欺骗攻击环境下带有传感器故障的大规模电网分布式状态估计

本文研究了欺骗攻击环境下带有传感器故障的大规模电网分布式状态估计问题.通过引入拓扑关系来描述分布式传感器节点之间的相互关系,使用随机Bernoulli序列描述欺骗攻击模型及其随机特性.基于Lyapunov方法证明了带有传感器故障的系统在遭受欺骗攻击环境下的均方稳定及H_∞稳定的充分条件,并基于LMI设计了满足H_∞性能指标的分布式状态估计器.最后通过数值仿真验证了所设计估计器的有效性.     

非连通通信网络中的分布式优化算法

本文考虑了非连通通信模式下互联网网络的带宽资源优化分配问题,其目标是使得网络中每个节点独立地将流量以最优方式分配给给定的一个或多个下一跳节点.注意到用户在使用某些应用时有非弹性的服务需求,故将网络效用函数建模为非凹的函数.最大化一类非凹的效用函数,也就是要解决非凸的优化问题.为了解决上述问题,本文设计了一个序列的优化问题,该序列的优化问题的解会收敛到原问题的最优解.基于上述优化问题,设计了一种分布式的流量分配算法.本文中的结果是基于实分析和凸优化理论等理论得到的.应用本文的算法可以使得每个节点独立地更新流量分配策略,并且仅用到最少的局部信息.最后,通过数值仿真验证了算法的有效性.     

基于输出估计的多输入系统随机梯度估计算法

对于输出误差模型描述的多输入单输出系统,辨识的困难在于辨识模型信息向量中包含系统未知输出量(真实输出或无噪输出),以致标准辨识算法无法应用.提出了利用输出估计代替系统真实输出的辨识思想,即通过估计模型预测(估算)系统输出,利用这个估计输出来递推计算系统参数,进而提出了基于输出估计的随机梯度辨识算法,并研究了算法的收敛性,给出了仿真例子.     

基于仿生硬件的无线传感器网络节点自修复方法

针对现有无线传感器网络节点硬件固定,不能重新配置的问题,设计了一种全新的基于仿生硬件的无线传感器网络节点自修复方法,采用仿生硬件实现动态可重构无线传感器网络节点,以使节点能够自主地、动态地改变自身的结构和行为,在其部分硬件失效情况下进行节点的仿生自修复.该研究提出了相关节点的仿生自修复方法,研制了基于现场可编程阵列的仿生自修复节点,并通过实验验证了节点的自修复能力.对于提高无线传感器网络的鲁棒性和安全性具有重要意义.     

Lipschiz-type的高阶非线性多智能体系统分布式优化算法研究

主要研究了具有Lipschiz-type非线性多智能体系统的分布式优化问题.在多智能体网络中,每个个体都拥有一个代价函数,整个多智能体网络的好坏由这些代价函数的和来进行评判.在整个过程中,每个目标仅知道局部的交互信息和其自身代价函数的梯度.为了实现协同优化的目标,提出了一个新的分布式优化算法,运用李雅普诺夫稳定性分析的方法可以证明该算法能够保证所有智能体实现协同优化.最后进行数值仿真,成功地验证了该算法的正确性和可行性.     

传感器网络环境中基于采样数据分布式滤波的研究综述

近年来,由大量具有感知、计算和通信能力的微型传感器组成的传感器网络越来越广泛地应用在生产及生活的方方面面.另一方面,随着微电子及数字信号技术的发展,利用采样数据的离散化的数字控制器或滤波器被普遍使用.为了反映这个新兴领域的最新进展,本文对传感器网络环境中基于采样数据分布式滤波的研究展开了综述.首先,综述了传感器网络中几种分布式滤波方法的研究进展.然后,针对不同的采样方式,详细总结了采样数据系统的控制与滤波问题的研究工作.随后,对目前已有的传感器网络基于采样数据的分布式滤波的研究结果进行了介绍.最后,对传感器网络环境中基于采样数据的分布式滤波方面未来可能的研究课题进行了展望.     

基于无线传感器网络的气象数据采集系统设计

针对现有的气象监测系统在测量定位、测量点数据传输方面的不足,结合S3C44B0X嵌入式微处理器高速的特点,设计了基于无线传感器网络的气象数据采集系统。在无线传感器网络设计中采用改进的DV-Hop无线传感器定位算法,用仿真软件仿真验证了该算法的有效性。该系统可保证气象观测数据的准确性、可靠性。     

一种新型节能无线传感节点的设计与组网

设计了一种节能无线传感节点.该设计在智能节点的平台上,完成一个小型无线传感网络的搭建,实现“节点级节能”和“网络级节能”,从2个方面同时节约能耗,达到较好的节能目标.节点节能是通过传感节点的射频功率自适应来实现的,节点可以自动选取最小必要发射功率,在保证可靠通信的基础上实现发射功率最小;而网络节能则是通过估计星型网络和分簇网络2种结构下网络通信的耗能,然后选取耗能较小的结构形式来实现的.通过仿真和实验测试,证明这种节点和由这些节点构成的网络能够顺利实现节点发射功率自适应和组网结构自适应,达到了较好的节能效果.     

