一、状态输入估计两段解耦Wiener滤波器(论文文献综述)
马爽[1](2021)在《地铁转向架构架载荷谱建立方法研究》文中指出在实际运营中,部分地铁车辆转向架构架在运行里程远不及设计寿命时就开始出现疲劳破坏问题,这是因为我国地铁车辆运行条件复杂、工况多变且载客量大、维护不足等客观因素导致的。这些特殊性致使国际现行转向架构架设计标准不能覆盖我国地铁车辆转向架构架的实际设计需求。因此,编制可以反映我国真实运营情况的转向架构架载荷谱对地铁车辆的设计与运营安全至关重要。本文主要以某B型地铁动车转向架构架作为研究对象,对地铁车辆转向架构架的载荷识别和建立普适性的载荷谱的方法进行研究并做了探索和改进。本文的主要工作包括:(1)在真实运营条件下进行转向架构架载荷解耦识别和疲劳强度评估。首先,分析每种载荷的产生原因和测试方案。然后,通过试验得出各载荷与其他载荷解耦的载荷识别点,并进行室内标定试验得出载荷识别点的“载荷-应力”传递系数。最后,通过线路实测完成对转向架构架的全载荷种类载荷时域信号的识别,同时,取转向架构架疲劳关键位置的应力测试结果,开展疲劳强度评估。并将真实应力值结果作为之后载荷谱编制校准的依据。(2)去除由于结构弹性振动引起的载荷识别信号幅值放大效应对普适性的载荷谱编制至关重要。通过结合转向架构架实测信号时频域分析和有限元模态分析,可以看出转向架构架在运行中发生了共振,识别的载荷幅值相较真实外载明显被放大。而截至目前的转向架构架载荷谱研究中没有考虑这一问题,而是认为测得的载荷响应与真实外载间的传递关系不随频率和模态变化,导致最终载荷谱只能反映当前结构的特征。鉴于在载荷识别试验过程中完成对幅值放大问题的处理非常困难,本文探索出一种半自适应载荷数据后处理方法,可以有效降低被弹性振动放大的载荷信号幅值。处理后的载荷数据将更贴近真实外载,实现载荷谱与转向架构架模态特性解耦。这是转向架构架载荷谱研究中对弹性振动引起的幅值放大问题处理的首次尝试。(3)针对工程应用中测试长度有限的问题,有必要对载荷谱进行扩展。本文提出了两种载荷谱编制及扩展方法:1)基于扩散核密度估计的地铁车辆转向架构架载荷谱编制及扩展方法。方法中将扩散核密度估计与超越概率法相结合,实现了高精度载荷谱扩展。从概率密度曲线拟合优度检验、计算损伤和全寿命周期载荷幅值最大值推断的角度,验证了此方法的准确性。2)改进的标准累积频次载荷谱编制和扩展方法。该方法解决了传统标准累积频次载荷谱编制和扩展过程中没有考虑小载荷循环去除所引起的边界误差问题。并通过实测案例应用验证了精度的提升。文中也将上述两种扩展方法作了对比和优缺点分析。(4)进行载荷谱扩展后,利用遗传算法实现损伤一致载荷谱校准。同时建立扩展谱评价标准,在扩散核密度扩展谱和改进的标准累积频次载荷扩展谱中选择最优校准谱组合。最终建立可以覆盖准静态转向架构架所有疲劳关键位置损伤的普适性全种类全寿命周期载荷谱。通过与国际现行标准比较,本文的整体载荷谱编制方法在结果上显示出了更高的准确性,为符合中国国情的地铁车辆设计和疲劳强度评估提供了有益参考。
孙明[2](2021)在《火电机组热工过程自抗扰控制的研究与应用》文中研究表明燃煤机组热工过程普遍具有高阶惯性、时滞、非线性、多扰动、回路耦合以及不确定性等特点,使得探索更为高效的建模方法和高性能的鲁棒控制算法成为一直以来的研究热点和难点。尤其是当前火电机组需要通过深度调峰来有效平衡间歇性的新能源电力高比例接入电网引起的系统波动,使得热工过程自动控制系统的可靠性和鲁棒性面临着更为严峻的挑战。此外,分散控制系统的历史数据库中存储了因扰动或不确定因素而产生的大量过程数据,可以充分利用这些过程扰动数据,进而增强控制器的模型信息以提升控制系统的设定值跟踪、扰动抑制以及鲁棒性等控制性能。因此,本文以线性扩张状态观测器为主线,开展了广义积分串联型系统的相位分析、扰动数据驱动的扩张状态观测器模型参数智能辨识方法以及基于相位补偿的降阶自抗扰控制器设计等方面的理论研究、算例仿真与工程实现。论文主要工作有:1)在频域内详细分析了线性扩张状态观测器对总扰动进行估计和前馈补偿后,虚拟控制量与系统输出以及估计输出两者之间的广义积分串联型传递函数特性。当采用全阶扩张状态观测器时,仿真并分析了广义积分串联型逼近标准积分器串联型的影响因素;当采用低阶扩张状态观测器时,为保证广义扩张状态观测器与广义被控对象在相位上的近似同步,提出了增加部分模型信息对扩张状态观测器进行相位补偿的设计方法,算例仿真验证了该方法的有效性。2)针对零初始条件下输出信号中可能存在外部扰动作用的分量而导致闭环数据驱动建模准确性降低的问题,提出了一种利用控制回路中干扰作用产生的动态过渡到稳态这一特征的过程数据驱动扩张状态观测器参数辨识的新方法,也就是将过程数据中扰动作用结束时刻点的状态初值估计和总扰动中的确定性模型信息估计相结合,进而通过群体智能算法对模型参数进行优化和聚类分析,得到最佳辨识参数,算例仿真验证了所提建模方法的有效性和准确性。3)为了提高一类具有大惯性、时滞等特点的热工过程对象设定值跟踪能力和抗干扰性能,提出了基于相位补偿的降阶自抗扰控制设计方法,并完成了稳定性分析。考虑到运用低阶自抗扰控制器时,控制量增益难以确定的问题,给出了新的参数整定方法。而对于热工过程的多变量系统,则采用分散式相位补偿型降阶自抗扰控制策略,并将控制系统在频域内进行等效变换,揭示了自抗扰控制技术框架下的逆解耦器特性。同时,为了增强其逆向解耦能力,推导出一种针对多变量系统的相位补偿环节设计方法。算例仿真验证了所提控制算法的优越性。4)研究并解决了基于相位补偿的降阶自抗扰控制算法的逻辑组态、抗降阶扩张状态观测器饱和以及无扰切换等工程化设计中的具体问题,进而在激励式仿真机上进行了控制策略的仿真与实现。进而将其应用于现役火电机组的主汽温系统和负荷控制系统。实施结果表明所提改进自抗扰控制算法的可行性、有效性以及优越性,展现了该算法良好的工业应用前景。
肖波[3](2020)在《多传感器欠观测系统融合自校正增量Kalman滤波器》文中研究表明随着近年来高速电子计算机的迅速发展以及世界各国人造卫星发射中对轨道、导航技术的需求,多传感器信息融合滤波理论逐渐走入相关研究人员的视野。为了从被污染的观测信号寻求未知真实信号或状态的估值,已有一系列Kalman滤波算法被提出用来解决此类问题,其实时递推的性质优于其它一般的滤波算法。然而,由于系统模型的复杂性、工作环境中的不确定因素和测量设备自身存在的误差,导致系统模型带有未知、不确定的参数,或者出现量测系统误差的情况,也就是欠观测状态,若在此状态下仍继续使用传统Kalman滤波算法,滤波器性能会因此损坏,使得滤波发散,进而提出了增量模型下的Kalman滤波器并与自校正信息融合算法结合,从而解决上述问题的发生。本文是基于已有的增量滤波模型,提出多传感器欠观测融合自校正增量Kalman滤波算法,有以下几个步骤:首先提出新的参数估计算法,有基于增量观测模型的递推辅助变量(RIV)算法、基于增量观测模型的递推增广最小二乘(RELS)估计算法和基于增量观测模型的两段RLS-RELS算法,能够解决在欠观测系统下模型参数未知的情况,有效地辨识了未知模型参数。后续的仿真例子检验了算法的可行性。其次引用第二章已提出的基于增量模型新的参数估计方法,结合已有的增量Kalman滤波器,提出单传感器欠观测系统自校正增量Kalman算法,算法的收敛性由动态误差系统分析(DESA)方法证明,有效的解决了增量Kalman滤波器在模型参数未知的情况。后续的仿真例子检验了算法的可行性。最后在实际应用中环境复杂,目标的识别与控制无法由单一传感器完成,同时为了进一步提高欠观测系统状态估计的准确性,分别提出了多传感器加权状态融合和观测融合的自校正增量Kalman滤波器。后续的仿真例子检验了算法的可行性。
