基于强跟踪滤波器的非线性系统参数辨识方法
一种非线性参数识别的实用方法
一种非线性参数识别的实用方法
黄蔚;刘迎曦
【期刊名称】《工程力学》
【年(卷),期】2001()A01
【摘要】对非线性参数用梯度正则化方法反演进行了进一步研究。
借鉴模型信赖
域的思想,给出了确定正则因子的具体办法,并建立了算法的迭代过程。
以识别四边简支矩形板荷载的作用点为例,阐明了该方法的应用。
算例结果表明迭代过程收敛速度较快,精度高,且稳定性好,具有较强的抗噪音能力。
【总页数】5页(P293-297)
【关键词】非线性反演;薄板;参数识别
【作者】黄蔚;刘迎曦
【作者单位】温州大学建筑与土木工程学院,温州325027;大连理工大学力学系,大连110062
【正文语种】中文
【中图分类】O343.1
【相关文献】
1.一种基于离散变分原理的非线性动力系统参数识别方法 [J], 刘正山;吴志刚
2.非线性系统参数识别的一种频域方法 [J], 唐驾时
3.局部非线性刚度阻尼系统参数识别的一种新方法 [J], 王勇;周明刚;黄其柏;胡溧
4.一种基于小生境遗传算法的迟滞非线性系统参数识别方法 [J], 曾威;于德介
5.由自由振动响应识别非线性系统参数的一种方法 [J], 唐驾时;霍拳忠
因版权原因,仅展示原文概要,查看原文内容请购买。
非线性系统系统辨识与控制研究
非线性系统系统辨识与控制研究引言:非线性系统是指系统在其输入与输出之间的关系不符合线性关系的系统。
这种系统具有复杂的动态行为和非线性特性,使得其辨识与控制变得非常具有挑战性。
然而,非线性系统在现实生活中的应用非常广泛,例如电力系统、机械系统和生物系统等。
因此,对非线性系统的系统辨识与控制研究具有重要意义。
一、非线性系统辨识方法研究1. 仿射变换法仿射变换法是一种常用的非线性系统辨识方法之一。
它通过将非线性系统进行仿射变换,将其转化为线性系统的形式,从而利用线性系统辨识的方法进行处理。
该方法适用于具有输入输出非线性关系的系统,但对于参数模型的选择和计算量较大的问题需要进一步研究。
2. 基于神经网络的方法神经网络作为一种强大的表达非线性关系的工具,被广泛应用于非线性系统辨识。
基于神经网络的方法可以通过训练神经网络模型,从大量的输入输出数据中学习非线性系统的映射关系。
该方法的优点是可以逼近任意非线性函数,但对于网络结构的选择和训练过程中的收敛性等问题还需深入研究。
3. 基于系统辨识方法的非线性系统辨识传统的系统辨识方法主要适用于线性系统的辨识,但其在非线性系统辨识中也有应用的价值。
通过对非线性系统进行线性化处理,可以将其转化为线性系统的辨识问题。
同时,利用最小二乘法、频域法等常用的系统辨识方法对线性化后的系统进行辨识。
这种方法的优势在于利用了线性系统辨识的经验和技术,但对于线性化的准确性和辨识结果的合理性需要进行评估。
二、非线性系统控制方法研究1. 反馈线性化控制反馈线性化是一种常用的非线性系统控制方法。
该方法通过在非线性系统中引入反馈控制器,将非线性系统转化为可控性的线性系统。
然后,利用线性系统控制方法设计控制器,并通过反馈线性化控制策略实现对非线性系统的控制。
该方法的优点在于简化了非线性系统控制的设计和分析过程,但对于系统的稳定性和性能等问题还需要进行进一步的研究。
2. 自适应控制自适应控制是一种针对非线性系统的适应性控制方法。
基于强跟踪滤波器的模拟电路故障在线诊断方法
基于强跟踪滤波器的模拟电路故障在线诊断方法
李雄杰;周东华
【期刊名称】《电工技术学报》
【年(卷),期】2007(022)005
【摘要】基于强跟踪滤波理论,给出了模拟电路故障实时诊断的一种新方法.该方法以建立模拟电路状态空间模型为基础,利用强跟踪滤波器对电路状态及元件参数进行估计,当元件参数发生软、硬型故障时,根据强跟踪滤波器对元件参数的跟踪结果及修正的Bayes分类算法,可实时诊断模拟电路中的元件故障.此外,该方法对于元件容差引起的故障诊断模型的不确定性具有较强的鲁棒性,对非线性电路的故障诊断也非常适用.实验结果证明了该方法的有效性.