规范状态空间系统辨识方法

因为状态空间模型既包含了未知状态,又包含了未知参数,且二者是非线性乘积关系,使得辨识问题变得复杂.针对这一问题,详细研究了规范状态空间系统的状态与参数联合估计方法.采用交互估计理论,即采用递推方法或迭代方法实现系统状态与参数的交互估计.基本思路是在计算参数估计时,辨识算法信息向量中的未知状态用其估计值代替,然后利用获得的参数估计,设计基于参数估计的状态观测器或基于参数估计的Kalman滤波算法估计系统的状态,二者形成一个交互计算过程(递阶计算过程).沿着这条思路,分别从递推方案和迭代方案,研究和提出了基于状态观测器和基于Kalman滤波状态估计的随机梯度辨识算法、递推最小二乘辨识算法、多新息随机梯度辨识算法、多新息最小二乘辨识算法,以及模型分解的辨识算法,并给出了几个典型算法的计算步骤、流程图和计算量.     

具有随机扰动和混合时滞的两层异质网络的同步研究

在现实生活中,很多复杂的系统不是由单个网络来表示,而是由一组相互依赖的网络系统来表示的.本文研究了具有随机扰动和混合时滞的两层异质网络的对应节点的同步控制问题.基于随机微分时滞方程的LaSalle不变原理和Lyapunov稳定性理论,采用牵制控制方法,对部分节点实施控制,给出了实现同步的充分条件.为了降低反馈控制的增益,结合自适应控制的方法,进一步弱化了两层异质网络实现同步的条件.最后,通过数值仿真,验证了理论结果的有效性.     

The use of ensemble Kalman filter for the planning of adaptive observations

Observations are one of the main elements influencing the result of the data assimilation procedure in the models. The additional sources of observations such as the aircraft data have appeared recently. In view of this, the problem arose of receiving the additional observations to specify the result of the data assimilation procedure. The approaches are considered to the estimation of the areas of additional observations for the increase in the accuracy of analysis and forecast in the data assimilation procedure. A technique of observational network planning using the ensemble Kalman filter is proposed. The results are given of numerical experiments on the estimation of the algorithm properties using the model based on the barotropic quasi-geostrophic vortex equation.     

基于雨声识别的雨量测量方法

针对传统雨量测量耗时长,维护不方便的问题,本文在分析声信号识别技术的基础上,提出了基于雨声识别的雨量测量方法,模拟人耳听觉中对频域划定的非线性性和对同一频率群声信号作叠加评价的机理,将傅里叶变换后的能量谱通过梅尔(Mel)滤波器,提取雨声的梅尔频率倒谱系数(MFCC)作为雨声信号的特征向量。在此基础上,构建一个三层BP神经网络,将归一化后的样本数据用于神经网络训练,最后将测试样本用于对雨量的识别。试验结果表明,在少量样本训练的基础上神经网络即能有效识别雨量大小,为声信号识别技术应用于更为精准的雨量测量提供了理论依据。     

基于神经网络B—P算法的雹云识别模型及其效果检验

本文根据成都、内江和泸州等地的雷达回波和部分探空资料，应用神经网络Ｂ－Ｐ算法建立了不同地区的３参数和４参数雹云识别模型，并对模型进行了分析和效果检验。结果表明：该模型不仅能得到较高的拟合率和预报准确率，而且由于Ｂ－Ｐ网络具有自组织，自学习和自适应的能力，与其它方法相比具有一定的优越性。     

基于ANOVA和BP神经网络的最优肌电信号测量位置选择

基于肌电信号的手部动作识别中,肌电信号测量位置的选择直接关系到动作识别的准确率.本文以使用最少的肌电传感器和获得较高的动作识别率为目标,提出一种基于ANOVA （方差分析）和BP神经网络的肌电信号测量位置优选方法.使用4个肌电传感器采集受试者做出指定动作时的肌电信号,提取肌电信号的时域特征,并按测量位置组合构成15个不同的样本进行BP神经网络的训练和测试.采用单因素ANOVA分析测量位置对动作识别结果影响的显著性,采用Tukey HSD将测量位置进行归类,并从动作识别率最高的子集中选择测量位置最少但识别准确率最高的测量位置组合作为最优的肌电信号测量位置.实验结果表明,测量位置对动作识别的结果具有显著的影响,随着测量位置数的增加,动作识别准确率呈上升趋势,最优的测量位置组合为P1+P3+P4,其动作识别准确率为94.6%.     