刘雨[4](2020)在《复杂条件下的重载列控系统安全制动模型研究》文中研究指明朔黄重载铁路是我国“西煤东运”的重要通道,伴随煤炭运输需求的日益增长,运输压力巨大。目前采用的三显示固定闭塞方式无法满足快速增长的运量要求,已开展基于无线通信的移动闭塞技术在朔黄重载线路的应用研究,希望通过最新列控技术的应用,达到缩短行车间隔、提升运输能力的目的。安全、高效的速度防护控制是列控核心功能之一,是基于安全制动模型来实现其安全防护功能的,即应正确描述在任何情况下保证安全的列车制动过程,同时安全制动模型也是行车间隔的决定因素之一。影响安全制动模型的两大主要因素是列车本身的动力学特性和线路条件。重载铁路列车和线路情况复杂,与客运和普通货运列车有显着差异,使得准确求解其安全制动模型十分困难。因此,应针对朔黄线路及运行列车的复杂条件,专门研究适用于重载列车的安全制动模型,保证速度防护控制在朔黄线路上的正确实施,满足新的闭塞条件要求,有效提高运输能力。本文在分析重载列车制动特性的基础上,提出了重载列车安全制动模型,建立了模型参数辨识框架,从基础编组入手,循序渐进的将复杂编组列车在不同线路条件下运行时的制动过程转化为不同层次的非线性参数模型,结合不同的辨识目标,研究各类模型参数辨识方法,使安全制动模型更为准确,并验证其适应不同运输场景下的速度防护控制。本文采用的主要研究思路是,通过引入模型分解和滤波技术,解决了基础的单元编组列车在简单线路运行时输出存在有色噪声干扰的制动模型参数辨识问题,验证了辨识框架和实验环境的有效性,为后续研究奠定基础;进而建立重载组合列车多质点分布式模型,利用耦合辨识方法,解决了模型拆分及多变量参数辨识问题,并且基于多新息估计策略解决了起伏坡道运行时的抗扰辨识;而针对长大下坡道困难区段运行场景,解决了循环制动工况下空气制动存在慢时变扰动的安全制动模型参数辨识问题,并且辨识了机车动力制动对模型的影响,有效改善了速度防护的执行效果;最后,对安全制动模型的应用进行了评估,一方面对速度防护执行结果的不确定性进行了定量估计,另一方面对速度防护是否引起列车纵向冲动异常进行了评估,保证了速度防护功能的安全性和容错能力。本文的主要创新点如下:1.建立了适用于重载列车的安全制动模型,设计了针对朔黄重载列车的模型辨识框架和辨识实验环境,从基础的单元列车编组入手,建立输入非线性输出有色噪声干扰的辨识模型,提出了基于模型分解的滤波迭代辨识方法,较好的拟合了单元编组列车在简单线路上的紧急制动过程,证明了参数辨识方法应用于安全制动模型研究的可行性,详第2章和第3章。2.用多质点分布式模型描述了采用无线重联同步控制系统的重载组合列车,将起伏坡道变化转换为对系统输出的未知负载扰动,推导了耦合辨识方法与抗扰辨识方法对模型及线路扰动参数同时辨识,有效提高了参数估计精度,实现对时变性负载扰动的快速跟踪估计,优化了速度防护控制效果,详见第4章。3.针对长大下坡道的循环制动工况,建立了重载组合列车状态空间模型,将空气制动系统的状态变化转换为未知系数慢时变扰动,推导了基于正交投影的子空间抗扰辨识算法,准确辨识系统及内部状态参数,并确定了扰动周期;利用长大下坡调速时动力制动单独施加的条件,利用基于卡尔曼滤波的迭代算法辨识动力制动模型参数,综合改善了长大下坡道速度防护控制的准确度,有效缩短行车间隔,详见第5章。4.实现了安全制动模型应用效果的评估,通过模型多参数的随机变化对速度防护执行过程进行针对性的蒙特卡洛仿真,拟合了制动距离分布函数,得到了对执行不确定度的定量评估;提出基于未知输入观测器的纵向冲动状态评估方法,并设计了基于残差的异常状态识别算法,对纵向冲动的激增状态进行识别,具备一定的实际工程意义,详见第6章。
贾巧娟[5](2019)在《解耦内模控制在磨矿过程中的应用》文中研究说明在实际磨矿分级过程中,分级机溢流浓度是重要的工艺指标。但分级机溢流浓度不仅与给矿量、给水量之间存在复杂的强耦合、非线性关系,而且受到随机噪声、量测噪声、模型参数摄动和传输过程中的不确定性扰动等因素的影响,使得磨矿分级过程表现为多变量、强耦合、大时滞等特点,导致磨矿分级过程的控制精度、鲁棒性能较低,从而使得分级机溢流浓度很难控制。因此,本文以磨矿分级过程作为研究对象,将分级机溢流浓度稳定控制作为控制目标。通过辨识方法得到磨矿分级过程的数学模型,引入两种改进的多变量内模解耦控制方法,实现磨矿分级过程的解耦控制,以及分级机溢流浓度稳定跟踪设定值。具体内容如下:首先,将分级机溢流浓度、返砂量作为输出量,分级机补加水、给矿量作为过程变量,建立磨矿分级过程的数学模型,采用遗忘因子递推最小二乘法对模型参数进行辨识,通过相对增益矩阵对系统进行耦合度分析。其次,提出改进的V规范型三自由度内模解耦控制方法对磨矿分级过程进行解耦控制。通过引入滤波器,构成三自由度内模结构,使系统设定值响应与干扰响应分离,同时引入双口控制,提高系统抗干扰能力,以ITAE和鲁棒性能相结合的综合性能指标作为整定滤波器参数的目标函数,提出混沌、局部增强算子的改进人群搜索算法对滤波器参数进行优化。仿真结果表明,在摄动系统下,与其他控制方法进行比较,改进的V规范型三自由度内模解耦控制方法使得磨矿分级系统具有较好的解耦性和鲁棒性。再者,提出改进的逆解耦自抗扰内模控制方法对磨矿分级过程进行解耦控制。利用逆解耦方法实现磨矿分级系统的解耦,对解耦后的子系统采用改进的内模控制和线性自抗扰控制。通过引入内模补偿器和增益对时滞进行补偿,减小了系统对模型的依赖度,通过调节线性自抗扰控制器、内模补偿器参数和增益抑制模型失配、外部干扰及不确定性因素对系统带来的不利影响。与改进的V规范型三自由度内模解耦控制方法、逆解耦内模控制方法进行比较,仿真结果表明,改进的逆解耦自抗扰内模控制方法有较好的解耦性能、跟踪性能和鲁棒性能,验证了此方法是有效的。最后,将两种改进的多变量内模解耦控制方法在磨矿半实物仿真平台上进行验证,通过半实物仿真平台结果表明,两种改进的多变量内模解耦控制方法的有效性。
赵丽梅[6](2013)在《面向知识创新的高校科研团队内部知识整合研究》文中研究表明由于大科学时代科学研究所需知识的日益复杂性和科学研究规模的日益扩大,科学研究活动不再是分散的、单纯的个人行为,知识创新的形式发生了根本性的变化,逐渐演变成为以团队为主的方式进行知识创新活动。为了顺应科技发展的需求和响应国家对创建科研团队的鼓励,我国高校纷纷建立了科研团队。经过十余年的发展,我国高校科研团队在基础研究和应用基础研究方面已经取得辉煌的业绩,但与国外科研团队相比仍然存在一定的差距。与国外相比,我国很多高校科研团队是为科研立项而临时组建的,成员之间难以建立有效的知识协作关系,团队内部的知识资源还处于一种低水平的整合状态,这都在一定程度上影响了我国高校科研团队取得高水平的知识创新成果。为了实现高水平的知识创新产出,就必须确保团队成员之间能够建立有效的知识整合关系,改善团队内部知识资源的整合态势。本文在国内外相关研究成果的基础上,对面向知识创新的高校科研团队内部知识整合的相关理论基础、知识整合的流程、知识整合网络的构建与分析、知识整合与团队知识创新绩效之间的关系以及知识整合的激励机制等进行研究,有助于更加深入地理解面向知识创新的高校科研团队内部知识整合的相关问题,丰富和完善面向知识创新的高校科研团队内部知识整合研究的理论和方法,为高校科研团队知识整合的顺利进行提供决策依据。首先界定了面向知识创新的高校科研团队内部知识整合的内涵,并对团队内部知识整合活动的参与人角色进行了明确定义。在此基础上,深入分析了高校科研团队内部知识整合的模式,为知识整合网络的构建提供了基本的分析视角。以基于行为知识的信息融合过程模型为基本分析框架,从总体分析和详细分析两个方面论述了面向知识创新的高校科研团队内部知识整合的流程,提出知识整合的流程应包括知识整合目标的设定、知识资源获取、知识资源识别、知识资源筛选、知识资源配置、知识重构等阶段,并对每一阶段所涉及的相关问题进行了详细论述。以社会网络分析为基本方法,以团队内部的知识创新成果为基本的联系单元分析了团队成员之间的知识整合关系,从团队成员之间的知识互引式知识整合关系、知识交互式知识整合关系、知识引用耦合关系、知识特征耦合关系以及知识被引耦合关系等五个方面构建了高校科研团队内部知识整合网络,为团队知识整合与团队知识创新绩效关系的实证研究奠定了理论基础。运用偏最小二乘法对团队内部知识整合与团队知识创新绩效关系进行了实证研究,分别对测量模型和结构模型予以验证,根据各种验证指标对相关假设进行检验来确定高校科研团队内部的五种知识整合模式对团队知识创新绩效的影响方向及影响程度。根据实证研究结果,得出的结论是高校科研团队内部知识整合网络的存续是提升团队知识创新绩效的关键,而要维持知识整合关系网络的可持续性,就需要设定合理而有效的团队内部知识整合的激励机制。从个体和团队两个层面论述了高校科研团队内部知识整合的激励机制。个体层面激励机制的研究主要以信息经济学中的委托代理理论为分析方法,论述了个体成员参与团队知识创新的激励机制,为团队内部知识整合创新的实施奠定了基础;整体层面的研究主要以社会网络分析为基本研究方法,构建了团队内部知识整合网络模型,采用案例分析的方法论述了高校科研团队内部知识整合活动的利益分配机制,即团队层面的激励机制。