【总页数】5页(P13-17)
【作者】李雄杰;周东华
【作者单位】清华大学自动化系,北京,100084;浙江工商职业技术学院机电工程系,宁波,315012;清华大学自动化系,北京,100084
【正文语种】中文
【中图分类】TP206
【相关文献】
1.基于圆故障模型的模拟电路故障诊断方法 [J], 熊建
2.基于故障测试相关矩阵与支持向量机的模拟电路软故障诊断方法 [J], 郑博恺;邓杰;张开新;孙祺森;王璐;翟国富;
3.基于强跟踪滤波器的在线故障诊断方法 [J], 于百胜;黄文虎
4.基于故障测试相关矩阵与支持向量机的模拟电路软故障诊断方法 [J], 郑博恺;邓杰;张开新;孙祺森;王璐;翟国富
5.模拟电路故障诊断方法在线性网络中的应用 [J], 李茂泉
因版权原因,仅展示原文概要,查看原文内容请购买。
基于非线性滤波算法的目标跟踪技术比较研究
基于非线性滤波算法的目标跟踪技术比较研究葛田;陶庆【摘要】with the progress of science and technology, target location and tracking algorithm has been widely used in wireless, aviation, navigation and other fields, such as automotive active safety, mobile phone positioning technology and so on. Common target tracking technology is actually based on monitoring equipment positioning prediction process. However, due to the fact that the trajectory of the target is not controlled, the traditional filtering algorithm can not get accurate results. So tracking technology in recent years began to study the filtering tracking in nonlinear systems, such as extended Kalman filter, particle filter algorithm, etc.. In this paper, the latest research progress of tracking filtering technology is studied, and the filtering model of the nonlinear filtering algorithm in complex environment is studied.%随着科技的进步,目标定位与跟踪算法已经广泛的应用于无线、航空、航海等领域,诸如汽车主动安全、手机定位技术等等。
基于多渐消因子强跟踪SRUKF的故障参数辨识
基于多渐消因子强跟踪SRUKF的故障参数辨识贾小刚【摘要】To solve the problem of nonlinear system fault parameter estimation,the multiple fading factors strong tracking square root unscented Kalman filter(MST⁃SRUKF)algorithm is proposed. The multiple fading factors are introduced into covari⁃ance matrix square root by means of MST⁃SRUKF. Then the fading factor computational formula suitable for square root unscent⁃ed Kalman filter(SRUKF)is deduced to adjust the gain matrix in SRUKF in real time to ensure filter accuracy when the model has big error or changes abruptly. The experiment result shows that,compared with SRUKF and strong tracking unscented Kal⁃manfilter(STUKF),the MST⁃SRUKF has higher estimation accuracy of fault parameter.%为了解决非线性系统中故障参数估计问题,提出多重渐消因子强跟踪平方根无迹卡尔曼滤波(MST⁃SRUKF)算法。
MST⁃SRUKF将多重渐消因子引入到协方差矩阵平方根中,推导适用于平方根无迹卡尔曼滤波(SRUKF)的渐消因子计算公式,从而实时调整SRUKF中的增益矩阵,保证其对模型存在较大误差或者突变情况下的滤波精度。
一种新型的非线性系统模型参数辨识方法
一种新型的非线性系统模型参数辨识方法耿永刚【摘要】针对传统模型参数辨识方法和遗传算法用于模型参数辨识时的缺点,提出了一种基于微粒群优化(PSO)算法的模型参数辨识方法,利用PSO算法强大的优化能力,通过对算法的改进,将过程模型的每个参数作为微粒群体中的一个微粒,利用微粒群体在参数空间进行高效并行的搜索来获得过程模型的最佳参数值,可有效提高参数辨识的精度和效率.【期刊名称】《微型机与应用》【年(卷),期】2010(029)017【总页数】4页(P74-76,80)【关键词】微粒群算法;非线性系统;参数辨识【作者】耿永刚【作者单位】常州机电职业技术学院,江苏,常州,213164【正文语种】中文【中图分类】TP18非线性模型参数估计是控制领域研究的重要问题。
目前已有许多成熟的系统辨识和参数估计方法,如最小二乘法[1]、极大似然估计法[2]、神经网络用于参数辨识法[3]、遗传算法[4-5]等。
但是最小二乘法和极大似然估计法都是基于过程梯度信息的辨识方法,其前提是可微的代价函数、性能指标和平滑的搜索空间。
但在实际应用中,由于获得的数据含有噪声或所辨识的系统非连续,使得这一条件难以满足;利用神经网络进行系统参数辨识虽然具有以任意精度逼近非线性函数的能力,但是在实际应用中,只有选择了合适的网络结构,才能获得好的结果,但选择合适的网络结构往往是非常困难的;利用遗传算法特有的复制、交叉和变异功能以及群体寻优的方式来克服陷入局部最优解,可获得较好的模型参数估计,但是遗传算法需涉及到繁琐的编码、解码过程以及较大的计算量,而且整个种群是比较均匀地向最优解区域移动,因此其搜索效率不高。
由Kennedy等人提出的微粒群(PSO)算法[6-13]是一种有效的随机全局优化技术,已经被证明是一种很好的优化方法。
PSO算法对优化目标函数形式没有特殊要求,而且没有遗传算法中的交叉、变异算子,各个算子根据自己的速度来搜索,整个搜索过程跟随当前最优解进行。
基于强跟踪滤波器的改进非线性自适应观测器
基于强跟踪滤波器的改进非线性自适应观测器
柯晶;乔谊正;钱积新
【期刊名称】《系统工程与电子技术》
【年(卷),期】2005(027)001
【摘要】对基于强跟踪滤波器的非线性自适应观测器(nonlinear adaptive observer,NAO)的收敛性进行了分析,给出了NAO局部渐近收敛的充分条件.提出了一种改进非线性自适应观测器(modified nonlinear adaptive observer,MNAO)算法.MNAO在具有强跟踪特性的同时对输出测量中的坏数据有较强的鲁棒性.为了降低对初始误差的敏感性,采用一种强跟踪扩展卡尔曼观测器算法启动MNAO.数值仿真示例显示了本方法的有效性.
