自适应状态和参数的联合估计新方法

提出了一种有效的自适应状态和参数的联合估计方法，应用状态空间方法和现代时间序列分析方法，基于白噪声滤波器和输出预报器，给出了线性离散定常系统自适应最倨状态和偏差联合估计方法，仿真例子说明了新方法的有效性。     

多算法结合的汽车参数和状态估计方法研究

为实时准确获取汽车参数及状态信息以提高汽车主动安全性能,提出了一种多算法结合的自适应估计算法。该算法将递推最小二乘算法、蚁群优化算法及容积卡尔曼滤波算法进行有效结合,同时将含有不准确模型参数及未知时变噪声的三自由度非线性整车模型作为标称模型。采用递推最小二乘算法实时估计汽车参数,引入蚁群优化算法实时跟踪容积卡尔曼滤波器的过程噪声及量测噪声,根据目标函数对噪声协方差进行寻优,以解决系统的噪声时变问题,从而获取汽车状态的准确估计。基于CarSim/Simulink的仿真实验结果表明,该算法的状态估计精度高,且具备汽车模型参数校正能力,可以满足系统的控制需要。     

状态和参数联合估计方法及其在飞行试验中的应用

本文提出了一种有效的状态和参数的联合估计方法.针对参数估计结果有偏或发散的问题,本文给出了一种参数向量可控性模型,并由此模型得到了噪声相关的一种状态和参数的估计方法.运用状态和参数联合估计的新方法进行飞行状态和测量仪器的误差估计,仿真和实际飞行数据处理的结果表明;本文提出的方法可以给出飞行状态和仪器误差估计的满意结果,比普通推广Kalman滤波方法更有效.     

非线性时变随机系统状态及参数的实时联合估计

在文[1]中,我们给出了一种用于一类非线性时变随机系统的带次优渐消因子的扩展卡尔曼滤波器,可以估计出快速变化的系统状态.本文推广了文[1]的结果,使其可处理一般的非线性测量.同时,给出了一种状态及参数的联合估计方法.所做大量仿真研究表明,本文方法具有良好的实时性及动态跟踪性.     

故障系统的状态估计

本文讨论故障系统的状态估计问题.文中给出了在故障检测滤波器误差方程基础上,利用未知输入观测器或逆系统算法,根据输出误差估计状态误差,从而得到故障系统状态的估计方法.文中还给出了一个数字仿真例子.     

非线性离散系统偏倚辨识和状态估计的一种自适应算法

本文对带有色系统噪声的非线性离散随机系统的偏倚辨识和状态估计,提出了一种新算法,通过适时地修正系统噪声和量测噪声的均值和协方差来提高估计精度,并可加快偏倚辨识的收敛速度。仿真结果表明,本文提出的算法是有效的。     

城市供水管网系统的快速状态估计及错误参数的识别和纠正

本文提出了城市供水系统的快速状态估计方法;研究了对错误参数的识别、纠正方法;并针对具有较大误差的错误参数,提出了一种考虑天气因素、节假日因素的伪量测产生方法。所有方法都利用计算机进行了仿真计算,获得了满意的结果。     

离散Lipschitz非线性系统状态和未知输入估计

针对含有未知输入和可测噪声的离散Lipschitz非线性系统,研究了状态估计、未知输入以及可测噪声同时估计的问题.首先,对含有未知输入的系统,设计了比例积分观测器,达到同时估计系统状态和未知输入之目的.分析了残差系统的观测性和稳定性,利用H_∞实现该观测器对时变未知输入的有效估计;其次,将观测器增益矩阵的求解转化为求解线性矩阵不等式的形式;进一步地,基于系统状态扩展方法,将所提方法推广至同时含有未知输入和可测噪声的系统;最后,通过两个仿真算例说明了所提方法的正确性和有效性.     

量子系统中状态估计方法的综述

从广泛用于实验量子领域的典型状态估计方法,到基于系统论观点、可用于量子反馈控制的状态估计方法,详细综述了4种测量方式下的相应量子状态估计方法及其适用背景.通过其发展历程的叙述,从本质上阐述了估计的基本原理,从技术上对各种方法进行了相应的分析和比较.同时,对量子状态估计和经典状态估计进行了相应的比较,并对量子系统中的状态估计方法作了总结.     

