新息
- 濾波辨識(8): 類多變量輸出誤差A(yù)RMA系統(tǒng)的濾波輔助模型遞階廣義增廣參數(shù)辨識
模型辨識思想、多新息辨識理論、遞階辨識原理等[1-7],以及梯度方法、最小二乘方法、牛頓方法,研究和提出系列遞推辨識方法和迭代辨識方法?！肚鄭u科技大學(xué)學(xué)報(自然科學(xué)版)》上的連載論文將濾波辨識理念與梯度方法和最小二乘方法相結(jié)合,研究了有限脈沖響應(yīng)滑動平均系統(tǒng)、方程誤差自回歸系統(tǒng)、輸出誤差自回歸滑動平均系統(tǒng)濾波遞推辨識方法和濾波迭代辨識方法[8-14]。最近的連載論文研究了類多變量方程誤差自回歸滑動平均(M-EEARMA-like)系統(tǒng)的濾波遞階廣義增廣參數(shù)
青島科技大學(xué)學(xué)報（自然科學(xué)版） 2023年5期2024-01-03
- 基于改進(jìn)卡爾曼濾波的水產(chǎn)養(yǎng)殖無人船導(dǎo)航方法*
消濾波是一種基于新息的自適應(yīng)濾波方法，其核心是如何選取最佳的漸消因子值［7］。文獻(xiàn)［8］中漸消因子推算過程繁雜，不易理解，不適合水產(chǎn)養(yǎng)殖無人船導(dǎo)航系統(tǒng)。文獻(xiàn)［9］從新增益與歷史增益關(guān)系入手，增加計算的未知變量，利用增益與預(yù)測協(xié)方差關(guān)系，得到漸消因子，計算過程忽視了量測方差值的影響。文獻(xiàn)［10］自適應(yīng)無跡卡爾曼濾波（unscented Kalman filtering，UKF）算法，結(jié)合最大后驗概率估計準(zhǔn)則和矩陣奇異值分解技術(shù)，計算過程繁瑣且不易理解，對處理
傳感器與微系統(tǒng) 2023年11期2023-11-20
- 基于改進(jìn)自適應(yīng)無跡卡爾曼濾波算法的鋰電池荷電狀態(tài)估計
是沒有考慮到誤差新息序列的振幅分布的變化。通過使用固定長度區(qū)間的誤差序列來計算新息協(xié)方差矩陣，導(dǎo)致無法應(yīng)對新息協(xié)方差矩陣的變化，使得誤差增大，甚至估計結(jié)果發(fā)散。文獻(xiàn)[11]采用一種變窗口噪聲估計器，通過識別誤差新息序列分布的變化，選擇分布變化后的誤差新息序列更新噪聲協(xié)方差。但是在其變窗口自適應(yīng)無跡卡爾曼濾波（Adaptive Unscented Kalman Filter，AUKF）算法設(shè)計中，窗口自適應(yīng)的算法估計結(jié)果具有一定波動性，在窗口自適應(yīng)階段產(chǎn)生突
汽車工程師 2023年11期2023-11-15
- 基于改進(jìn)擴(kuò)展卡爾曼濾波的AUV單信標(biāo)定位研究
法基礎(chǔ)上,融合多新息和遺忘因子,提出基于改進(jìn)擴(kuò)展卡爾曼濾波算法的AUV單信標(biāo)導(dǎo)航定位方法。充分利用不同時刻的新息,降低線性誤差帶來的不確定性,但過多地使用歷史數(shù)據(jù)會造成誤差累積。因此,在狀態(tài)更新時引入遺忘因子區(qū)分新舊數(shù)據(jù),削弱數(shù)據(jù)飽和。最后通過仿真實驗驗證本文提出方法的有效性和準(zhǔn)確性。1 單信標(biāo)定位狀態(tài)空間描述建立1.1 運(yùn)動學(xué)方程AUV航行過程中的深度信息可以通過深度傳感器準(zhǔn)確獲得,因此,能夠?qū)⑷S定位問題簡化為二維問題。為便于研究,以單信標(biāo)所在位置為慣
艦船電子對抗 2023年2期2023-04-25
- 基于電流比的單相斷線故障定位方法研究
線路斷線故障前后新息特征，構(gòu)建斷線故障的新息識別判據(jù)。針對電氣量獲取中存在的數(shù)據(jù)缺失、壞數(shù)據(jù)等問題，采用連支推算方法加以處理形成準(zhǔn)確新息后，構(gòu)建斷線故障定位的新息圖判據(jù)，并提出輸電線路斷線故障的電流比值定位方法。最后，通過仿真分析驗證定位方法的合理性和可行性。1 故障新息圖原理系統(tǒng)電氣量當(dāng)前時刻的測量值與根據(jù)上一時刻狀態(tài)估計結(jié)果得到的預(yù)報值之差即為新息，本文以故障前后的線路電流和各節(jié)點(diǎn)電壓為研究對象，用故障后一時刻電流、電壓測量值減去故障前一時刻電流、電壓
黑龍江電力 2022年5期2023-01-10
- 濾波辨識(3):方程誤差自回歸系統(tǒng)的濾波遞推廣義參數(shù)估計
模型辨識思想、多新息辨識理論、遞階辨識原理、耦合辨識概念等相結(jié)合[1-7],誕生出許多辨識方法,如輔助模型隨機(jī)梯度方法、輔助模型最小二乘方法、輔助模型牛頓辨識方法、多新息隨機(jī)梯度辨識方法、多新息最小二乘辨識方法、多新息牛頓辨識方法、遞階隨機(jī)梯度辨識方法、遞階最小二乘辨識方法、遞階牛頓辨識方法、耦合隨機(jī)梯度辨識方法、耦合最小二乘辨識方法、耦合牛頓辨識方法等。梯度方法、最小二乘方法、牛頓方法與濾波辨識理念相結(jié)合,誕生出濾波梯度辨識方法、濾波最小二乘辨識方法、濾
青島科技大學(xué)學(xué)報（自然科學(xué)版） 2022年6期2022-12-30
- 基于KL散度的緊組合導(dǎo)航欺騙式干擾檢測方法