【总页数】4页(P111-114)
【作者】柯晶;乔谊正;钱积新
【作者单位】山东大学控制科学与工程学院,山东,济南,250061;山东大学控制科学与工程学院,山东,济南,250061;浙江大学系统工程研究所,浙江,杭州,310027
【正文语种】中文
【中图分类】O231.2
【相关文献】
1.改进非线性干扰观测器的机械臂自适应反演滑模控制 [J], 邹思凡;吴国庆;茅靖峰;朱维南;王玉荣;王健
2.一类随机系统基于自适应非线性干扰观测器的抗干扰控制 [J], 李新青; 魏新江
3.基于自适应模糊控制器和非线性扰动观测器的永磁直线同步电机反馈线性化控制[J], 赵希梅;王浩林;朱文彬
4.基于观测器的非严格反馈时滞非线性系统的神经网络自适应控制 [J], 刘祥;童东兵;陈巧玉
5.基于自适应神经网络观测器的气垫船非线性系统的非奇异超扭曲终端滑模控制器设计 [J], Hamede Karami;Reza Ghasemi
因版权原因,仅展示原文概要,查看原文内容请购买。
强跟踪滤波理论在非线性飞控中的应用
强跟踪滤波理论在非线性飞控中的应用
童春霞;张天桥
【期刊名称】《计算机仿真》
【年(卷),期】2004(21)8
【摘要】针对非线性系统的滤波问题,无法使用Kalman滤波器,扩展的Kalman滤波器虽能应用于非线性系统,但给出的是状态的有偏估计,并且对模型误差的鲁棒性较差.为了给出更好的参数估计值,该文将介绍一种强跟踪滤波器.强跟踪滤波器由扩展的Kalman滤波器改造而来.设计强跟踪滤波的思想是:使得残差序列在每一步相互正交,提取残差序列中所有有用的信息,用作对现时刻系统状态的估计.该文采用该滤波方法为某机动飞机控制设计了滤波器,最后对该机动飞机控制系统进行了滤波仿真研究.仿真结果表明,所设计的滤波方法对非线性系统具有良好的滤波功能.【总页数】3页(P17-19)
【作者】童春霞;张天桥
【作者单位】北京理工大学机电工程学院,北京,100081;北京理工大学机电工程学院,北京,100081
【正文语种】中文
【中图分类】V249.122
【相关文献】
1.非线性动态逆控制在高超飞控系统中的应用 [J], 刘燕斌;陆宇平
2.非线性系统解耦控制理论在飞控中的应用 [J], 段富海;韩崇昭
3.非线性自适应控制在无尾飞控系统中的应用 [J], 刘燕斌;陆宇平
4.非线性解耦控制理论在飞控系统设计中的应用研究 [J], 李季陆;方振平
5.BACKSTEPPING控制理论及在非线性飞控系统中的应用 [J], 刘松良;朱铁夫;郁万鹏
因版权原因,仅展示原文概要,查看原文内容请购买。
基于强跟踪滤波器的在线故障诊断方法
基于强跟踪滤波器的在线故障诊断方法
于百胜;黄文虎
【期刊名称】《振动、测试与诊断》
【年(卷),期】2003(023)004
【摘要】为了能在线诊断非线性系统故障,介绍了一种基于参数估计为主的强跟踪滤波器方法.由于该方法可得到比较准确的非线性系统状态与参数估计,系统的状态与参数可以得到辨识,因此该方法是一种很有效的在线故障检测与诊断方式.仿真实例也证实了该方法的有效性.