彭隽[7](2011)在《数字接收前端非线性失真补偿技术研究》文中研究指明频率宽开数字接收机常面临着欲接收的小信号被同频段大信号或强干扰的非线性产物淹没的问题,设法提高数字接收前端的无杂散动态范围可在很大程度上改善这一情况。本文首次提出以非线性系统辨识技术来解决数字接收前端这类弱非线性系统的失真补偿问题,其基本思路是:通过自适应调整级联于数字接收前端之后的非线性数字补偿模型的参数,使其与接收前端的非线性传递函数互逆,从而有效降低或消除接收前端的非线性。归纳起来,本文内容主要包括以下几个方面:通过定性分析和仿真,研究数字接收前端的输出噪声与非线性失真的各种来源及所占比重,分析它们对数字接收机微弱信号检测性能的影响,指出非线性失真才是制约数字接收前端无杂散动态范围的最主要因素。对几类常用的记忆非线性模型进行详细地分析和总结,包括记忆多项式模型、模块化模型和Volterra模型。对比分析这几种参数化模型的拟合精度和计算复杂度。理论分析表明,Volterra模型在普适性和精度上均优于具有相同阶数和记忆深度的其它两类模型;但与此同时,它的计算复杂度也更高。据此,设计一种Volterra模型简化方法:如果频域Volterra核是可分离的,则可将Volterra模型简化为并行Wiener模型;如果频域Volterra核是组合频率的线性函数,又可将其简化为并行Hammerstein模型。推导出Volterra模型和这两种简化模型的逆模型,分别为Volterra模型和并行Wiener-Hammerstein模型。对模数转换器AD6645和一款直接采样型数字接收前端的测试结果表明,它们的频域Volterra核随输入信号频率的变化规律符合并行Wiener模型的性质。因此,与它们的非线性传递函数互逆的数字补偿模型是并行Wiener-Hammerstein模型。设计了三种Volterra模型自适应辨识和数字接收前端非线性失真补偿技术。它们分别使用了均方误差最小、峰度差异最小和基于二阶与三阶统计量组合的辨识准则。通过理论推导、仿真和对比试验评估了这些模型辨识方法的性能和优势。仿真试验结果表明,经过上述模型辨识与失真补偿处理后,系统的线性度指标可获得不同程度的改善。其中,基于均方误差最小的算法直接使用到输入信号的瞬时幅度信息,相比于其它两种使用统计量信息的算法,性能表现更加优异。提出了两种Volterra模型盲辨识和数字接收前端非线性失真补偿技术。它们分别使用了带外总功率最小和除大信号外总功率最小的辨识准则。使用前一种准则的算法采用限定输入信号频率范围的方式,将所有带外信号的总功率作为目标函数。使用后一种准则的算法采用频域搜索的方式,分辨出大信号的频率区间,将这一区间外的所有信号的总功率作为目标函数。通过理论推导、仿真和对比试验评估了这两种目标函数的性能。在一款直接采样型数字接收前端硬件电路上,对这两种算法进行了实际测试:多频正弦信号和带通信号输入时的试验结果表明,经过上述模型辨识与失真补偿处理后,系统的无杂散失真动态范围能够获得14dB到24dB左右的改善。提出了一种并行Wiener-Hammerstein模型的混合辨识和数字接收前端非线性失真补偿技术,避免了由于输出信号与这一模块化模型参数之间不呈线性关系而造成的直接辨识难度较大的问题。模型的混合辨识分为两步:第一步是采用单频正弦信号作为测试输入,依据谐波失真抵消准则,辨识出并行Wiener-Hammerstein模型中的Wiener模块。第二步是依据MPOT准则,自适应地辨识模型中的线性记忆模块。在一款直接采样型数字接收前端硬件电路上,对这一算法进行了实际测试:多频正弦信号输入时的试验结果表明,经过上述模型辨识与失真补偿处理后,系统的无杂散失真动态范围可获得逾30dB的改善。
高媛[8](2010)在《最优和自校正多传感器观测融合滤波方法和算法研究》文中认为随着计算机技术、通信技术、微电子技术、精密机械制造技术以及控制技术的飞速发展,各种面向复杂应用背景的多传感器系统大量涌现。在多传感器系统中,由于信息表现出形式多样、数量巨大、关系复杂以及要求处理及时、准确和可靠等特征,为了提高信息的综合处理能力,一门由信息学科、控制学科等交叉、综合、拓展而产生的新兴学科——多传感器信息融合应运而生。多传感器信息融合估计是多传感器信息融合的一个重要分支,其目的是如何利用多传感器提供的观测数据对系统状态或信号给出比基于单传感器更精确的估计,广泛应用于目标跟踪、军事、航天、制导、GPS定位、机器人等高技术领域,具有重要理论和应用意义。本课题来源于国家自然科学基金项目“多传感器信息融合最优和自校正滤波新理论和新方法”(60374026)和“自校正信息融合滤波理论及其应用研究”(60874063)。本文基于现代时间序列分析方法,以理论分析为主,以计算机仿真示例为辅,对多传感器线性随机系统的最优加权观测融合状态估计和自校正加权观测融合状态估计问题进行了深入研究。做了如下几方面工作:首先,对于带未知噪声统计的多传感器系统,利用相关方法,提出了一种具有强一致性的信息融合噪声统计在线估值器,其中从采样相关函数线性方程组中任意选择非奇异的部分线性方程组求解得局部噪声统计估值器,然后取局部估值器的算术加权平均作为融合估值器,证明了它可被视为最小二乘融合器。用相关函数的遍历性证明了它以概率1收敛于真实的噪声统计。它的精度介于局部估值器中最高和最低的精度之间,因而具有较高的可信度。对于含有未知模型参数和噪声统计的多传感器ARMA(自回归滑动平均)系统,利用已有的ARMA模型参数估计方法,结合未知噪声统计的信息融合在线估值器,提出了多段信息融合辨识方法,并且提出了一种信息融合模型参数估值器概念,它是基于各传感器得到的局部模型参数估值器的算术平均,且从理论上严格证明了所提出的信息融合模型参数估值器的一致性。其次,对带相关观测噪声和带相关噪声的多传感器线性离散定常随机系统,在线性无偏最小方差(LUMV)融合准则下,应用Lagrange乘数法和基于ARMA新息模型的滤波理论,分别提出了最优加权观测融合稳态Kalman滤波和Wiener滤波算法,其结果等同于基于加权最小二乘(WLS)融合准则的最优加权观测融合滤波算法,兼具完全功能等价性和渐近全局最优性。对于带不同观测阵、相关观测噪声的多传感器系统,应用矩阵分块方法,结合观测加权阵的约束条件,提出了降维观测融合算法,可以显着地减少求观测加权阵和融合观测误差方差阵的计算负担,给出的计算负担比较表从定量分析的角度支持了此论断。第三,对于带有未知噪声统计、相关观测噪声和相关噪声的多传感器系统,将未知噪声统计的信息融合在线估值器代入稳态最优加权观测融合滤波器,分别提出了自校正加权观测融合Kalman滤波器和Wiener滤波器,及自校正降维观测融合滤波器。利用动态误差系统分析(DESA)方法证明了自校正融合器按实现收敛于相应的稳态全局最优融合器,即具有渐近全局最优性。最后,对于带公共干扰噪声和含有未知噪声统计和未知模型参数的多传感器单通道自回归(AR)信号系统和ARMA信号系统,利用ARMA模型到状态空间模型的转化方法,将信号估计问题转化为状态估计问题。将模型参数和噪声统计的信息融合估值器代入稳态最优加权观测融合Wiener信号滤波器中,分别提出了自校正加权观测融合Wiener信号滤波器。应用动态误差系统分析(DESA)方法,严格证明了提出的自校正加权观测融合Wiener信号滤波器按实现收敛于相应的稳态全局最优滤波器,因而具有渐近全局最优性。通篇用大量的在跟踪系统中和在信号处理中的仿真例子说明了所提出方法和算法的有效性。