干擾檢測。傳統(tǒng)的新息序列卡方檢測方法直接以組合導(dǎo)航濾波器新息構(gòu)建卡方檢測統(tǒng)計量，但卡方檢測容易擴(kuò)大檢測區(qū)域，導(dǎo)致對微小欺騙量檢測延時較大，漏警率較高。為提高算法性能，Bhatti[10]提出將新息的變化率作為檢測統(tǒng)計量，張超[6]提出將抗差估計與新息卡方檢測算法相結(jié)合。兩種方法重新構(gòu)建基于新息的欺騙檢測統(tǒng)計量，提高了對欺騙的檢測效果，但仍不滿足ICAO 對巡航階段的告警時間要求。KL散度是基于數(shù)理統(tǒng)計方法的重要概念之一，能夠有效描述樣本數(shù)據(jù)可能存在的兩個概
航空科學(xué)技術(shù) 2022年11期2022-11-28
- 基于自適應(yīng)SPRT的緩變式欺騙干擾檢測算法
算法以當(dāng)前時刻的新息作為檢測量，構(gòu)成檢驗統(tǒng)計量，適合檢測GNSS 測量值中階躍類型的誤差，而無法檢測出緩變類型的誤差，例如新息欺騙檢測算法和新息卡方檢測算法；“連續(xù)式”檢測算法將檢測窗口內(nèi)的新息序列作為檢測量，構(gòu)成檢驗統(tǒng)計量，檢測緩變類型的誤差，是目前常見的機(jī)載緩變式欺騙干擾檢測方法，例如新息序列卡方檢測算法。Wald提出的序貫概率比檢測（Sequential Probability Ratio Test，SPRT）算法是一種對小偏差敏感的檢測方法，廣泛應(yīng)
信號處理 2022年10期2022-11-16
- 濾波辨識(1):有限脈沖響應(yīng)滑動平均系統(tǒng)的濾波增廣參數(shù)估計
模型辨識思想、多新息辨識理論、遞階辨識原理、耦合辨識概念、濾波辨識理念等[1-7]相結(jié)合,誕生出許多辨識方法,如輔助模型投影方法、輔助模型隨機(jī)梯度方法、輔助模型最小二乘方法、輔助模型牛頓辨識方法等。從2017年開始在《青島科技大學(xué)學(xué)報(自然科學(xué)版)》連載“信號建模”論文,從2018年開始連載“傳遞函數(shù)辨識”論文26篇,即遍歷26個字母A,B,C,…,Z。最近的連載論文研究了線性回歸系統(tǒng)、方程誤差系統(tǒng)和輸出誤差系統(tǒng)的遞階遞推辨識方法和遞階迭代辨識方法[8-1
青島科技大學(xué)學(xué)報（自然科學(xué)版） 2022年4期2022-07-27
- GNSS/INS緊組合的新息優(yōu)化抗差估計欺騙檢測算法
是基于卡爾曼濾波新息向量作為檢測統(tǒng)計量[4]，具有成本低、效率高和計算量小等優(yōu)點(diǎn)，是一種應(yīng)用廣泛的假設(shè)檢驗方法。該方法可分成“快照法”和“連續(xù)法”[5]，“快照法”是以當(dāng)前時刻的新息向量構(gòu)成檢驗統(tǒng)計量，對階躍式欺騙干擾較為敏感；“連續(xù)法”是將一段時間內(nèi)的新息向量構(gòu)成檢驗統(tǒng)計量，對斜坡式欺騙干擾較為敏感。然而，GNSS/INS組合導(dǎo)航系統(tǒng)欺騙干擾檢測存在的難點(diǎn)是組合導(dǎo)航閉環(huán)校正機(jī)制[6]和緩慢增長的斜坡式欺騙檢測的時延問題。針對組合導(dǎo)航閉環(huán)校正機(jī)制問題，ZH
中國慣性技術(shù)學(xué)報 2022年2期2022-07-06
- 傳遞函數(shù)辨識(25):自回歸輸出誤差自回歸滑動平均系統(tǒng)的輔助模型遞階廣義增廣遞推參數(shù)估計
在《系統(tǒng)辨識:多新息辨識理論與方法》一書3.6節(jié)中,針對輸出誤差自回歸滑動平均(OEARMA)系統(tǒng)(即Box-Jenkins系統(tǒng)),研究了基于模型分解的輔助模型(多新息)廣義增廣隨機(jī)梯度算法和輔助模型(多新息)廣義增廣最小二乘算法,其中《兩階段輔助模型多新息廣義增廣隨機(jī)梯度算法和兩階段輔助模型廣義增廣最小二乘算法》發(fā)表在國際期刊IET Signal Processing 2013年第8期上[16]?！断到y(tǒng)辨識:迭代搜索原理與辨識方法》3.5節(jié)和4.5節(jié)研究
青島科技大學(xué)學(xué)報（自然科學(xué)版） 2022年2期2022-04-27
- 基于預(yù)濾波器和兩級AIME的GNSS/INS超緊組合慢變故障檢測
an濾波器的量測新息可以衡量量測和狀態(tài)估計的一致程度。基于新息序列的故障檢測是另一類重要的組合導(dǎo)航故障檢測方法。新息卡方檢驗法利用單歷元新息向量構(gòu)造故障檢測統(tǒng)計量，對突變故障有很好的檢測效果，但是對慢變故障的檢測并不十分有效。利用多歷元新息序列構(gòu)造檢測統(tǒng)計量是檢測慢變故障的一種有效方法。Litton公司提出的AIME(Autonomous Integrity Monitored Extrapolation)方法是一種最為經(jīng)典的多歷元新息檢測方法。文獻(xiàn)[13
航空學(xué)報 2022年3期2022-04-26
- 有源柔性配電網(wǎng)單相接地消弧方法研究
地故障后零序電流新息幅值，進(jìn)行比對選出故障饋線。提出一種主從式消弧線圈結(jié)構(gòu)，在此基礎(chǔ)上設(shè)計了柔性補(bǔ)償控制策略，最后利用 ADPSS搭建配電網(wǎng)模型，對其有效性進(jìn)行驗證。1 配電網(wǎng)單相接地故障動態(tài)辨識系統(tǒng)電氣量當(dāng)前時刻的測量值與根據(jù)上一時刻狀態(tài)估計結(jié)果得到的預(yù)報值之差即為新息。以故障前后的線路電流和各節(jié)點(diǎn)電壓為研究對象，用故障后一時刻電流、電壓測量值減去故障前一時刻電流，計算電流新息，如式1所示。(1)由回路電流法和圖論知識，根據(jù)上一時刻系統(tǒng)拓?fù)浣Y(jié)構(gòu)，在選取樹