【总页数】4页(P260-263)
【作者】于百胜;黄文虎
【作者单位】东北大学自动化研究中心,沈阳,110004;哈尔滨工业大学航天学院,哈尔滨,150001
【正文语种】中文
【中图分类】TP277;V434.3
【相关文献】
1.基于强跟踪滤波器的输电线路单端故障测距新方法 [J], 徐子华;王艳松
2.基于强跟踪滤波器的目标运动参数估计方法研究 [J], 方晓旻;肖圣龙
3.基于强跟踪滤波器的视频跟踪方法 [J], 赵中车;姜波
4.基于强跟踪滤波器的SINS大失准角初始对准新方法 [J], 彭卓;张嵘;郭美凤;刘刚;罗寿红
5.基于改进强跟踪滤波器的UWB/AHRS紧组合定位方法 [J], 郑戍华;鲁东原;王向周;刘澎
因版权原因,仅展示原文概要,查看原文内容请购买。
基于非线性滤波算法的目标跟踪技术比较研究
G eT i a n &T a oQi n g
Ab s t r a c t :wi t h he t p r o g r e s s o f s c i e n c e a n d t e c h n o l o g y ,t a r g e t l o c a t i o n a n d t r a c k i n g a l g o it r h m h a s b e e n wi d e l y u s e d i n
作者 简 介 :葛田 ( 1 9 8 4 一) ,女 ,安徽 芜湖人 ,硕 士,研 究方向为计 算机应用技术
基 金 项 目: 2 0 1 5 年 度 芜 湖 职 业技 术 学 院校 级 科 研 立 项 项 目 ( Wz y z r 2 0 1 5 0 6) ;2 0 1 4 年度 安徽 省 质 量 工程 项 目 ( 2 0 1 4 z y 0 9 0) ;2 0 1 2 年度安徽省质量工程教研项 目 ( 2 0 1 2 j y x m6 4 5 )
a c c u r a t e r e s u l t s . S o t r a c k i n g t e c h n o l o g y i n r e c e n t y e a r s b e g a n t o s t u d y he t i f l t e i r n g ra t c k i n g i n n o n l i n e a r s y s t e ms , s u c h a s e x t e n d e d Ka l ma n i f l t e r ,p a r t i c l e i f l t e r a l g o r i t h m,e t c . .I n hi t s p a p e r ,t he l a t e s t r e s e a r c h p r o re g s s o f t r a c k i n g i f l t e in r g t e c h n o l o g y i s s ud t i e d , nd a he t i f l t e in r g mo d e l o f he t n o n l i n e r a i f l t e in r g a l g o it r h m i n c o mp l e x e n v i r o n me n t i s s t u d i e d .
基于强跟踪滤波器的多传感器非线性动态系统状态与参数联合估计
数联 合 估 计 新 算 法 ; 拥 有 相 同 采 样 率 的 分 布 式 多 传 感 器 单 模 型 非 线 性 动 态 系 统 , 用 强 跟 踪 滤 波 器 , 到 目标 状 态 对 应 得 基 于 全 局 信 息 融 合 估 计 结 果 , 利 用 计 算 机 仿 真 结 果 对 算 法 的 有 效 性 进 行 了验 证 ; 些 工 作 初 步 解 决 了 K l a 波 并 这 am n滤 中 由 于 模 型 的 不 确 定 性 而 造 成 估 计 误 差 值 偏 大 情 况 下 的状 态 融 合 估 计 问 题 , 而 丰 富 和 发 展 了多 源 信 息 融 合 理 论 . 从 关 键 词 : 强 跟 踪 滤 波 器 ;融 合 估 计 ; 渐 消 因 子 ; 动 态 系 统 ;K l a 波 a n滤 m 中图分类 号 : T 91 2 N 1 .7 文 献标识码 : A 文 章 编 号 : 0 7—12 (0 2 111—3 322 1 2 0 )1-750
e r si t n ag r h o lt e s rb s d o t n rc n l ri po o e . o e mnt e s ra d s ge mo e o l e rd — t t e e mai lo tm fmni n o a e n s o g t k g f t r p s d F rt li n o n i l d l n i a y o i s r ai ie s h s n n n n m c s s msh vn e s me smpe rt o v r e s r t e fso si t o e b ss o lb lifr t n b s fs o g a i y t a ig t a a l ae fr e e s n o , u in e t e h s y h mae n t a i fgo a n omai y u e o t n h o r t c n l ri e t l h d, n e e e t e es o e n w ag rh i as l s a e y