both adaptive and fixed weights in the algorithm, in the cases of with and without external noise, respectively. The results indicate that the improved algorithm has better performances in both estimation accuracy and robustness to external noise. The further simulation results show that the successful recovery rate increases when more qubits are estimated, which in fact satisfies the compressive sensing theory and makes the proposed approach more promising.     

基于变中心互相关熵的比例自适应滤波算法研究

针对传统自适应滤波算法对于非零均值非高斯噪声干扰环境下稀疏系统参数估计存在稳态精度低的问题,以变中心互相关熵为代价函数,引入比例更新机制,应用随机梯度法设计一种新的稀疏自适应滤波算法。变中心互相关熵的中心可位于任何位置,其可很好地匹配非零均值的误差分布,而比例更新机制为每个权值参数赋予可变的步长参数,因此可增强算法的跟踪能力。进一步设计在线学习方法来估计核宽度和中心位置,以提高算法性能。另外根据能量守恒关系研究了算法的收敛性。仿真实验结果表明,该算法相对于传统自适应滤波算法对于非零均值非高斯噪声环境下的稀疏参数估计具有明显的优越性和鲁棒性。     

具有不同观测丢失率多传感器随机不确定系统的加权观测融合估计

本文研究了具有丢失观测的多传感器线性离散随机不确定系统的最优线性估计问题,其中不同的传感器具有不同的丢失率.首先将乘性噪声转化为加性噪声,然后基于矩阵满秩分解和加权最小二乘理论,提出了具有较小计算负担的加权观测融合估计算法.分析了加权观测融合估计算法的稳态特性,给出了稳态存在的一个充分条件.所提出的加权观测融合估值器与集中式融合估值器具有相同的精度,即具有全局最优性.仿真研究验证了算法的有效性.     

Set-membership filtering for systems with sensor saturation

This paper addresses the set-membership filtering problem for a class of discrete time-varying systems with sensor saturation in the presence of unknown-but-bounded process and measurement noises. A sufficient condition for the existence of set-membership filter is derived. A convex optimisation method is proposed to determine a state estimation ellipsoid that is a set of states compatible with sensor saturation and unknown-but-bounded process and measurement noises. A recursive algorithm is developed for computing the ellipsoid that guarantees to contain the true state by solving a time-varying linear matrix inequality. Simulation results are provided to demonstrate the effectiveness of the proposed method.     

基于M估计的非线性鲁棒检测卡尔曼滤波算法

针对传统鲁棒非线性滤波在观测噪声为非高斯强干扰噪声情况下,滤波性能下降的问题,提出一种利用卡方检测法预判断的非线性鲁棒检测滤波算法。该算法通过卡方检测设置门限,剔除突变野值,利用M估计修正量测更新。仿真实验对比了几种典型非线性滤波方法在不同观测噪声环境下的性能。所提算法在非高斯强干扰噪声情况下,比传统鲁棒滤波算法估计精度平均提高了25.5%;估计方差平均减少了18.3%。实验结果表明:所提算法可以抑制观测量非高斯强干扰噪声的影响,提高滤波精度及稳定性。