黑龍江電力 2022年6期2022-02-01
- 傳遞函數(shù)辨識(24):線性回歸系統(tǒng)的變間隔遞階迭代參數(shù)估計
法、變間隔遞階多新息隨機(jī)梯度辨識方法、變間隔遞階遞推梯度辨識方法、變間隔遞階多新息遞推梯度辨識方法、變間隔遞階最小二乘辨識方法、變間隔遞階多新息最小二乘辨識方法[18]。這里討論線性回歸系統(tǒng)的變間隔遞階梯度迭代辨識方法、變間隔遞階多新息梯度迭代辨識方法、變間隔遞階最小二乘迭代辨識方法、變間隔遞階多新息最小二乘迭代辨識方法等。這些方法中可以引入加權(quán)因子和遺忘因子派生出變間隔加權(quán)遞階(多新息)梯度迭代辨識方法、變間隔加權(quán)遞階(多新息)最小二乘迭代辨識方法、變間
青島科技大學(xué)學(xué)報（自然科學(xué)版） 2022年1期2022-01-20
- 傳遞函數(shù)辨識(23):線性回歸系統(tǒng)的變間隔遞階遞推參數(shù)估計
方法和遞階遞推多新息辨識方法[17]、遞階(多新息)梯度迭代辨識方法和遞階(多新息)最小二乘迭代辨識方法[18]。本工作引入變間隔概念,基于線性回歸模型,研究損失數(shù)據(jù)系統(tǒng)和稀少量測數(shù)據(jù)系統(tǒng)的變間隔遞階遞推辨識方法,包括變間隔遞階隨機(jī)梯度類辨識方法、變間隔遞階遞推梯度類辨識方法、變間隔遞階最小二乘類辨識方法等[7]。提出的變間隔遞階遞推辨識方法可以推廣用于其他線性和非線性隨機(jī)系統(tǒng),以及信號模型的參數(shù)辨識[19-21]。1 線性回歸系統(tǒng)的遞階辨識模型《系統(tǒng)辨識
青島科技大學(xué)學(xué)報（自然科學(xué)版） 2021年6期2021-12-17
- 一種多新息分?jǐn)?shù)階的辨識算法
，但是由于利用單新息對參數(shù)進(jìn)行遞推估計，其性能仍不理想。為此，引入多新息理論[16]，基本思想是：將標(biāo)量新息擴(kuò)展為多新息向量，將新息向量擴(kuò)展為新息矩陣，每次迭代時既使用當(dāng)前數(shù)據(jù)，又使用過去的數(shù)據(jù)[17-20]。實際辨識所需的信息向量中包含很多不可測的特征變量，為了解決這一問題，建立輔助模型去逼近系統(tǒng)的不可測變量估計系統(tǒng)參數(shù)[21]，將輔助模型、分?jǐn)?shù)階項、多新息和LMSI相結(jié)合，提出一種基于輔助模型的多新息分?jǐn)?shù)階最小均方算法(auxiliary model
科學(xué)技術(shù)與工程 2021年32期2021-11-23
- 基于加權(quán)多新息AEKF的鋰電池SOC在線估算
文提出一種加權(quán)多新息自適應(yīng)擴(kuò)展卡爾曼濾波(multiple weighted-adaptive extended Kalman filtering，MW-AEKF)方法對電池SOC 進(jìn)行估計，引入了二階RC 等效電路模型，采用帶遺忘因子的遞推最小二乘法(forgetting factor-recursive least square，F(xiàn)FRLS)在線辨識電池參數(shù)。為驗證算法可行性，在自定義動態(tài)測試應(yīng)力(dynamic stress test，DST)工況和
儲能科學(xué)與技術(shù) 2021年6期2021-11-19
- 基于正弦函數(shù)處理新息的船舶模型參數(shù)辨識新算法
差信息（也可稱為新息）變成了誤差信息向量，稱為多新息辨識算法，取得了較好的理論與應(yīng)用成果；徐玲[2]利用動態(tài)窗數(shù)據(jù)將隨機(jī)梯度參數(shù)辨識方法中的標(biāo)量新息擴(kuò)展為新息向量，提出傳遞函數(shù)多新息隨機(jī)梯度參數(shù)估計方法，進(jìn)一步提高了辨識精度；謝朔等[3]提出的一種改進(jìn)的多新息擴(kuò)展卡爾曼濾波參數(shù)辨識方法，通過引入遺忘因子以降低歷史干擾數(shù)據(jù)的累積影響，經(jīng)此改進(jìn)算法辨識的船舶響應(yīng)模型參數(shù)更加精確；時振偉等[4]針對多元線性或非線性回歸系統(tǒng)，將耦合辨識思想與帶遺忘因子的有限數(shù)據(jù)窗
中國艦船研究 2021年5期2021-10-27
- 傳遞函數(shù)辨識(22): 線性回歸系統(tǒng)的遞階迭代參數(shù)估計
遞階辨識原理與多新息辨識理論相結(jié)合,誕生出的迭代辨識方法包括遞階多新息梯度迭代辨識方法、遞階多新息最小二乘迭代辨識方法、遞階多新息牛頓迭代辨識方法等。將遞階辨識原理與輔助模型辨識思想、多新息辨識理論相結(jié)合,誕生出的迭代辨識方法包括輔助模型遞階多新息梯度迭代辨識方法、輔助模型遞階多新息最小二乘迭代辨識方法、輔助模型遞階多新息牛頓迭代辨識方法。在一些系統(tǒng)辨識學(xué)術(shù)專著[1-6]和連載論文[7-16]中,先后介紹了動態(tài)系統(tǒng)和信號模型的參數(shù)估計方法。最近在“大系統(tǒng)的
青島科技大學(xué)學(xué)報（自然科學(xué)版） 2021年5期2021-10-21
- 基于新息速率抗差估計的INS/GNSS組合導(dǎo)航系統(tǒng)欺騙檢測算法