u e o x mp e T e e sv r r r k g f t sa i e a d t f ci n s ft e o tm sl o i u t t b s fa e a l . h s ie a p ma y ai ie s bs h v h l i l r d n i s lt n t e fso t t n p be h vn ig r ro sp o u e y K l n f trb c u e o eti t fm d l g s s m . ou o t u i n e i i r lm a i g bg e r r rd c b ama de e a s ft r ni o o ei y t i oh s ma o o e d mc a e s n e T i wok e r h d d v lp e i oma o u in te r . hs r n i e a e eo s t r t n fso o y cs n h n f i h
基于强跟踪滤波器的改进非线性自适应观测器
2005年1月第27卷 第1期系统工程与电子技术Systems Engineering and ElectronicsJan.2005Vol 27 No 1收稿日期:2003-10-25;修回日期:2004-05-18。
作者简介:柯晶(1971-),男,讲师,博士,主要研究方向为系统建模与优化,机器学习,随机系统的滤波与控制。
文章编号:1001 506X(2005)01 0111 04基于强跟踪滤波器的改进非线性自适应观测器柯 晶1,乔谊正1,钱积新2(1 山东大学控制科学与工程学院,山东济南250061;2 浙江大学系统工程研究所,浙江杭州310027)摘 要:对基于强跟踪滤波器的非线性自适应观测器(nonlinear adaptive observer,NAO)的收敛性进行了分析,给出了NAO 局部渐近收敛的充分条件。
提出了一种改进非线性自适应观测器(modified nonlinear adapti ve observer,MNAO)算法。
MNAO 在具有强跟踪特性的同时对输出测量中的坏数据有较强的鲁棒性。
为了降低对初始误差的敏感性,采用一种强跟踪扩展卡尔曼观测器算法启动MNAO 。
数值仿真示例显示了本方法的有效性。
关键词:非线性观测器;扩展卡尔曼滤波器;强跟踪滤波器;自适应观测器中图分类号:O231.2 文献标识码:AModified nonlinear adaptive observer based on strong tracking filterKE Jing 1,QIAO Yi zheng 1,QI AN Ji xin 2(1.School o f Control Science and Engineering,Shan dong Unive rsity ,Jinan 250061,China;2.Institu te of Systems Enginee rin g ,Zhe j iang University ,H ang z hou 310027,China)Abstract:Converge nce of the strong trac king filter based nonlinear adaptive observer (NAO)is analyzed and sufficient conditions for local asymptotic conve rgence of NAO are established.A modified nonlinear adaptive observer (MNAO)is proposed.MNAO is robustn to bad da ta in output measure ments beside s its strong tracking properties.To reduce the sensitivity to the initial e rror,MNAO is initialized by a strong tracking e xtendedKalman observer algorithm.Numeric al simulation example reveals the effec tiveness of the method.Key words:nonlinear obse rve r;extended Kalman filte r;strong tracking filter;adaptive observer1 引 言由于大多数实际系统是由非线性数学模型描述的,非线性系统的状态观测器设计问题一直受到研究者的重视[1~3]。
非线性控制系统的参数辨识方法研究
非线性控制系统的参数辨识方法研究概述非线性控制系统的参数辨识是实现系统准确控制的重要步骤之一。
参数辨识方法通过对系统进行实验观测,识别出系统的参数,从而建立准确的控制模型。
在非线性控制系统中,系统的动态行为和稳态特性通常由一系列非线性参数来描述,这使得系统辨识变得更加具有挑战性。
本文将介绍几种常见的非线性控制系统参数辨识方法。
1. 系统辨识的基本原理系统辨识旨在通过观测系统的输入和输出数据来估计系统的模型参数。
一个非线性控制系统通常由状态方程、输出方程和非线性函数构成,其中非线性函数描述系统的非线性特性。
参数辨识的目标是确定非线性函数中的参数,从而实现对非线性控制系统的准确控制。
2. 非线性系统的参数辨识方法2.1 线性化方法线性化方法是一种常见且有效的非线性系统参数辨识方法。