孙小君[9](2010)在《最优和自校正多传感器信息融合白噪声反卷积估值器》文中研究表明随着信息时代的到来,多传感器信息融合因其能有效地提高和优化基于单传感器的估计、识别或决策(控制)性能而得到了日趋广泛的重视和应用,其应用领域遍及军事和民用领域的方方面面。作为其中的一个分支,最优和自校正信息融合滤波理论分别是针对模型参数和/或噪声统计已知和未知两种情况下的多传感器系统的状态或信号的融合估计问题研究。系统的输入白噪声信号估计问题即白噪声反卷积估计问题在石油地震勘探和通信系统有重要应用背景。本文应用Kalman滤波方法和现代时间序列分析方法两种方法论,基于多传感器加权状态融合和加权观测融合两种融合方法,结合系统辨识方法,分别进行最优和自校正多传感器信息融合白噪声反卷积估值器的研究。主要工作包括以下四个方面:首先,应用Kalman滤波方法,基于Riccati方程,对带不同局部模型和带相关噪声多传感器系统给出统一的加权融合最优和稳态最优白噪声反卷积估值器。为了计算最优加权,给出了计算局部估计误差互协方差的两种公式。其次,应用现代时间序列分析方法,基于ARMA新息模型,对带不同局部模型和带相关噪声多传感器系统给出统一的稳态最优白噪声估值器。对带相同或不同局部动态模型的多传感器时滞系统,提出了的最优加权状态融合白噪声反卷积估值器。为了计算最优加权,分别给出了计算局部估计误差互协方差的公式。再次,应用Kalman滤波方法,基于Riccati方程,对于带相同观测阵和相关观测噪声或带不同观测阵和相关观测噪声或带相同观测阵和相关噪声的多传感器时变系统,分别提出了最优加权观测融合白噪声反卷积估值器,并证明其与相应的集中式融合白噪声反卷积估值器的完全功能等价性和全局最优性。同时作为特殊情况又给出了相应的定常系统稳态最优加权观测融合白噪声反卷积估值器。最后,应用Kalman滤波方法,基于Riccati方程,对带未知噪声统计的多传感器定常系统,应用基于相关函数方法的信息融合噪声统计的估值器,提出了自校正加权观测融合白噪声反卷积估值器。对带未知模型参数和带未知噪声统计的多传感器单通道AR和ARMA系统,应用相关函数方法、递推辅助变量算法和Gevers-Wounters算法给出了模型参数和噪声统计估值器,进而提出了自校正加权观测融合白噪声反卷积估值器。并基于动态误差系统分析方法证明了其收敛于相应的稳态加权观测融合白噪声反卷积估值器,即它们具有渐近全局最优性。以上结论均通过仿真例子给出验证,证明了理论的有效性。上述结果在多传感器信息融合滤波、石油地震勘探、信号处理和状态估计等领域有重要的理论和应用价值。
王伟玲[10](2009)在《基于ARMA新息模型的自校正信息融合滤波器》文中认为多传感器信息融合估计作为多源信息综合处理的一项新技术,使用多个传感器对同一目标进行检测,避免了单个传感器的局限性,可以提供更加全面准确的信息,进而合成来自这个目标的多源信息,产生比单一信息源更精确的估计。对带相关观测噪声和未知模型参数及噪声统计的多传感器系统,用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型,提出了一种多段辨识算法,其中用递推增广最小二乘法(RELS)和Gevers-Wouters(G-W)算法得到未知模型参数在线估值器,用求解相关函数矩阵方程组的方法得到噪声统计在线估值器。对未知噪声统计多传感器系统,在按分量标量加权线性最小方差最优信息融合准则下,分别提出了自校正信息融合Kalman和Wiener滤波器及预报器。对带未知模型参数和噪声统计的单通道ARMA信号,提出了一种自校正信息融合Wiener滤波器。推广了收敛性分析的动态误差系统分析(Dynamic Error System Analysis)方法,其中提出和证明了Lyapunov方程稳定性的两个判别准则,进而证明了上述自校正融合器的收敛性,即自校正融合估值器以概率1收敛于相应的稳态最优融合估值器,因而它们具有渐近最优性。一些跟踪系统的仿真例子说明了其正确性和有效性。
二、状态输入估计两段解耦Wiener滤波器(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、状态输入估计两段解耦Wiener滤波器(论文提纲范文)
(1)地铁转向架构架载荷谱建立方法研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 选题背景及意义 |
1.2 国内外研究现状 |
1.2.1 转向架构架载荷识别 |
1.2.2 转向架构架载荷幅值放大问题 |
1.2.3 模态参数识别 |
1.2.4 轨道车辆载荷谱扩展 |
1.2.5 轨道车辆载荷谱校准 |
1.3 本文技术路线 |
1.4 本文研究内容 |
2 地铁转向架构架载荷识别和测试信号分析 |
2.1 转向架构架结构及载荷分析 |
2.1.1 构架结构 |
2.1.2 载荷分析 |
2.2 转向架构架载荷识别 |
2.2.1 载荷解耦方法 |
2.2.2 室内解耦标定试验 |
2.2.3 线路测试 |
2.3 转向架构架疲劳强度评估 |
2.3.1 等效应力 |
2.3.2 疲劳强度评估结果 |
2.4 实测信号特征分析 |
2.5 转向架构架模态的阻尼比 |
2.5.1 随机减量法理论基础 |
2.5.2 随机减量法准确性验证 |
2.5.3 构架模态的阻尼比识别 |
2.6 本章小结 |
3 针对载荷幅值放大问题的数据后处理方法 |
3.1 去除幅值放大效应的理论分析 |
3.1.1 放大效应理论分析 |
3.1.2 单自由度系统简化 |
3.1.3 全局最优包络线拟合方法 |
3.1.4 临界频率法 |
3.2 转向架构架实测案例应用 |
3.2.1 频域分割 |
3.2.2 时域分段 |
3.2.3 包络线拟合 |
3.2.4 处理后载荷时频域分析 |
3.2.5 基于实测等效应力的方法验证 |
3.3 本章小结 |
4 基于扩散核密度估计的载荷谱扩展方法 |
4.1 核密度估计 |
4.1.1 核密度估计理论基础 |
4.1.2 带宽选择方法 |
4.2 扩散核密度估计 |
4.2.1 扩散核密度估计理论基础 |
4.2.2 带宽选择方法 |
4.2.3 计算步骤 |
4.2.4 扩散核密度估计方法拟合效果验证 |
4.3 超越概率法扩展载荷谱 |
4.4 转向架构架实测案例应用 |
4.4.1 实测信号概率密度估计 |
4.4.2 拟合优度检验 |
4.4.3 损伤分析 |
4.4.4 全种类载荷拟合优度检验和损伤对比 |
4.4.5 基于概率密度估计载荷谱的扩展实例 |
4.5 本章小结 |
5 改进的标准累积频次载荷谱扩展方法 |
5.1 标准累积频次载荷谱扩展 |
5.1.1 曲线外推 |
5.1.2 直线外推 |
5.2 改进的标准累积频次载荷谱扩展 |
5.2.1 曲线外推 |
5.2.2 直线外推 |
5.3 转向架构架实测案例应用 |
5.3.1 累积频次载荷谱拟合 |
5.3.2 拟合优度检验 |
5.3.3 损伤分析 |
5.3.4 全种类载荷拟合优度检验和损伤对比 |
5.3.5 累积频次载荷谱扩展 |
5.3.6 载荷谱扩展结果比较 |
5.4 本章小结 |
6 全寿命周期最优校准载荷谱 |
6.1 损伤一致性校准理论 |
6.2 地铁转向架构架扩展载荷谱损伤一致性校准 |
6.2.1 疲劳关键位置等效应力 |
6.2.2 扩展载荷谱的等效载荷 |
6.2.3 最优校准载荷谱组合选择 |
6.3 载荷谱应用结果 |
6.3.1 标准计算疲劳关键部位应力幅值 |
6.3.2 校准效果对比 |
6.4 转向架构架全寿命周期载荷谱 |
6.5 本章小结 |
7 结论 |
7.1 主要结论 |
7.2 创新点 |
7.3 展望 |
参考文献 |
附录 A |
作者简历及攻读博士学位期间取得的研究成果 |
学位论文数据集 |
(2)火电机组热工过程自抗扰控制的研究与应用(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 研究进展及现状 |
1.2.1 热工过程控制研究现状 |
1.2.2 自抗扰控制理论的研究现状 |
1.2.3 自抗扰控制理论的应用现状 |
1.3 目前存在的问题 |
1.4 本文研究内容和技术路线 |
第2章 广义积分串联型的相位分析 |
2.1 引言 |
2.2 自抗扰控制结构 |
2.2.1 被控系统描述 |
2.2.2 跟踪微分器 |
2.2.3 扩张状态观测器 |
2.2.4 状态误差反馈控制律 |
2.3 线性ESO的收敛性分析 |
2.4 广义积分串联型的相位分析 |
2.4.1 标准积分串联型 |
2.4.2 无模型信息补偿的ESO分析 |