，通常使用殘差或新息序列作為檢驗統(tǒng)計量，檢測方式采用假設(shè)檢驗。這類方法的缺點(diǎn)是在欺騙干擾影響下組合導(dǎo)航系統(tǒng)的反饋校正機(jī)制會使殘差或新息序列偏離正常值導(dǎo)致誤警率和漏警率升高[4]。耦合欺騙檢測又可分為“快照法”和“連續(xù)法”?！翱煺辗ā笔且援?dāng)前時刻的新息序列構(gòu)成檢驗統(tǒng)計量，適合檢測GNSS 測量值中階躍類型的誤差，對緩變類型的誤差檢測時間較長，例如新息欺騙檢測、殘差卡方檢測屬于該類算法，在單路衛(wèi)星信號受到0.1 m/s 緩變類型的干擾時，新息欺騙檢測算法的檢測
中國慣性技術(shù)學(xué)報 2021年3期2021-10-17
- 傳遞函數(shù)辨識(21):線性回歸系統(tǒng)的遞階遞推參數(shù)估計
遞階辨識原理與多新息辨識理論相結(jié)合,誕生出的遞推辨識算法包括遞階多新息隨機(jī)梯度辨識方法、遞階多新息遞推梯度辨識方法、遞階多新息遞推最小二乘辨識方法、遞階多新息牛頓遞推辨識方法等;誕生出的迭代辨識算法包括遞階多新息梯度迭代辨識方法、遞階多新息最小二乘迭代辨識方法、遞階多新息牛頓迭代辨識方法等。有時省略“遞推”二字,將“多新息遞推辨識方法”簡稱為“多新息辨識方法”。將遞階辨識原理與輔助模型辨識思想、多新息辨識理論相結(jié)合,誕生出的遞推辨識算法包括輔助模型遞階多新
青島科技大學(xué)學(xué)報（自然科學(xué)版） 2021年4期2021-07-26
- 捷聯(lián)慣性基組合導(dǎo)航魯棒UKF方法
，來辨別濾波中的新息是否為異常，對于正常新息不予處理，對于異常的新息采用指數(shù)加權(quán)的方法得到新的“正確”新息以替代野值新息，這樣不但可以修正量測值，還可以提高該情況下濾波的估計精度，提高系統(tǒng)的魯棒性，根據(jù)江試實驗數(shù)據(jù)，對SINS/GPS 系統(tǒng)使用SVM-UKF 與常規(guī)UKF，RUKF 濾波組合導(dǎo)航的精度進(jìn)行比較。實驗結(jié)果表明，在量測量有野值污染的情況下，SVM-UKF 具有更高的估計精度。1 基于一類SVM 的野值識別與處理對于量測量中野值的辨別，一類SVM
艦船科學(xué)技術(shù) 2021年6期2021-07-06
- 基于多新息限定記憶的永磁同步電機(jī)參數(shù)辨識
建仿真模型，將多新息理論與遞推最小二乘法相結(jié)合解決抗干擾能力弱等問題，采用限定記憶方法避免辨識計算中的數(shù)據(jù)飽和問題，在仿真模型中驗證所提辨識算法的有效性，并搭建實驗平臺驗證其可行性。1 同步電機(jī)模型1.1 PMSM數(shù)學(xué)模型建立電機(jī)模型時，假設(shè)電機(jī)為理想條件，表貼式PMSM的定子繞組電氣對稱，忽略電機(jī)鐵芯飽和情況，則在旋轉(zhuǎn)d-q坐標(biāo)系下簡化的PMSM兩相電壓方程為(1)式(1)中:ud、uq分別為PMSM定子d、q軸電壓；Rs為定子電阻；id、iq分別為電機(jī)
科學(xué)技術(shù)與工程 2021年13期2021-06-24
- 傳遞函數(shù)辨識(20):有限脈沖響應(yīng)滑動平均系統(tǒng)的遞階增廣迭代參數(shù)估計
模型辨識思想、多新息辨識理論、遞階辨識原理、耦合辨識概念[1-6]是研究新型參數(shù)估計方法的有用工具,連載論文先后研究了信號模型、傳遞函數(shù)的參數(shù)估計[7-11]。最近,針對輸出誤差系統(tǒng),研究了輔助模型多新息隨機(jī)梯度算法、輔助模型多新息遞推梯度算法、輔助模型多新息最小二乘遞推算法等[12],以及輔助模型遞階多新息梯度迭代算法、輔助模型遞階多新息最小二乘迭代算法等[13];針對有限脈沖響應(yīng)滑動平均(FIR-MA)系統(tǒng),研究遞階增廣隨機(jī)梯度(HESG)算法、遞階多
青島科技大學(xué)學(xué)報（自然科學(xué)版） 2021年3期2021-06-09
- 傳遞函數(shù)辨識(19)：有限脈沖響應(yīng)滑動平均系統(tǒng)的遞階遞推增廣參數(shù)估計
載論文中，使用多新息辨識理論、遞階辨識原理、耦合辨識概念[1-6]，先后研究了信號模型、傳遞函數(shù)的參數(shù)估計[7-11]。最近，針對輸出誤差模型描述的動態(tài)隨機(jī)系統(tǒng):研究了輔助模型(多新息)隨機(jī)梯度算法、輔助模型(多新息)遞推梯度算法、輔助模型(多新息)最小二乘算法等[12]，以及輔助模型遞階(多新息)梯度迭代算法、輔助模型遞階(多新息)最小二乘迭代算法等[13]。有限脈沖響應(yīng)滑動平均模型(finite impulse response moving aver
青島科技大學(xué)學(xué)報（自然科學(xué)版） 2021年2期2021-04-10
- 基于多新息算法的階次未知的Wiener系統(tǒng)參數(shù)估計
效電路模型，將多新息理論和最小二乘結(jié)合形成多新息最小二乘辨識方法，在電池的充放電試驗中實施電池參數(shù)的有效估計；GAN Min等[15]首先利用投影算法估計系統(tǒng)的非線性參數(shù)，之后采用多新息最小二乘估計方案估計線性部分的參數(shù)，并和存在的一些估計方法對比，表現(xiàn)出較高的估計性能。由以上研究可知，對最小二乘算法的改進(jìn)工作有很多種方式，但是利用多新息理論進(jìn)行改進(jìn)是近幾年比較新穎的辨識方法。目前多新息最小二乘應(yīng)用于線性系統(tǒng)較多，非線性性系統(tǒng)相對較少且階次都是已知的，而應(yīng)
河南理工大學(xué)學(xué)報(自然科學(xué)版) 2021年1期2021-01-21
- 基于IGGIII 方案的自適應(yīng)漸消卡爾曼濾波器