该方法基于系统的局部线性化模型,通过将非线性系统近似为线性系统来进行参数辨识。
线性化方法的核心思想是在每个工作点处对非线性系统进行线性化,然后利用线性系统参数辨识的方法进行求解。
但是,这种方法要求系统在工作点附近具有较小的变化范围,对于具有大幅度非线性的系统可能会导致辨识结果的不准确。
2.2 非线性最小二乘法非线性最小二乘法是一种广泛使用的非线性系统参数辨识方法。
该方法通过最小化测量数据与非线性模型方程之间的误差平方和,来确定最优参数值。
非线性最小二乘法可以通过迭代优化算法进行求解,例如Levenberg-Marquardt算法。
这种方法对于具有各种非线性特性的系统辨识较为适用,但计算复杂度较高。
2.3 支持向量机方法支持向量机(SVM)方法是一种基于统计学习理论的非线性系统参数辨识方法。
该方法通过构建分类决策函数,将参数辨识问题转化为一个最优化问题。
支持向量机方法通过构建核函数将非线性系统映射到高维空间,从而实现对非线性系统的参数辨识。
SVM方法具有较好的辨识性能和鲁棒性,适用于复杂的非线性系统。
2.4 非线性滤波方法非线性滤波方法是一种将滤波技术与参数辨识相结合的方法。
基于模型的故障诊断方法研究
基于模型的故障诊断方法研究门吉芳;潘宏侠【摘要】目前,对非线性动态系统故障诊断的研究越来越深入,产生了多种新方法和新理论.文章介绍了非线性动态系统故障诊断方法之后,还分析了对故障诊断技术有待解决的问题和发展趋势.【期刊名称】《机械管理开发》【年(卷),期】2010(025)004【总页数】2页(P67,69)【关键词】解析模型;粒子滤波;隐马尔科夫;强跟踪滤波器【作者】门吉芳;潘宏侠【作者单位】中北大学,机械工程与自动化学院,山西,太原,030051;中北大学,机械工程与自动化学院,山西,太原,030051【正文语种】中文【中图分类】TP206+.30 引言随着静态系统故障诊断技术研究的逐渐成熟,对动态系统的研究成为热门课题。
动态系统故障诊断技术涉及多方面的学科知识(现代控制理论,信号处理,模式识别,人工智能等数学物理方法的应用和发展)。
诊断是指采用各种测试分析手段和故障状态的识别方法来确定故障的性质、程度的一门学科[1]。
国际故障诊断权威德国的P.M.Frank教授认为[2],所有的故障诊断方法可划分为:基于解析模型的方法、基于信号处理的方法、基于知识的方法。
本文主要介绍基于模型的故障诊断方法。
1 基于解析模型的故障诊断方法基于解析模型的方法需要建立被诊断对象的较为精确的数学模型。
它可分为:状态估计方法、参数估计方法、等价空间方法。
这三种方法虽然是独立发展的,但是它们之间是有一定联系的。
1)状态估计方法的思想是:把通过状态观测器或滤波器的输出与实际系统的输出之间的差值,构成残差序列,再对残差进行分析处理,从而将故障检测出来。
2)参数估计方法是根据参数变化的统计特性,进行故障的检测和分离,不需要分析残差序列。
3)等价空间法是先建立系统的数学模型,再根据系统输入输出的实际测量值检验所建模型的等价性,从而对故障进行检测和诊断。
现已证明,等价空间法和基于观测器的状态估计法在结构上是等价的[3]。
基于解析模型的诊断技术发展最早,它在线性系统中的应用比较成熟,但是实际系统绝大多数是非线性的,因此深入研究非线性系统的故障诊断方法更有重要意义。
非线性控制系统的系统辨识方法综述
非线性控制系统的系统辨识方法综述摘要:系统辨识是一种从已知输入输出数据中估计出系统动力学模型的方法,用于非线性控制系统的设计和分析。
本文将综述非线性控制系统的系统辨识方法,包括参数辨识、状态辨识和混合辨识等。
首先介绍了参数辨识方法中的基本思想和常用算法,例如最小二乘法和极大似然法。
然后探讨了状态辨识方法中的系统辨识问题,包括基于最优控制理论的观测器设计和状态估计方法。
最后讨论了混合辨识方法在非线性控制系统中的应用以及其他相关研究领域的发展趋势。
1. 引言随着科技的不断发展,非线性控制系统的研究和应用越来越广泛。
而系统辨识作为非线性控制系统设计的关键环节之一,具有重要的理论和实际意义。
系统辨识可以通过从输入输出数据中估计出系统的数学模型,进而实现对系统的建模、分析和控制。
因此,非线性控制系统的系统辨识方法成为了一个研究热点。
2. 参数辨识方法参数辨识是一种从已知的输入输出数据中估计出系统参数的方法。
常用的参数辨识方法包括最小二乘法、极大似然法和频域分析法等。
其中,最小二乘法是一种常见的参数辨识方法,它通过最小化观测值与数学模型输出之间的差异来估计系统的参数。
极大似然法是另一种常见的参数辨识方法,它基于观测值的概率分布模型,通过最大化似然函数来估计系统的参数。
频域分析法则是通过对输入输出信号进行频谱分析,得到系统的频率特性,进而估计出系统的参数。
3. 状态辨识方法状态辨识是一种从已知的输入输出数据中估计出系统状态的方法,其基本思想是通过观测器设计和状态估计方法来实现。
观测器设计是一种通过补偿观测误差来估计系统状态的方法,其中常用的观测器设计方法包括最小二乘法、卡尔曼滤波器和无模型自适应控制等。
状态估计则是一种通过对系统动态方程进行求解,估计出系统状态的方法,常用的状态估计方法包括扩展卡尔曼滤波器和粒子滤波器等。
4. 混合辨识方法混合辨识方法是指将参数辨识和状态辨识方法相结合的方法。
通过将参数辨识和状态辨识方法相互补充,可以在一定程度上提高辨识结果的准确性。
一种改进的新型滤波方法用于参数辨识