2.4.3 带模型信息补偿的ESO分析 |
2.5 仿真研究 |
2.5.1 无模型信息补偿的ESO |
2.5.2 带模型信息补偿的ESO |
2.6 本章小结 |
第3章 基于扩张状态观测器的模型参数智能辨识 |
3.1 引言 |
3.2 零初始条件下的数据驱动建模 |
3.2.1 连续系统的离散化 |
3.2.2 闭环扰动数据辨识分析 |
3.3 零终止条件下的数据驱动建模 |
3.4 基于ESO模型的参数智能辨识方法 |
3.4.1 热工过程的ESO建模 |
3.4.2 ESO的离散化与条件稳定 |
3.4.3 ESO参数的智能自寻优辨识 |
3.5 算例研究 |
3.5.1 零初始条件下的ESO参数辨识 |
3.5.2 基于扰动数据的ESO参数辨识 |
3.5.3 多变量系统的ESO参数辨识 |
3.6 本章小结 |
第4章 基于相位补偿的降阶自抗扰控制设计 |
4.1 引言 |
4.2 基于相位补偿的降阶ADRC |
4.2.1 降阶扩张状态观测器 |
4.2.2 基于相位补偿的降阶ADRC设计 |
4.2.3 稳定性分析 |
4.3 I_RADRC的二自由结构分析 |
4.4 I_RADRC的参数整定与数值仿真 |
4.4.1 I_RADRC的参数对控制性能的影响 |
4.4.2 I_RADRC参数的整定步骤 |
4.4.3 数值仿真 |
4.5 多变量系统的分散式I_RADRC控制 |
4.5.1 分散式I_RADRC的解耦能力分析 |
4.5.2 算例研究 |
4.6 本章小结 |
第5章 I_RADRC的工程应用 |
5.1 引言 |
5.2 I_RADRC算法的工程化设计 |
5.2.1 自动跟踪与无扰切换设计 |
5.2.2 抗积分饱和方案 |
5.2.3 I_RADRC控制策略实现 |
5.3 主汽温系统的串级自抗扰控制 |
5.3.1 被控过程的描述 |
5.3.2 仿真平台试验 |
5.3.3 现场应用 |
5.4 负荷系统的分散式自抗扰控制 |
5.4.1 被控过程描述 |
5.4.2 仿真平台试验 |
5.4.3 现场应用 |
5.5 本章小结 |
第6章 结论与展望 |
6.1 研究总结 |
6.2 进一步工作的建议与展望 |
参考文献 |
攻读博士学位期间发表的论文及其它成果 |
攻读博士学位期间参加的科研工作 |
致谢 |
作者简介 |
(3)多传感器欠观测系统融合自校正增量Kalman滤波器(论文提纲范文)
中文摘要 |
Abstract |
第1章 绪论 |
1.1 课题的研究背景与意义 |
1.2 多传感器信息融合技术的发展概况 |
1.3 自校正信息融合的研究现状 |
1.4 欠观测增量系统的研究现状 |
1.5 预备知识 |
1.5.1 射影理论与新息序列 |
1.5.2 经典增量观测模型 |
1.5.3 三种加权状态融合和观测融合算法 |
1.5.4 收敛性分析的DESA方法 |
1.5.5 本文主要研究内容 |
第2章 欠观测系统基于增量模型的新的参数估计算法 |
2.1 引言 |
2.2 增量模型的新的参数估计算法 |
2.2.1 增量模型下的递推辅助变量(RIV)算法 |
2.2.2 增量模型下的递推增广最小二乘(RELS)算法 |
2.2.3 增量模型下的两段RLS-RELS算法 |
2.3 仿真研究 |
2.4 本章小结 |
第3章 单传感器欠观测系统自校正增量Kalman滤波算法 |
3.1 引言 |
3.2 问题阐述 |
3.3 自校正增量Kalman滤波器 |
3.3.1 自校正增量Kalman滤波器收敛性 |
3.4 仿真研究 |
3.5 本章小结 |
第4章 多传感器欠观测系统加权融合自校正增量Kalman滤波器算法 |
4.1 引言 |
4.2 多传感器加权状态融合自校正增量Kalman滤波器 |
4.2.1 按标量加权融合自校正增量Kalman滤波器及其收敛性分析 |
4.2.2 按矩阵加权融合自校正增量Kalman滤波器及其收敛性分析 |
4.2.3 按对角阵加权融合自校正增量Kalman滤波器及其收敛性分析 |
4.2.4 仿真研究 |
4.3 多传感器加权观测融合自校正增量Kalman滤波器 |
4.3.1 加权观测融合自校正增量Kalman滤波器及其收敛性分析 |
4.3.2 仿真研究 |
4.4 本章小结 |
结论 |
参考文献 |
致谢 |
攻读学位期间发表论文 |
(4)复杂条件下的重载列控系统安全制动模型研究(论文提纲范文)
摘要 |
ABSTRACT |
1 引言 |
1.1 选题背景及意义 |
1.2 朔黄铁路工程背景介绍 |
1.2.1 朔黄铁路线路条件 |
1.2.2 朔黄铁路机车车辆及编组情况 |
1.2.3 朔黄铁路移动闭塞系统 |
1.2.4 朔黄铁路复杂条件下制动特点 |
1.3 研究现状 |
1.3.1 列车动力学模型研究现状 |
1.3.2 空气制动动力学模型研究 |
1.3.3 列车安全制动模型研究现状 |
1.3.4 研究现状总结 |
1.4 非线性动态系统参数辨识方法综述 |
1.4.1 非线性系统的参数化模型结构 |
1.4.2 非线性系统的常用离线辨识方法 |
1.4.3 滤波技术与抗扰辨识 |
1.4.4 多变量系统辨识方法 |
1.4.5 重载列车速度防护中的辨识问题 |
1.5 论文主要研究内容及结构安排 |
2 重载列车安全制动模型 |
2.1 安全制动模型原理 |
2.2 列车动力学模型 |
2.2.1 列车单质点动力学模型 |
2.2.2 列车多质点动力学模型 |
2.3 空气制动系统动力学模型 |
2.3.1 空气制动系统原理 |
2.3.2 长大下坡道循环制动原理 |
2.3.3 空气制动动力学模型 |
2.4 重载列车安全制动模型 |
2.4.1 重载列车制动过程分析 |
2.4.2 重载列车安全制动模型 |
2.4.3 重载列车速度防护控制原理 |
2.5 本章小结 |
3 单元编组列车制动模型辨识 |
3.1 引言 |
3.2 重载列车安全制动模型辨识框架 |
3.2.1 辨识框架建立 |
3.2.2 辨识实验仿真环境 |
3.2.3 辨识实验设计 |
3.3 单元编组列车辨识模型的建立 |
3.4 基于模型分解思想的滤波最小二乘迭代辨识 |
3.4.1 辨识模型转换 |
3.4.2 基于模型分解思想的滤波最小二乘迭代辨识 |
3.4.3 辨识结果 |
3.5 本章小结 |
4 起伏坡道重载组合列车安全制动模型辨识及应用 |
4.1 引言 |
4.2 基于模型分解的多变量系统耦合辨识方法 |
4.2.1 多变量系统辨识模型转换 |
4.2.2 多变量系统的部分耦合最小二乘辨识算法 |
4.3 基于多新息的模块化非线性系统抗扰辨识 |
4.3.1 问题描述 |
4.3.2 多新息抗扰辨识算法 |
4.4 耦合参数及抗扰辨识在组合列车速度防护中的应用 |
4.4.1 组合列车单元编组分解方法 |
4.4.2 多质点分布式模型建立 |
4.4.3 基于参数辨识的重载组合列车速度防护控制 |
4.5 辨识结果 |
4.5.1 组合列车辨识实例 |
4.5.2 起伏坡道速度防护应用实例 |
4.6 本章小结 |
5 长大下坡道重载安全制动模型辨识及应用 |
5.1 引言 |
5.2 基于多智能体的重载组合列车状态空间模型 |
5.2.1 重载组合列车智能体图论表述 |
5.2.2 重载组合列车多智能体分布式模型描述 |
5.3 循环制动条件下组合列车安全制动模型辨识 |
5.3.1 辨识问题描述 |
5.3.2 慢时变扰动下系统状态空间模型辨识方法 |
5.3.3 循环制动工况对空气制动系统扰动分析 |
5.3.4 循环制动条件下安全制动模型辨识实例 |
5.4 重载组合列车动力制动过程辨识 |
5.4.1 辨识问题描述 |
5.4.2 基于卡尔曼滤波的最小二乘迭代辨识算法 |
5.4.3 动力制动过程辨识仿真结果 |
5.5 长大下坡道重载速度防护算法优化实例 |
5.6 本章小结 |
6 重载安全制动模型应用评估方法研究 |
6.1 引言 |
6.2 基于概率模型的安全制动模型评估方法 |
6.2.1 问题描述 |
6.2.2 参数随机性分析方法 |
6.2.3 重载组合列车安全制动模型评估 |
6.3 重载列车纵向冲动状态评估方法研究 |
6.3.1 面向组合列车纵向动力学状态建模 |