加權(quán)組合思想求取新息協(xié)方差估計值，再采用交互多模算法進(jìn)行信息融合，從而獲得精度更高的濾波估計值，但該算法加權(quán)計算過程使時間復(fù)雜度明顯增大，濾波效率嚴(yán)重下降。文獻(xiàn)[6]通過構(gòu)建噪聲統(tǒng)計特性檢測函數(shù)進(jìn)行量測噪聲方差陣的梯度檢測，然后根據(jù)檢測結(jié)果利用窗口自適應(yīng)函數(shù)實時計算窗口寬度，避免滑動窗口長度固定帶來的濾波精度與跟蹤靈敏度之間的矛盾問題，然而該算法梯度檢測函數(shù)對3組預(yù)設(shè)量測噪聲方差修正系數(shù)進(jìn)行求和運(yùn)算，再進(jìn)行加和運(yùn)算求取最終梯度檢測值，影響了算法濾波實時性。
計算機(jī)工程與應(yīng)用 2020年14期2020-07-17
- 顧及新息向量的Sage-Husa濾波在手機(jī)GNSS定位中的應(yīng)用
成發(fā)，尚 睿顧及新息向量的Sage-Husa濾波在手機(jī)GNSS定位中的應(yīng)用朋子涵，高成發(fā)，尚 睿（東南大學(xué) 測繪工程系，南京 211189）針對手機(jī)精密單點(diǎn)定位解算時采用離散線性卡爾曼濾波方法不能充分考慮到手機(jī)數(shù)據(jù)特性，定位時可能引起誤差的問題，提出利用新息向量進(jìn)行手機(jī)精密單點(diǎn)定位的方法：給出卡爾曼濾波中新息向量的作用；并結(jié)合新息向量抗差卡爾曼濾波和Sage-Husa濾波方法，充分考慮手機(jī)觀測時數(shù)據(jù)誤差特點(diǎn)，完成手機(jī)精密單點(diǎn)定位。實驗結(jié)果表明，相對于常規(guī)離
導(dǎo)航定位學(xué)報 2020年2期2020-04-13
- 基于新息異常檢測的改進(jìn)抗差自適應(yīng)卡爾曼濾波算法
在卡爾曼濾波中，新息作為濾波中的關(guān)鍵量，含有量測的全部信息，并且對異常量測值極為敏感。因此，無論是在AKF還是抗差濾波中，經(jīng)常利用新息的特性估計量測噪聲方差或異常檢測，以期在保證濾波精度的前提下提高算法的魯棒性與容錯性。文獻(xiàn)[6-7]利用新息正交特性對量測中的異常值進(jìn)行辨識，然后利用抗差估計理論中的Huber方案構(gòu)造等價權(quán)函數(shù)(活化函數(shù))，并引入到卡爾曼濾波算法中，該活化函數(shù)通過降低量測異常值的權(quán)重提高了組合導(dǎo)航系統(tǒng)的抗差性能。文獻(xiàn)[8-9]依據(jù)新息服從多
導(dǎo)航定位與授時 2020年1期2020-02-18
- 基于多新息最小二乘算法的非線性系統(tǒng)辨識
性系統(tǒng)。為此，多新息最小二乘法(multi-innovation least squares,MILS)通過利用p組數(shù)據(jù)改善了遞推最小二乘的辨識性能。將多新息最小二乘算法嘗試用于處理含輸入非線性項的非線性系統(tǒng)辨識。在該算法中，利用關(guān)鍵項分離技術(shù)獲得線性分離的辨識模型，減少了冗余的參數(shù)估計和計算負(fù)擔(dān)。利用建立輔助模型解決內(nèi)部變量未知問題，提高了辨識的精度。非線性系統(tǒng)結(jié)構(gòu)如圖1所示。圖1中：f(·) 為多項式非線性子環(huán)節(jié)；L(·)為動態(tài)線性子系統(tǒng)；v(t)為系
自動化儀表 2019年9期2019-10-09
- 變遺忘因子多新息隨機(jī)梯度算法雙饋電機(jī)參數(shù)辨識
在各種不足，將多新息理論與傳統(tǒng)隨機(jī)梯度算法理論結(jié)合起來在一定程度上解決了這些問題，文獻(xiàn)[8]將隨機(jī)梯度算法與多新息思想結(jié)合，相對于傳統(tǒng)隨機(jī)梯度算法，增加了每次計算對數(shù)據(jù)的利用率，不僅減小了計算量，同時又大大提高了算法收斂速度。本文將雙饋電機(jī)dq坐標(biāo)系下數(shù)學(xué)模型轉(zhuǎn)化為標(biāo)準(zhǔn)辨識形式，采用定子磁鏈定向的矢量控制方法搭建雙饋電機(jī)矢量控制系統(tǒng)并采集數(shù)據(jù)，利用變遺忘因子多新息隨機(jī)梯度算法對雙饋電機(jī)參數(shù)進(jìn)行辨識，由仿真結(jié)果驗證了算法的有效性。1 雙饋電機(jī)模型1.1 dq
測控技術(shù) 2019年3期2019-09-20
- 基于變權(quán)新息協(xié)方差的自適應(yīng)卡爾曼濾波器
估計原理確定量測新息協(xié)方差的取值準(zhǔn)則，并實時解算漸消因子，調(diào)整預(yù)測協(xié)方差。文獻(xiàn)[5-6]將強(qiáng)跟蹤思想融入自適應(yīng)容積Kalman濾波器，提升其魯棒特性，解決因船舶及飛行器運(yùn)動模型偏差導(dǎo)致濾波精確度下降的問題。文獻(xiàn)[7-8] 在強(qiáng)跟蹤濾波器中引入了限定記憶理論，形成區(qū)間Kalman濾波器，通過漸消因子修正濾波增益，增強(qiáng)跟蹤突變狀態(tài)的能力。文獻(xiàn)[9]利用交互多模型算法與衰減記憶Kalman濾波，實時更新衰減因子，調(diào)整濾波增益，并成功運(yùn)用于預(yù)警機(jī)運(yùn)動跟蹤領(lǐng)域。文獻(xiàn)
西華大學(xué)學(xué)報（自然科學(xué)版） 2019年4期2019-07-11
- 基于多新息擴(kuò)展卡爾曼濾波的直接轉(zhuǎn)矩控制研究