一种改进的新型滤波方法用于参数辨识刘纹岩;李强;陈虹丽【摘要】针对辅助粒子滤波方法用于参数辨识时,存在计算量大、计算时间长的缺点,提出了一种新的参数辨识方法.该方法基于一种新型非线性最优滤波方法,这种滤波方法通过估计先验分布到后验分布的映射,缩小估计概率分布与真实概率分布的差异来逼近真实概率分布.提出了利用增广状态,结合滤波方法,通过辅助变量解决参数估计问题;理论证明了该滤波算法对于非线性分布函数的最高逼近精度与所用支持点数的2倍成反比.所提出的参数辨识方法与辅助粒子滤波用于参数辨识相比,计算复杂度低,计算时间少,并且能够取得相近的精度;计算效率较粒子滤波方法高;仿真实验验证了所提出算法的有效性,比辅助粒子滤波用于参数辨识有更好的特性.【期刊名称】《实验室科学》【年(卷),期】2018(021)002【总页数】5页(P23-26,31)【关键词】置信压缩滤波;参数辨识;非线性;最优滤波【作者】刘纹岩;李强;陈虹丽【作者单位】上海卫星工程研究所,上海200000;哈尔滨工程大学自动化学院,黑龙江哈尔滨150001;哈尔滨工程大学自动化学院,黑龙江哈尔滨150001【正文语种】中文【中图分类】TN911.7粒子滤波-序贯重要性采样(Sequence Impor⁃tance Sampling,SIS)滤波器借助于蒙特卡罗方法对分布函数进行近似,具有很高的精度[1],并且能用于高度非线性,噪声为非高斯分布的情况,粒子滤波技术结合扩展状态法[2]、极大似然法用于参数辨识是近年来的研究热点[3-4]。
但是粒子滤波存在计算量大,对存储空间要求高等特点。
粒子滤波在计算时需要解决重采样、粒子匮乏、粒子多样性减少等问题。
Mazuelas 等[5-6]提出了 Belief CondensationFil⁃tering(置信压缩滤波,简称BCF)方法,并且给出大量例证、对比和分析。
BCF是一种适用于非线性滤波的最优滤波方法,其能够达到粒子滤波的精度,但是计算复杂度远比粒子滤波小。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
α( t )
Hale Waihona Puke =f [ t ,α, u ( t ) , x ( t ) ] f [ t ,α, u ( t ) , x ( t ) ]
+
E ( t) E ( t)
( 2)
其中 : f [ t ,α, u ( t ) , x ( t ) ] = 0 , 即认为参数组 α 只有
50
电光与控制 第 14 卷
6) 状态协方差矩阵更新 。
对于系统 ( 7) ~ ( 8) , 给出 STF 的递推式 。 1) 状态预测 。 ^ z ( k + 1 , k) = Φ ( k + 1 , k) ^ z ( k)
D ( k + 1) 。 D ( k + 1) =
P ( k + 1 , k + 1) = [ I - G ( k + 1) 3 H ( k + 1) ] 3
T ρ V 0 ( k ) + γ( k + 1) γ( k + 1) , 1 +ρ T
( 13)
其中 : z ( t ) = [ z1 ( t ) , z2 ( t ) , …, z n ( t ) ] ; H = I n ×n 0 n ×m 为量测矩阵 ; M ( t ) 为量测噪声 。
收稿日期 :2007201203 修回日期 :2007201216 基金项目 : 国家自然科学基金 (60272022) 作者简介 : 郭 杨 (1983 - ) ,男 ,甘肃张掖人 ,硕士生 ,研究方 向为控制理论与控制工程 。
滤波器状态估计值偏离系统状态以及状态突变时丧 失跟踪能力的的现象 ,克服了 EKF 的缺陷 。 本文提橱一种基于强跟踪滤波器的非线性系统 参数辨识方法 ,并通过实际算例与基于 EKF 参数辨 识方法进行了比较 。
第 5 期 郭 杨等 : 基于强跟踪滤波器的非线性系统参数辨识方法
51
把α 6 ) 设为状态变量 , 按照本文的方 k ( 1 ≤k ≤ 法进行滤波运算可求出 α 1 ~α 6 的值 。如图 1 ( 只给 出α 1 的估计过程图 , 其余参数估计过程类似) 所示 。 而在式 ( 7 ) ~ ( 8) 的基础上 , 进行 ( EKF) 滤波计 算得到 α 1 的估计过程 , 见图 2 。
0 引言
在涉及精确制导 、 飞行器设计等的工程问题中 , 往往需要建立高精度的数学模型 , 否则有可能出现 差之毫厘 ,谬之千里的情况 。在建模过程中 ,高精度 地估计其中大量待定参数是必须要面临的问题 。 在非线性模型的参数辨识中 , 基于扩展卡尔曼 滤波器 ( EKF) 的辨识方法 [1 - 2 ] 较为常用 , 然而 , 通常 情况是对动态系统的建模具有一定的不确定性 , 而 EKF 关于模型不确定的鲁棒性很差 , 从而造成 EKF 估计不准 ,甚至发散等现象 。同时 ,当系统趋于稳态 时 ,如果状态发生突变 , 则 EKF 有可能丧失跟踪能 力 。文献 [ 3 ] 提出了强跟踪滤波器 ( STF) 的概念及相 关理论 ,有效解决了由于模型不确定性的影响造成
图4 仿真数据与原始数据比较图
4 结论
可见 , 所建立的数学模型和估计出的参数基本 与实际的观测数据吻合 ,故认为此方法是可行的 。
微小变化 。令 z ( t ) =
x ( t)
α( t )
, 则有 : ( 3)
c ( k + 1) =
tr[ N ( k + 1) ]
n i =1
( 12)
z ( t ) = g [ t ,α, u ( t ) , z ( t ) ] + W ( t )
α iM ii ( k + 1) ∑