6.3.2 基于未知输入观测器的异常状态评估方法 |
6.3.3 组合列车纵向冲动异常状态辨识实例 |
6.4 本章小结 |
7 总结与展望 |
7.1 论文工作结论 |
7.2 未来工作展望 |
参考文献 |
图索引 |
表索引 |
作者简历及攻读博士学位期间取得的研究成果 |
学位论文数据集 |
(5)解耦内模控制在磨矿过程中的应用(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 选题背景及研究意义 |
1.2 本课题的国内外研究现状 |
1.2.1 磨矿分级过程的研究现状 |
1.2.2 内模控制方法的研究现状 |
1.2.3 多变量时滞系统内模解耦的研究现状 |
1.3 论文的研究内容和结构安排 |
1.3.1 论文的研究内容 |
1.3.2 论文的结构安排 |
第二章 磨矿过程描述与分析 |
2.1 磨矿过程工艺描述 |
2.2 磨矿分级过程运行指标和影响因素分析 |
2.2.1 磨矿分级过程运行指标 |
2.2.2 影响磨矿分级过程运行的因素分析 |
2.3 磨矿分级过程运行控制问题及动态特性分析 |
2.4 磨矿分级过程总体内模解耦控制策略 |
2.5 本章小结 |
第三章 改进的内模解耦控制在磨矿分级过程中的应用 |
3.1 磨矿分级过程模型辨识 |
3.1.1 最小二乘法的磨矿分级系统参数辨识 |
3.1.2 带遗忘因子递推最小二乘法的磨矿分级系统参数辨识 |
3.1.3 磨矿分级过程模型 |
3.2 磨矿分级过程耦合度分析 |
3.3 改进的内模解耦控制在磨矿分级过程中的应用 |
3.3.1 改进的V规范型三自由度内模解耦控制方法 |
3.3.2 人群搜索算法 |
3.3.3 改进的人群搜索算法实现 |
3.3.4 摄动系统的系统响应 |
3.3.5 鲁棒稳定性检验与不确定性下的摄动系统响应 |
3.4 本章小结 |
第四章 改进的逆解耦自抗扰内模控制在磨矿分级中的应用 |
4.1 线性自抗扰控制器设计 |
4.2 逆解耦自抗扰内模控制方法 |
4.3 改进的逆解耦自抗扰内模控制方法 |
4.3.1 改进的逆解耦自抗扰内模控制方法实现与分析 |
4.3.2 内模补偿器设计 |
4.3.3 磨矿分级闭环系统内部稳定性分析 |
4.3.4 磨矿分级系统鲁棒性能分析 |
4.3.5 摄动系统的系统响应 |
4.3.6 稳定性能检验与不确定性下的摄动系统响应 |
4.4 本章小结 |
第五章 磨矿过程半实物仿真平台的设计 |
5.1 磨矿过程半实物仿真实验平台软硬件结构设计 |
5.2 磨矿过程半实物仿真实验设计 |
5.2.1 磨矿虚拟对象系统设计 |
5.2.2 磨矿执行机构与检测装置虚拟系统设计 |
5.2.3 过程监控系统设计 |
5.2.4 磨矿运行控制系统设计 |
5.3 半实物仿真实验验证结果 |
5.4 本章小结 |
第六章 总结与展望 |
参考文献 |
攻读学位期间所获得的相关科研成果 |
致谢 |
(6)面向知识创新的高校科研团队内部知识整合研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景与问题提出 |
1.1.1 研究背景 |
1.1.2 问题提出 |
1.2 研究目的和意义 |
1.2.1 研究目的 |
1.2.2 研究意义 |
1.3 国内外研究现状及分析 |
1.3.1 基于科学知识图谱的研究现状分析的基本框架 |
1.3.2 国内外知识整合研究现状的总体分析 |
1.3.3 知识整合研究综述 |
1.3.4 团队知识整合研究综述 |
1.3.5 高校科研团队知识整合研究综述 |
1.3.6 国内外研究现状的总体评述 |
1.4 研究内容、研究方法及技术路线 |
1.4.1 研究内容 |
1.4.2 研究方法 |
1.4.3 技术路线 |
第2章 面向知识创新的高校科研团队内部知识整合研究的相关基础 |
2.1 高校科研团队的内涵与特征 |
2.1.1 高校科研团队的内涵 |
2.1.2 高校科研团队的特征 |
2.2 面向知识创新的高校科研团队内部知识整合的界定 |
2.2.1 知识整合的特征 |
2.2.2 知识整合的内涵 |
2.3 面向知识创新的高校科研团队内部知识整合研究的相关理论基础 |
2.3.1 信息融合理论 |
2.3.2 D-S 证据理论 |
2.3.3 社会网络分析理论 |
2.3.4 引文分析理论 |
2.3.5 社会资本理论 |
2.3.6 委托—代理理论 |
2.4 本章小结 |
第3章 面向知识创新的高校科研团队内部知识整合的流程 |
3.1 高校科研团队内部知识整合的总体流程 |
3.1.1 基于行为知识的信息融合模型 |
3.1.2 基于信息融合模型的知识整合流程 |
3.2 高校科研团队内部知识整合的详细流程 |
3.2.1 知识整合目标设定 |
3.2.2 知识资源获取 |
3.2.3 知识资源识别 |
3.2.4 知识资源筛选 |
3.2.5 知识资源配置 |
3.2.6 知识重构 |
3.3 知识整合流程中的行为规则 |
3.4 本章小结 |
第4章 面向知识创新的高校科研团队内部知识整合网络的构建与分析 |
4.1 基于知识互引行为的知识整合网络的构建 |
4.1.1 基于自被引率的知识整合网络的构建 |
4.1.2 基于自引率的知识整合网络的构建 |
4.2 基于知识交互行为的知识整合网络的构建 |
4.2.1 基于引领人与跟随者交互行为的知识整合网络的构建 |
4.2.2 基于跟随者交互行为的知识整合网络的构建 |
4.3 基于知识特征耦合关系的知识整合网络的构建 |
4.4 基于知识引用耦合关系的知识整合网络的构建 |
4.5 基于知识被引耦合关系的知识整合网络的构建 |
4.6 高校科研团队内部复合式的知识整合网络构建 |
4.7 高校科研团队内部知识整合网络的结构特征分析 |
4.7.1 知识整合网络的密度 |
4.7.2 知识整合网络的效率 |
4.7.3 知识整合网络的非中心化程度 |
4.7.4 知识整合网络的 E-I 指数 |
4.7.5 知识整合网络的聚类系数 |
4.8 案例研究:高校科研团队内部知识整合网络的构建与结构特征分析 |
4.8.1 基于知识互引行为的知识整合网络的构建 |
4.8.2 基于知识交互行为的知识整合网络的构建 |
4.8.3 基于知识特征耦合关系的知识整合网络的构建 |
4.8.4 基于知识引用耦合关系的知识整合网络的构建 |
4.8.5 基于知识被引耦合关系的知识整合网络的构建 |
4.8.6 团队内部复合式的知识整合网络构建 |
4.8.7 团队内部知识整合网络结构特征分析 |
4.9 本章小结 |
第5章 高校科研团队内部知识整合与团队知识创新绩效关系的实证研究 |
5.1 问题提出与模型构建 |
5.1.1 问题提出 |
5.1.2 理论模型 |
5.1.3 概念模型 |
5.1.4 研究假设 |
5.1.5 测量工具 |
5.1.6 数据收集 |
5.1.7 样本的描述性统计分析 |
5.1.8 分析估计方法及软件选择 |
5.2 数据分析 |
5.2.1 测量模型验证 |
5.2.2 结构模型验证 |
5.3 实证分析与讨论 |
5.3.1 基于知识互引行为的知识整合与团队知识创新绩效 |
5.3.2 基于知识交互行为的知识整合与团队知识创新绩效 |
5.3.3 基于知识特征耦合关系的知识整合与团队知识创新绩效 |
5.3.4 基于引用耦合关系的知识整合与团队知识创新绩效 |
5.3.5 基于被引耦合关系的知识整合与团队知识创新绩效 |
5.3.6 外生潜在变量之间的因果关系 |
5.4 本章小结 |
第6章 面向知识创新的高校科研团队内部知识整合的激励机制 |
6.1 个体层面的激励机制 |
6.1.1 案例与问题 |
6.1.2 模型构建 |
6.1.3 高校科研团队成员知识创新的内在动机与外在激励 |
6.1.4 数值模拟与参数分析 |
6.1.5 团队成员知识创新的声誉建立、声誉获利与外部公平 |
6.1.6 团队成员知识创新的激励机制与科研政策 |
6.1.7 个体层面激励机制的分析结果 |
6.2 团队层面的激励机制 |
6.2.1 模型构建 |
6.2.2 团队内部知识整合的利益分配机制 |
6.2.3 团队内部知识整合利益分配机制的具体实现过程 |