計結(jié)果。本文將多新息辨識理論(Multi-Innovation Identification Theory，MIIT)引入EKF，設(shè)計多新息擴(kuò)展卡爾曼濾波(MI-EKF)算法，將其應(yīng)用于無傳感器DTC中，以提高轉(zhuǎn)速和磁鏈觀測精度。1 多新息辨識理論MIIT[13]是基于單新息辨識理論擴(kuò)展出的一種更加精確的辨識方法，通過建立數(shù)學(xué)模型來描述系統(tǒng)運(yùn)動規(guī)律的辨識算法，主要思想是利用系統(tǒng)前一時刻輸出的參數(shù)估計，加上增益向量與新息的乘積，對當(dāng)前時刻模型進(jìn)行修正[14-
上海電機(jī)學(xué)院學(xué)報 2018年5期2018-11-12
- 北斗三頻中長基線差分定位性能研究
其構(gòu)成卡爾曼濾波新息向量并且以此研究其對濾波性能影響的研究工作較少,本文將立足于此問題,并在上述逐級解算模糊度算法的基礎(chǔ)上,使用相鄰歷元B3頻段窄巷模糊度值構(gòu)成卡爾曼濾波的新息向量,利用前一歷元濾波值作為下一歷元的預(yù)測值,通過整個濾波過程新息向量內(nèi)積RMS值很容易分析出窄巷模糊度的誤差對濾波性能的影響,并結(jié)合卡爾曼濾波的發(fā)散條件進(jìn)行相關(guān)衛(wèi)星歷元篩選,最終可獲得中長基線厘米級定位精度并有效縮短首次收斂時間,對北斗高精度差分定位有一定意義。1 三頻差分定位基本
全球定位系統(tǒng) 2018年4期2018-10-09
- 雞蛋與玉米、豆粕的期貨價格動態(tài)關(guān)聯(lián)性研究
是每個內(nèi)生變量的新息對它自己及所有其他內(nèi)生變量產(chǎn)生的影響。lnPA、lnPM、lnPC三者之間的脈沖函數(shù)分析結(jié)果見圖2，響應(yīng)長度選擇50期。由圖2可以看出：第一，雞蛋期貨價格對其自身一個標(biāo)準(zhǔn)差的新息時立刻呈現(xiàn)出較強(qiáng)正向反應(yīng)，但從第2期就開始呈現(xiàn)穩(wěn)定的極緩慢下降趨勢；對來自豆粕期貨價格的新息在第1期沒有反應(yīng)，而在第3期產(chǎn)生微弱的正向反應(yīng)；對來自玉米期貨價格的沖擊幾乎沒有反應(yīng)，即使有反應(yīng)也是極其微弱的正向反應(yīng)。第二，豆粕期貨價格對來自雞蛋期貨價格一個標(biāo)準(zhǔn)差的新
時代金融 2018年21期2018-08-10
- M估計的強(qiáng)跟蹤SVD-UKF算法在組合導(dǎo)航中的應(yīng)用
蹤濾波框架建立在新息正交的基礎(chǔ)上，利用正常新息數(shù)據(jù)實現(xiàn)對實際狀態(tài)的強(qiáng)跟蹤，其并不能判斷帶有單粗差或多粗差的新息序列的健康程度。一旦異常數(shù)據(jù)污染了新息序列，強(qiáng)跟蹤濾波框架強(qiáng)迫新息殘差序列正交后導(dǎo)致多重漸消因子變化，引起估計結(jié)果的偏差，降低估計精度并可能導(dǎo)致濾波系統(tǒng)的發(fā)散。抗差估計是常用的解決衛(wèi)星信號野值數(shù)據(jù)問題的手段之一[2]。當(dāng)濾波系統(tǒng)中粗差的影響不可避免時，通過適當(dāng)?shù)氖侄蝸肀苊獯植顚顟B(tài)估計值的影響?？共罟烙嬍峭ㄟ^等價權(quán)來影響新息序列，以降低新息序列在出
電子科技 2018年7期2018-07-23
- 基于新息優(yōu)先累積法的GM(0,N)模型及其應(yīng)用
所以，本文將基于新息優(yōu)先的原則，改變累積法的累加順序，使越新的數(shù)據(jù)占的權(quán)重越大，并將其引入GM(0,N)模型的參數(shù)估計中，提高模型的預(yù)測精度。1 新息優(yōu)先累積法在實際情況中，預(yù)測需要更多地考慮最新的發(fā)展動態(tài)，新的信息對未來的影響大于舊的信息[9,10]。新息優(yōu)先累積法就是基于越新的數(shù)據(jù)的權(quán)重越大，越老的數(shù)據(jù)的權(quán)重越小的原則。設(shè)原始序列為：X={x1，x2，…，xn}，定義各階新息優(yōu)先累積和如下：依此類推，對任意自然數(shù)r，有：特別地，對序列長度為n的X={1
統(tǒng)計與決策 2018年12期2018-07-12
- 基于多步新息的機(jī)動檢測方法
預(yù)測量（）構(gòu)成的新息向量 d（k）=Y（k）－的變化情況，按照某一準(zhǔn)則或者邏輯進(jìn)行機(jī)動檢驗?；跈C(jī)動檢測結(jié)果，自適應(yīng)調(diào)整系統(tǒng)狀態(tài)噪聲陣或濾波增益，對機(jī)動目標(biāo)的運(yùn)動狀態(tài)進(jìn)行濾波估計和預(yù)測，從而實現(xiàn)對機(jī)動目標(biāo)的跟蹤功能。因此，可靠及時地檢測出目標(biāo)機(jī)動模式直接影響機(jī)動目標(biāo)跟蹤的性能。進(jìn)入21世紀(jì)后，由于電子技術(shù)的快速發(fā)展，反艦導(dǎo)彈性能有了大幅度提高。末端防御系統(tǒng)為了提高對反艦導(dǎo)彈的處理能力，一種方法是提高火控系統(tǒng)數(shù)據(jù)率，以充分使用跟蹤器的目標(biāo)量測數(shù)據(jù)，提高對超音
火力與指揮控制 2018年5期2018-06-13
- 基于極大似然估計的新息自適應(yīng)濾波算法