基于全新等效电路模型的电池关键状态在线联合估计器

针对电池三大关键状态(State of Charge–SOC、State of Health-SOH、State of Power-SOP)之间相互耦合的关系,同时考虑到其估计精度受到电池时变的内部参数等因素影响的问题,提出一种基于自回归等效电路模型(autoregression equivalent circuit model, AR-ECM)的电池关键状态在线联合估计算法.该方法提出基于AR模型的全新电池ECM,给出同时表征SOC、SOH和电池内部压降的状态空间方程以及区别化参数更新策略.在此基础上,考虑状态方程容易发生不正定的问题,提出采用平方根无迹卡尔曼滤波(square root unscent kalman filter, SR-UKF)算法实现电池状态的联合估计.该算法的优势在于真正实现了电池关键状态以及ECM参数的联合估计,更符合实际工程应用需求.仿真验证表明,在噪声干扰环境下,该联合估计器能够得到较高的精确度和稳定性.     

数据备份系统的关键参数估计

为避免数据备份系统建设的盲目性,要在建设前期,根据系统工作特点,对存储容量、备份窗口、读写能力等关键参数进行研究分析。从最简单、理想的系统构建出发建立数学模型,通过实例进行量化分析。考虑网络、操作系统、机械设备、不可预计因素等对备份过程的影响,在模型中加入修正参数,估算出和实际需求相吻合的参数值,服务于系统构建和策略优化。     

线性多变量系统的联合辨识算法

本文提出了同时估计线性多变量系统所有参数的联合辨识算法(CIA),并用随机过程理论分析了算法的收敛性。与子系统辨识算法(SSIA)相比,CIA的计算量要小得多。各输出间存在相互作用噪声时的辨识问题通过使用递推广义增广最小二乘法(RGELA)得到解决。数字仿真结果表明了CIA的有效性。     

卫星网联合定轨的多结构非线性参数建模及精度仿真

基于双星定位系统的多近地卫星的联合定轨,实际上属于多结构多参数非线性回归模型及其参数估计方法研究的范畴.据此建立了基于双星定位系统的近地卫星网联合定轨的多结构非线性回归模型,通过引入加权因子讨论定轨模型的加权与参数估计问题,设计了卫星网联合定轨的多结构非线性回归模型的最优加权算法,并进行了两类仿真实验.仿真计算结果表明...     

Sequential Estimation of the Parameters of Regression Model

Modified Gauss and Gram–Schmidt methods are proposed for recursive estimation of the parameters of sequentially complicated structures of regression models in observation-based simulation. Run times of these algorithms are compared with those of the recursive algorithm based on the well-known bordering method. __________ Translated from Kibernetika i Sistemnyi Analiz, No. 4, pp. 184–187, July–August 2005.     

基于EM算法的混合模型的参数估计

介绍了极大似然参数估计，然后介绍了混合模型极大似然参数估计的EM算法实现，最后利用计算机仿真实验验证了此算法的有效性和收敛性．     

一种新的非线性回归模型参数估计算法

提出一种新的基于混合基因算法（HGA）的非线性回归模型参数估计算法,新算法通过对问题的解空间交替进行全局和局部搜索,达到快速收敛至全局最优解,较好地解决了传统算法通用性差、易陷入局部极小的问题,实验验证了算法的通用性和有效性。     

Parameter Estimation in Stochastic Logic Programs

Stochastic logic programs (SLPs) are logic programs with parameterised clauses which define a log-linear distribution over refutations of goals. The log-linear distribution provides, by marginalisation, a distribution over variable bindings, allowing SLPs to compactly represent quite complex distributions.We analyse the fundamental statistical properties of SLPs addressing issues concerning infinite derivations, 'unnormalised SLPs and impure SLPs. After detailing existing approaches to parameter estimation for log-linear models and their application to SLPs, we present a new algorithm called failure-adjusted maximisation (FAM). FAM is an instance of the EM algorithm that applies specifically to normalised SLPs and provides a closed-form for computing parameter updates within an iterative maximisation approach. We empirically show that FAM works on some small examples and discuss methods for applying it to bigger problems.