6.2.4 应用案例 |
6.2.5 利益分配模型对团队层面知识整合激励机制设计的启示 |
6.2.6 团队层面激励机制的分析结果 |
6.3 本章小结 |
结论 |
参考文献 |
附录A |
附录B |
附录C |
攻读博士学位期间发表的论文 |
致谢 |
个人简历 |
(7)数字接收前端非线性失真补偿技术研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究的背景及意义 |
1.2 线性化技术的国内外研究现状 |
1.3 本文研究内容和章节安排 |
2 数字接收前端输出噪声与非线性失真的定性分析 |
2.1 射频接收前端的输出噪声与非线性失真 |
2.2 模数转换器的误差来源及其影响 |
2.3 数字接收前端的输出总噪声和失真 |
2.4 失真误差与输出总噪声的影响程度对比 |
2.5 本章小结 |
3 数字接收前端的非线性失真模型及其逆模型 |
3.1 几类常用的记忆非线性模型 |
3.2 Volterra模型的两种简化形式 |
3.3 Volterra模型的逆模型 |
3.4 Volterra模型简化形式的逆模型 |
3.5 本章小结 |
4 数字接收前端非线性失真自适应辨识与补偿技术 |
4.1 基于均方误差最小准则的非线性失真补偿算法 |
4.2 基于峰度差异最小准则的非线性失真补偿算法 |
4.3 基于二阶和三阶统计量组合的二阶Volterra模型辨识与失真补偿 |
4.4 本章小结 |
5 数字接收前端非线性失真盲辨识补偿技术 |
5.1 基于MPOB准则的数字接收前端盲辨识补偿算法 |
5.2 基于MPOT准则的数字接收前端盲辨识补偿算法 |
5.3 本章小结 |
6 并行Wiener-Hammerstein模型的混合辨识与数字接收前端非线性失真补偿 |
6.1 Wiener模块辨识 |
6.2 线性记忆模块的盲辨识与失真补偿技术 |
6.3 算法性能分析 |
6.4 本章小结 |
7 全文总结及展望 |
7.1 全文总结 |
7.2 展望 |
参考文献 |
致谢 |
附录 攻读学位期间发表论文目录 |
(8)最优和自校正多传感器观测融合滤波方法和算法研究(论文提纲范文)
中文摘要 |
Abstract |
目录 |
第1章 绪论 |
1.1 引言 |
1.2 估计问题的研究现状 |
1.2.1 wiener滤波器的研究现状 |
1.2.2 Kalman滤波器的研究现状 |
1.2.3 基于现代时间序列分析方法的滤波理论研究现状 |
1.3 多传感器信息融合研究现状 |
1.3.1 多传感器信息融合的一般概念与意义 |
1.3.2 信息融合系统的模型和结构 |
1.3.3 多传感器信息融合的应用领域 |
1.3.4 多传感器信息融合研究现状 |
1.4 自校正信息融合滤波理论研究现状 |
1.5 最优和自校正多传感器观测融合滤波方法和算法研究目的和意义 |
1.6 论文主要研究内容和组织安排 |
1.6.1 主要研究内容 |
1.6.2 论文组织安排 |
第2章 多传感器模型参数和噪声统计的信息融合估值器 |
2.1 引言 |
2.2 信息融合噪声统计在线估值器 |
2.2.1 相关函数及其采样估值 |
2.2.2 未知噪声统计的在线估计 |
2.2.3 信息融合噪声统计估值器 |
2.2.4 估值器的强一致性 |
2.3 模型参数和噪声统计的信息融合两段在线估计方法 |
2.3.1 基本参数估计方法 |
2.3.2 未知模型参数和噪声统计的两段在线融合估计方法 |
2.4 模型参数和噪声统计的一种信息融合三段在线辨识方法 |
2.5 仿真例子 |
2.6 本章小结 |
第3章 线性无偏最小方差准则下的最优加权观测融合稳态Kalman滤波和Wiener滤波方法 |
3.1 引言 |
3.2 带相关观测噪声系统的加权观测融合稳态Kalman滤波和Wiener滤波算法 |
3.2.1 集中式观测融合Kalman滤波算法和wiener滤波算法 |
3.2.2 基于加权观测融合算法(Ⅰ)的Kalman滤波和Wiener滤波算法 |
3.2.3 基于加权观测融合算法(Ⅱ)的Kalman滤波和Wiener滤波算法 |
3.2.4 基于最小二乘(WLS)算法的两种加权观测融合算法 |
3.2.5 基于稳态Kalman滤波的两种加权观测融合Wiener状态估值器 |
3.3 带相关噪声系统的加权观测融合Kalman滤波和Wiener滤波算法 |
3.3.1 集中式观测融合Kalman滤波算法和Wiener滤波算法 |
3.3.2 加权观测融合Kalman滤波算法和Wiener滤波算法 |
3.3.3 基于最小二乘(WLS)算法的加权观测融合算法 |
3.3.4 基于稳态Kalman滤波的加权观测融合wiener状态估值器 |
3.4 带不同观测阵和相关观测噪声系统的降维观测融合算法 |
3.5 仿真例子 |
3.6 本章小结 |
第4章 未知噪声统计自校正加权观测融合Kalman滤波器和Wiener滤波器及其收敛性分析 |
4.1 引言 |
4.2 带相关观测噪声系统的自校正加权观测融合Kalman滤波和wiener滤波算法 |
4.2.1 基于加权观测融合算法(Ⅰ)的自校正加权观测融合Kalman滤波和Wiener滤波算法1 |
4.2.2 基于加权观测融合算法(Ⅰ)的自校正加权观测融合Kalman滤波和Wiener滤波算法2 |
4.2.3 基于加权观测融合算法(Ⅱ)的自校正加权观测融合Kalman滤波和wiener滤波算法1 |
4.2.4 基于加权观测融合算法(Ⅱ)的自校正加权观测融合Kalman滤波和Wiener滤波算法2 |
4.3 带相关噪声系统的自校正加权观测融合Kalman滤波和wiener滤波算法 |
4.3.1 自校正加权观测融合Kalman滤波和wiener滤波算法1 |
4.3.2 自校正加权观测融合Kalman滤波和Wiener滤波算法2 |
4.4 自校正降维观测融合Kalman滤波器和Wiener滤波器 |
4.5 仿真例子 |
4.6 本章小结 |
第5章 含未知模型参数和噪声统计的ARMA信号自校正加权观测融合wiener滤波器 |
5.1 引言 |
5.2 带白色观测噪声的多传感器系统AR信号自校正观测融合滤波器 |
5.2.1 多传感器单通道AR信号最优观测融合Wiener滤波器 |
5.2.2 多传感器AR信号自校正加权观测融合Wiener滤波器 |
5.3 ARMA信号自校正观测融合Wiener滤波器 |
5.3.1 多传感器ARMA信号最优加权观测融合Wiener滤波器 |
5.3.2 多传感器ARMA信号自校正加权观测融合Wiener滤波器 |
5.4 仿真例子 |
5.5 本章小结 |
结论 |
参考文献 |
致谢 |
攻读博士学位期间所发表的学术论文 |
详细摘要 |
(9)最优和自校正多传感器信息融合白噪声反卷积估值器(论文提纲范文)
中文摘要 |
Abstract |
第1章 绪论 |
1.1 引言 |
1.1.1 课题来源 |
1.1.2 课题研究的目的、意义和方法论 |
1.2 多传感器信息融合的定义和意义 |
1.2.1 多传感器信息融合的定义 |
1.2.2 多传感器信息融合的意义 |
1.3 多传感器信息融合理论及其应用 |
1.3.1 多传感器信息融合的理论研究 |
1.3.2 信息融合的技术应用 |
1.4 国内外同类课题研究现状及发展趋势 |
1.4.1 国外研究现状 |
1.4.2 国内研究现状 |
1.4.3 信息融合最优滤波理论 |
1.4.4 信息融合自校正滤波理论 |
1.5 主要研究工作 |
1.5.1 主要问题和困难 |
1.5.2 主要工作 |
第2章 基于Kalman滤波方法的最优加权融合白噪声反卷积估值器 |
2.1 引言 |
2.2 带不同局部模型多传感器时变系统最优白噪声反卷积融合器Ⅰ |
2.2.1 局部白噪声反卷积估值器 |
2.2.2 局部估计误差互协方差计算 |
2.2.3 最优加权融合白噪声反卷积融合器 |
2.2.4 定常系统白噪声反卷积融合器 |
2.2.5 仿真例子 |
2.3 带不同局部模型多传感器时变系统最优白噪声反卷积融合器Ⅱ |
2.3.1 局部白噪声反卷积估值器 |
2.3.2 局部估计误差互协方差计算 |