BP神经网络在图像字符识别中的改进和应用

传统BP神经网络算法虽然具有良好的学习能力和容错能力,但是收敛速度慢,易陷入局部极小点等缺点制约了它的进一步发展和应用.针对这些不足,采用自适应学习率结合附加动量因子的方法可以有效缩短训练时间,加快收敛速度,同时抑制寻优算法陷入局部极小点.将该算法应用于图像字符识别系统中,通过一系列实验优化系统参数之后给出系统识别结果,表明该系统识别具有较高的准确性和鲁棒性.     

集值系统的辨识、控制及应用

本文总结了近年来关于集值系统的研究工作:在辨识方面,从不同的系统结构、不同的噪声情况和不同的集值情形等方面进行了深入的研究,针对性地提出了参数解耦、比例满秩输入设计、联合可辨识、经验分布函数、递推投影辨识等有效的辨识方法,得到了一系列重要结果;在适应控制方面,都实现了一类集值增益系统的适应跟踪控制;在同步控制方面,提出了双时间尺度同步算法和递推投影同步算法,实现了二值量测下的多个体同步控制;在应用方面,分别将集值辨识应用到复杂疾病建模和雷达目标识别问题中,构造了新的、更为有效的统计验证方法,在低信噪比下将识别率提高了10%.     

A data assimilation technique based on the π-algorithm

A practical implementation of the data assimilation algorithm based on the Kalman filter in its complete formulation is impossible due to high dimension of the associated equation sets and to nonlinearity of the predicted processes. The main direction in the implementation of the Kalman filter is an ensemble approach. Under the assumption of ergodicity of random forecast errors, an alternative algorithm with respect to the ensemble Kalman filter can be considered, in which probability averaging is replaced by time averaging. The proposes algorithm is based this assumption. The algorithm is easy to implement; however, its convergence, applicability to the data assimilation problems, and connection to the Kalman filter have not been studied. In the paper, applicability of the π-algorithm to data assimilation is considered on an example of a simple one-dimensional advection equation. Use of this simple equation allows comparing the classical Kalman filter algorithm with various practical approaches to its implementation.     

Nonlinear measurement function in the ensemble Kalman filter

ABSTRACT The optimal Kalman gain was analyzed in a rigorous statistical framework. Emphasis was placed on a comprehensive understanding and interpretation of the current algorithm, especially when the measurement function is nonlinear. It is argued that when the measurement function is nonlinear, the current ensemble Kalman Filter algorithm seems to contain implicit assumptions： the forecast of the measurement function is unbiased or the nonlinear measurement function is linearized. While the forecast of the model state is assumed to be unbiased, the two assumptions are actually equivalent. On the above basis, we present two modified Kalman gain algorithms. Compared to the current Kalman gain algorithm, the modified ones remove the above assumptions, thereby leading to smaller estimated errors. This outcome was confirmed experimentally, in which we used the simple Lorenz 3-component model as the test-bed. It was found that in such a simple nonlinear dynamical system, the modified Kalman gain can perform better than the current one. However, the application of the modified schemes to realistic models involving nonlinear measurement functions needs to be further investigated.     

集合卡尔曼平滑和集合卡尔曼滤波在污染源反演中的应用

此文目的是讨论污染源反演问题的统计方法.基于Bayes估计理论,该文将资料同化中的集合平滑、集合卡尔曼平滑和集合卡尔曼滤波应用在污染源反演问题中.在详细给出污染源反演的集合平滑、集合卡尔曼平滑和集合卡尔曼滤波的严格数学表达后,用一个简单的模型演示了集合卡尔曼平滑和集合卡尔曼滤波在污染源反演中的可行性,并且通过对比理想试验结果比较了集合卡尔曼平滑和集合卡尔曼滤波方法在反演污染源排放的效果,讨论了观测误差和污染源先验误差估计对反演结果的影响.试验结果表明在观测间隔小和观测误差小的情况下,集合卡尔曼滤波和集合卡尔曼平滑都可以有效地反演出随时间变化的污染源排放.当观测误差增大时,集合卡尔曼滤波和集合卡尔曼平滑的反演效果都有一定降低,但是反演误差的增加少于观测误差的增加,同时集合卡尔曼平滑(Ensemble Kalman smoother,简称EnKS)对观测误差比集合卡尔曼滤波(Ensemble Kalman filter,简称EnKF)更为敏感.当观测时间间隔较大时,EnKF不能对没有观测时的污染源排放进行估计,仅能对有观测时的污染源排放进行较好的反演.而EnKS可以利用观测对观测时刻前的污染源排放进行反演,因此其效果明显好于EnKF,并且在观测时间间隔较大的情况下依然可以较好地反演出污染源排放.试验结果还显示污染源排放的先验误差估计对反演的结果有较大影响.