取 y ( t ) 为观测量 , 则量测方程可写为
Abstract : A method for identification of non - linear system parameters based on Strong Tracking Filter ( STF) is presented. When using Extended Kalman Filter ( EKF) for state estimation , the system tends to be stable but the state break may lead to the filter to lose its tracking capability. The problem can be avoided by using our identification method. The method is compared with the EKF method through an example. Key words : parameter identification ; strong tracking filter ; non2linearity ; extended Kalman filter ; precise quidance
第 14 卷第 5 期 电光与控制 Vol. 14 № .5 2007 年 10 月 ELECTRONICS OPTICS & CONTROL Oct. 2007 文章编号 :1671 - 637 Ⅹ(2007) 0520049203
基于强跟踪滤波器的非线性系统参数辨识方法
1 系统描述
存在如下一类非线性系统 : ( 1) x ( t ) = f [ t ,α, u ( t ) , x ( t ) ] + E ( t ) n 其中 : t ≥ 0 为时间变量 ; x ∈R 为状态变量 ; 非线性 函数 组 f 具 有 关 于 状 态 的 一 阶 连 续 偏 导 数 ; α= [α 为待辨识参数 ; E ( t ) 为系统噪 1 ,α 2 , …,α n ]′ 声。 将待辨识的参数 α 设为状态变量 , 这样参数辨 识的问题就转化为状态估计的问题 , 于是有 :
T ( 5) [ x ( k + 1) - ^ x ( k + 1 , k + 1) ] = min E[γ( k + 1) γ( k + 1 + j ) ] = 0 , j = 1 , 2 , …
( 15)
γ( k + 1) = - H ( k + 1) [ ^ z ( k + 1 , k ) - y ( k + 1) ]
( 16)
其中 , 式 ( 11) 中的 α 1 , i = 1 , 2 , …, n 为预先确定 i ≥ 的系数 。若已知某状态分量易于突变 , 就可增大相 应的 α i ; 若无系统先验知识时 , 可取 α i = 1 , 这就退 化为单重渐消因子 。 式 ( 15) 的 0 < ρ ≤1 为遗忘因子 , 一般取 ρ = 0 . 95 , 式 ( 16) β ≥ 1 , 为一个选定的弱化因子 , 引入这 个弱化因子的目的是使状态估计更加平滑 。
y ( t ) = Hz ( t ) + M ( t ) ( 4)
N ( k + 1) = V 0 ( k + 1) - β R p ( k + 1) H ( k + 1) Q ( k + 1) H ( k + 1) T M ( k + 1) = Φ ( k + 1 , k ) P ( k , k ) 3 Φ ( k + 1 , k ) T H ( k + 1) T H ( k + 1) V 0 ( k + 1) = E [γ( k + 1) γ( k + 1) ] = γ( 1) γ( 1) T , k = 0
k ) , 于是可以得到新的系统方程 : z ( k + 1) = Φ ( k + 1 , k ) z ( k ) +Γ( k ) w ( k ) ^ z ( k + 1 , k) = Φ ( k + 1 , k) ^ z ( k ) - y ( k + 1) ( 7) ( 8)
P ( k + 1 , k ) = D ( k + 1) Φ ( k + 1 , k ) P ( k , k ) 3 Φ( k + 1 , k) T + Q ( k)
( 17)
4) 增益矩阵 。
G ( k + 1) = P ( k + 1 , k ) H ( k + 1) T[ H ( k + 1) 3
P ( k + 1 , k ) H ( k + 1) + R p ( k + 1) ]
T - 1
( 18)
5) 状态估计更新 。
^ z ( k + 1 , k + 1) = ^ z ( k + 1 , k ) + G ( k + 1) γ( k + 1) ( 19)
diag [λ 1 ( k + 1) ,λ 2 ( k + 1) , …,λ n ( k + 1) ] λ i ( k + 1) = α i c ( k + 1) , α i c ( k + 1) > 1
1,
( 10)
( 21)
α 1 i c ( k + 1) ≤
( 11)
其中 :α 6) 为模型的待定参数 。通过对此系 k ( 1 ≤k ≤ 统的观测 , 可以得到 t 、 x ( t ) 和 y ( t ) 的观测数据 。
( 9) P ( k + 1 , k) ( 20)
2) 求 解 带 多 重 次 优 渐 消 因 子 的 对 角 矩 阵
3 算例
现有非线性系统满足如下方程 :