2.3.3 最优加权融合白噪声反卷积融合器 |
2.3.4 定常系统白噪声反卷积融合器 |
2.3.5 仿真例子 |
2.4 本章小结 |
第3章 基于现代时间序列分析方法的最优加权融合白噪声反卷积估值器 |
3.1 引言 |
3.2 带不同局部模型多传感器系统稳态白噪声反卷积融合器Ⅰ |
3.2.1 局部白噪声反卷积估值器 |
3.2.2 局部估计误差互协方差计算 |
3.2.3 稳态最优加权融合白噪声反卷积融合器 |
3.2.4 仿真例子 |
3.3 带不同局部模型多传感器系统稳态白噪声反卷积融合器Ⅱ |
3.3.1 局部白噪声反卷积估值器 |
3.3.2 局部估计误差互协方差计算 |
3.3.3 稳态加权融合白噪声反卷积融合器 |
3.3.4 仿真例子 |
3.4 时滞多传感器系统加权状态融合白噪声反卷积估值器 |
3.4.1 带相同局部模型的观测时滞多传感器系统白噪声反卷积融合器 |
3.4.2 带不同局部模型的观测时滞多传感器系统白噪声反卷积融合器 |
3.4.3 仿真例子 |
3.5 本章小结 |
第4章 基于Kalman滤波方法的最优加权观测融合白噪声反卷积估值器 |
4.1 引言 |
4.2 带相同观测阵和相关观测噪声时变系统加权观测融合白噪声反卷积融合器 |
4.2.1 集中式观测融合白噪声反卷积估值器 |
4.2.2 加权观测融合白噪声反卷积估值器 |
4.2.3 加权观测融合白噪声反卷积融合器的全局最优性和完全功能等价性 |
4.2.4 定常系统白噪声反卷积融合器 |
4.2.5 仿真例子 |
4.3 带不同观测阵和相关观测噪声时变系统加权观测融合白噪声反卷积融合器Ⅰ |
4.3.1 集中式观测融合白噪声反卷积估值器 |
4.3.2 加权观测融合白噪声反卷积估值器 |
4.3.3 加权观测融合白噪声反卷积融合器的全局最优性和完全功能等价性 |
4.3.4 定常系统白噪声反卷积融合器 |
4.3.5 仿真例子 |
4.4 带不同观测阵和相关观测噪声时变系统加权观测融合白噪声反卷积融合器Ⅱ |
4.4.1 集中式观测融合白噪声反卷积估值器 |
4.4.2 加权观测融合白噪声反卷积估值器 |
4.4.3 加权观测融合白噪声反卷积融合器的全局最优性和完全功能等价性 |
4.4.4 定常系统白噪声反卷积融合器 |
4.4.5 仿真例子 |
4.5 带相同观测阵和相关噪声时变系统加权观测融合白噪声反卷积融合器Ⅰ |
4.5.1 集中式观测融合白噪声反卷积估值器 |
4.5.2 加权观测融合白噪声反卷积估值器 |
4.5.3 加权观测融合白噪声反卷积融合器的全局最优性和完全功能等价性 |
4.5.4 定常系统白噪声反卷积融合器 |
4.5.5 仿真例子 |
4.6 带相同观测阵和相关噪声时变系统加权观测融合白噪声反卷积融合器Ⅱ |
4.6.1 集中式观测融合白噪声反卷积估值器 |
4.6.2 加权观测融合白噪声反卷积估值器 |
4.6.3 加权观测融合白噪声反卷积融合器的全局最优性和完全功能等价性 |
4.6.4 定常系统白噪声反卷积融合器 |
4.6.5 仿真例子 |
4.7 本章小结 |
第5章 自校正加权观测融合白噪声反卷积估值器及其收敛性分析 |
5.1 引言 |
5.2 模型参数和噪声统计估值器 |
5.2.1 在线估计未知噪声统计的方法 |
5.2.2 在线估计部分未知模型参数和未知噪声统计的方法 |
5.2.3 在线估计未知模型参数和未知噪声统计的方法 |
5.3 含未知噪声统计的自校正加权观测融合白噪声反卷积估值器 |
5.3.1 自校正加权观测融合白噪声反卷积融合器Ⅰ |
5.3.2 自校正加权观测融合白噪声反卷积融合器Ⅱ |
5.3.3 自校正加权观测融合白噪声反卷积融合器Ⅲ |
5.3.4 自校正加权观测融合白噪声反卷积融合器Ⅳ |
5.3.5 自校正加权观测融合白噪声反卷积融合器Ⅴ |
5.3.6 仿真例子 |
5.4 含未知噪声统计和未知模型参数的多传感器单通道AR系统的自校正加权观测融合白噪声反卷积估值器 |
5.4.1 自校正加权观测融合白噪声反卷积融合器 |
5.4.2 仿真例子 |
5.5 含未知噪声统计和未知模型参数的多传感器单通道ARMA系统的自校正加权观测融合白噪声反卷积估值器 |
5.5.1 自校正加权观测融合白噪声反卷积融合器Ⅰ |
5.5.2 自校正加权观测融合白噪声反卷积融合器Ⅱ |
5.5.3 仿真例子 |
5.6 本章小结 |
结论 |
参考文献 |
致谢 |
攻读博士学位期间发表学术论文 |
详细摘要 |
(10)基于ARMA新息模型的自校正信息融合滤波器(论文提纲范文)
中文摘要 |
Abstract |
绪论 |
第1章 多传感器动态系统未知噪声统计和/或未知模型参数的在线估值器 |
1.1 引言 |
1.2 未知噪声统计的估计方法(情形1) |
1.3 Q_w,S_i,R_i,R_(ij) (i≠j ) 未知,A_i (q ?1 ) 中含部分未知参数的估计方法(情形2) |
1.4 A( q~(-1) ),B( q~(-1)),Q_w,R_i,R_(ij) 全未知的估计方法(情形3) |
1.5 仿真例子 |
1.5.1 仿真例子1 |
1.5.2 仿真例子2 |
1.5.3 仿真例子3 |
1.6 本章小结 |
第2章 带未知噪声统计多传感器系统自校正解耦信息 融合估值器 |
2.1 引言 |
2.2 多传感器系统自校正解耦信息融合Kalman 估值器及其收敛性分析 |
2.2.1 多传感器系统局部及解耦信息融合最优Kalman 估值器 |
2.2.2 多传感器系统自校正解耦信息融合Kalman 估值器算法 |
2.2.3 自校正解耦信息融合Kalman 估值器的收敛性分析 |
2.3 多传感器系统自校正解耦信息融合Wiener 估值器及其收敛性分析 |
2.3.1 多传感器系统局部及解耦信息融合最优 Wiener 估值器 |
2.3.2 多传感器系统自校正解耦信息融合Wiener 估值器算法 |
2.3.3 自校正解耦信息融合Wiener 估值器的收敛性分析 |
2.4 仿真例子 |
2.4.1 仿真例子1 |
2.4.2 仿真例子2 |
2.5 本章小结 |
第3章 ARMA 信号自校正信息融合Wiener 滤波器 |
3.1 引言 |
3.2 带白色观测噪声的多传感器系统单通道AR 信号自校正信息融合Wiener滤波器 |
3.2.1 多传感器单通道AR 信号最优融合Wiener 滤波器 |
3.2.2 多传感器单通道AR 信号自校正加权融合Wiener 滤波器 |
3.3 多传感器单通道ARMA 信号自校正信息融合Wiener 滤波器 |
3.3.1 多传感器单通道ARMA 信号最优加权融合Wiener 滤波器 |
3.3.2 多传感器单通道ARMA 信号自校正加权融合Wiener 滤波器 |
3.4 仿真例子 |
3.4.1 仿真例子1 |
3.4.2 仿真例子2 |
3.5 本章小结 |
结论 |
参考文献 |
致谢 |
攻读硕士学位期间所发表的学术论文 |
四、状态输入估计两段解耦Wiener滤波器(论文参考文献)
- [1]地铁转向架构架载荷谱建立方法研究[D]. 马爽. 北京交通大学, 2021(02)
- [2]火电机组热工过程自抗扰控制的研究与应用[D]. 孙明. 华北电力大学(北京), 2021(01)
- [3]多传感器欠观测系统融合自校正增量Kalman滤波器[D]. 肖波. 黑龙江大学, 2020(04)
- [4]复杂条件下的重载列控系统安全制动模型研究[D]. 刘雨. 北京交通大学, 2020(03)
- [5]解耦内模控制在磨矿过程中的应用[D]. 贾巧娟. 河北工业大学, 2019(06)
- [6]面向知识创新的高校科研团队内部知识整合研究[D]. 赵丽梅. 哈尔滨工业大学, 2013(01)
- [7]数字接收前端非线性失真补偿技术研究[D]. 彭隽. 华中科技大学, 2011(05)
- [8]最优和自校正多传感器观测融合滤波方法和算法研究[D]. 高媛. 黑龙江大学, 2010(10)
- [9]最优和自校正多传感器信息融合白噪声反卷积估值器[D]. 孙小君. 黑龙江大学, 2010(10)
- [10]基于ARMA新息模型的自校正信息融合滤波器[D]. 王伟玲. 黑龙江大学, 2009(12)