需要依賴于準(zhǔn)確的新息協(xié)方差估計值，而目前利用開窗法得到的新息協(xié)方差估值器并不能突出滑動窗口內(nèi)新近協(xié)方差序列的作用[10]，限制了進(jìn)一步提高其估計精度。為了提高濾波器在噪聲統(tǒng)計信息未知或者時變情況下的估計精度，首先本文在得到基于極大似然估計的新息協(xié)方差估值器后，提出了一種基于限定記憶指數(shù)衰減加權(quán)的改進(jìn)算法, 利用新息協(xié)方差的指數(shù)加權(quán)值代替其算數(shù)平均值，提高了新息估計的精度。對捷聯(lián)慣性導(dǎo)航系統(tǒng)/全球定位系統(tǒng)(strapdown inertial navigat
傳感器與微系統(tǒng) 2018年1期2018-01-24
- 基于多新息最小二乘法的船舶操縱響應(yīng)模型參數(shù)辨識
0063)基于多新息最小二乘法的船舶操縱響應(yīng)模型參數(shù)辨識謝 朔1,2a, 初秀民1， 柳晨光1,2a， 吳 青1,2b(1.國家水運(yùn)安全工程技術(shù)研究中心， 武漢 430063； 2.武漢理工大學(xué) a. 能源與動力工程學(xué)院; b. 物流工程學(xué)院， 武漢 430063)提出基于多新息最小二乘法的船舶二階非線性響應(yīng)型模型參數(shù)辨識方法。在實驗室環(huán)境下對模型船開展Z形試驗，分別應(yīng)用最小二乘遞推法和多新息最小二乘法對試驗數(shù)據(jù)進(jìn)行參數(shù)辨識；用得到的模型分別進(jìn)行Z形試驗預(yù)
中國航海 2017年1期2017-11-07
- 多新息抗差—自適應(yīng)卡爾曼濾波定位算法研究*
125000)多新息抗差—自適應(yīng)卡爾曼濾波定位算法研究*李雅梅， 康璐璐(遼寧工程技術(shù)大學(xué) 電氣與控制學(xué)院,遼寧 葫蘆島 125000)針對移動機(jī)器人在定位過程中，由傳感器測量誤差和機(jī)器人模型引起的位姿誤差導(dǎo)致系統(tǒng)定位精度急劇下降的問題，提出了一種多新息卡爾曼濾波算法。在標(biāo)準(zhǔn)卡爾曼濾波的基礎(chǔ)上，當(dāng)傳感器測量值存在誤差時，引入抗差權(quán)因子，通過改變誤差測量值的權(quán)值提高濾波器的估計精度；當(dāng)機(jī)器人位姿存在誤差時，引入自適應(yīng)因子，通過調(diào)整狀態(tài)協(xié)方差矩陣的大小抵制位姿
傳感器與微系統(tǒng) 2017年9期2017-09-11
- 基于非參數(shù)分位數(shù)方法對金融風(fēng)險的研究
驅(qū)動，不需要設(shè)定新息項的分布，并同新息項服從正態(tài)分布、T分布和GED分布計算的VaR進(jìn)行對比，得到了比較理想的結(jié)果，從而為金融風(fēng)險研究提供了較有效的參考方法。非參數(shù)；分位數(shù)；風(fēng)險預(yù)測0 引言近年來，我國經(jīng)濟(jì)正處于結(jié)構(gòu)調(diào)整和轉(zhuǎn)型升級的階段，金融市場在支持這項重任的同時還需要注意防范和化解金融風(fēng)險。而VaR(Value at Risk)作為一種金融風(fēng)險管理工具，已經(jīng)得到了廣泛的應(yīng)用。VaR方法是20世紀(jì)80年代美國金融機(jī)構(gòu)提出的金融風(fēng)險測度方法[1]，現(xiàn)在已經(jīng)
統(tǒng)計與決策 2016年24期2017-01-09
- 基于新息估計和正交投影的閉環(huán)子空間模型辨識
侯杰 劉濤基于新息估計和正交投影的閉環(huán)子空間模型辨識侯杰1劉濤1針對閉環(huán)控制系統(tǒng)提出一種基于新息估計和正交投影的閉環(huán)子空間模型辨識方法.首先采用最小二乘法對VARX模型(Vector autoregressive with exogenous inputs model)進(jìn)行計算得到新息估計值,然后通過將由觀測輸入輸出數(shù)據(jù)構(gòu)造的Hankel矩陣正交投影到新息數(shù)據(jù)的正交補(bǔ)空間以消除噪聲影響,從而在無噪聲的輸入輸出數(shù)據(jù)奇偶空間中提取得到擴(kuò)展可觀測矩陣和下三角形T
自動化學(xué)報 2016年11期2016-12-17
- 基于遺忘因子多新息隨機(jī)梯度算法PMSM參數(shù)辨識
)基于遺忘因子多新息隨機(jī)梯度算法PMSM參數(shù)辨識張建宇，吳定會(江南大學(xué) 輕工過程先進(jìn)控制教育部重點(diǎn)實驗室,無錫 214122)針對傳統(tǒng)辨識算法結(jié)果不精確以及電機(jī)參數(shù)變化問題，提出了基于遺忘因子多新息隨機(jī)梯度辨識算法。結(jié)合永磁同步電機(jī)系統(tǒng)電壓方程，構(gòu)建離散辨識模型。采用矢量控制方法控制電機(jī)，獲得辨識模型輸入輸出數(shù)據(jù)，對轉(zhuǎn)子電阻和電感參數(shù)進(jìn)行在線辨識。仿真結(jié)果表明，該算法能夠?qū)崿F(xiàn)對永磁同步電機(jī)參數(shù)的辨識。永磁同步電機(jī)；SVPWM矢量控制；遺忘因子；多新息隨機(jī)
微特電機(jī) 2016年11期2016-08-28
- 基于逐步優(yōu)化構(gòu)造新息背景值和倒數(shù)累加生成的非等間距多變量新息MGRM(1,n)模型*
基于逐步優(yōu)化構(gòu)造新息背景值和倒數(shù)累加生成的非等間距多變量新息MGRM(1,n)模型*韓朝暉1*，韓樂2(1.湖南文理學(xué)院，湖南 常德 415000；2.中南大學(xué) 建筑與藝術(shù)學(xué)院，湖南 長沙 410000)應(yīng)用逐步優(yōu)化和新息建模方法,構(gòu)造多變量非等間距新息灰色模型MGRM(1,n)的新息背景值,基于倒數(shù)累加生成,以數(shù)據(jù)的第m個分量作為灰色微分方程解的初始條件,建立了多變量非等間距新息模型MGRM(1,n).該新型模型不僅適合于等間距建模，也適合于非等間距建模
湘潭大學(xué)自然科學(xué)學(xué)報 2016年1期2016-08-26
- 自適應(yīng)卡爾曼濾波在航空重力異常解算的應(yīng)用研究
爾曼濾波模型，將新息自適應(yīng)卡爾曼濾波器(IAE，Innovation based Adaptive Estimation)應(yīng)用于量測噪聲未知的航空重力異常解算.針對IAE濾波器滑動窗口寬度難以準(zhǔn)確確定的問題，通過對多個不同滑動窗口新息協(xié)方差估計的加權(quán)平均，獲得改進(jìn)的IAE濾波器，該IAE濾波器不僅具有量測噪聲自適應(yīng)估計能力，還能實現(xiàn)滑動采樣窗口的優(yōu)化選取.試驗結(jié)果表明，IAE濾波器可以降低因量測噪聲統(tǒng)計信息不明引起的解算誤差，改進(jìn)IAE解算的重力異常誤差約
地球物理學(xué)報 2016年4期2016-06-30
- 基于多新息耦合最小二乘算法的電力系統(tǒng)狀態(tài)空間辨識
模型辨識思想、多新息辨識思想、耦合辨識思想等一系列新方法[10]，給電力系統(tǒng)狀態(tài)空間辨識帶來了新的思路。鑒于此，本文從理論上分析了采用傳統(tǒng)最小二乘算法用于多輸入多輸出系統(tǒng)辨識時造成計算量大的根本原因，引入了耦合最小二乘算法解決上述問題，結(jié)合多新息思想推導(dǎo)了多新息耦合最小二乘算法的計算方法，實現(xiàn)了利用類噪聲信號完成電力系統(tǒng)狀態(tài)空間辨識。4機(jī)2區(qū)以及10機(jī)39節(jié)點(diǎn)系統(tǒng)驗證了本文方法的有效性。1 電力系統(tǒng)狀態(tài)空間辨識方法1.1 問題描述電力系統(tǒng)在穩(wěn)定運(yùn)行點(diǎn)附近通
電力自動化設(shè)備 2015年7期2015-09-20
- 組合導(dǎo)航中一種新息自適應(yīng)卡爾曼濾波算法
的發(fā)散控制方式,新息可以用來作為判斷和調(diào)整濾波器增益的依據(jù)[2]。目前,國內(nèi)外對于自適應(yīng)卡爾曼濾波器的研究逐漸集中在兩個方面:基于新息自適應(yīng)估計(IAE)[3]的卡爾曼濾波器和多模型卡爾曼濾波器(MMAE)[4]。本文提出了一種基于IAE的卡爾曼濾波算法,可以通過實際新息的量測計算直接實現(xiàn)修正卡爾曼濾波增益,提高了在GPS測量發(fā)生較大變化時卡爾曼濾波器的精度和魯棒性[5]。通過仿真實驗對比分析了這種方法與傳統(tǒng)卡爾曼濾波方法的定位誤差,研究結(jié)果表明基于新息的
全球定位系統(tǒng) 2014年4期2014-08-21
- 基于多新息理論的PID神經(jīng)網(wǎng)絡(luò)改進(jìn)算法
識，這為本文將多新息辨識算法引入PID神經(jīng)網(wǎng)絡(luò)做了準(zhǔn)備。PID神經(jīng)網(wǎng)絡(luò)采用傳統(tǒng)的BP算法的批處理模式進(jìn)行權(quán)值的修正，從辨識的精度上考慮，批處理法擬合系統(tǒng)實際輸入輸出的效果優(yōu)于在線模式，但從實時辨識與控制角度考慮，在線模式優(yōu)于批處理法。在線模式對權(quán)值的修正值利用了系統(tǒng)當(dāng)前的輸入輸出數(shù)據(jù)，沒有利用歷史的輸入輸出數(shù)據(jù)，壞數(shù)據(jù)對網(wǎng)絡(luò)權(quán)值修正的影響大。丁鋒等人提出的多新息辨識方法利用當(dāng)前與歷史輸入輸出數(shù)據(jù)，能減小壞數(shù)據(jù)的影響，提高系統(tǒng)辨識的精度。受文[4]啟發(fā)，本文
網(wǎng)絡(luò)安全技術(shù)與應(yīng)用 2014年2期2014-07-23
- 中美股市與債市聯(lián)通程度對比
自身的一個標(biāo)準(zhǔn)差新息在第1期即有較強(qiáng)的反應(yīng)，在第2期迅速降低，第3期以后，新息的影響基本消失；而RS1對來自RB1的一個標(biāo)準(zhǔn)差新息在第一期沒有立即反應(yīng)，第2期小幅下降，第3期出現(xiàn)反向變動，第4期以后，新息的影響基本消失.圖3 RS1對一個標(biāo)準(zhǔn)差新息的脈沖響應(yīng)由圖4可知，RB1對其自身的一個標(biāo)準(zhǔn)差新息在第1期即有較強(qiáng)的反應(yīng)，在第2期迅速降低，在第3期小幅上升，第4期以后，新息的影響基本消失；而RB1對來自RS1的一個標(biāo)準(zhǔn)差新息在第1期的反應(yīng)便很微弱，第2期以
宜賓學(xué)院學(xué)報 2014年12期2014-07-20
- 基于多新息隨機(jī)梯度永磁同步電機(jī)參數(shù)辨識
00054基于多新息隨機(jī)梯度永磁同步電機(jī)參數(shù)辨識徐鵬1，2，肖建1，周鵬2，李山21.西南交通大學(xué)電氣工程學(xué)院，成都 6100312.重慶理工大學(xué)電子信息與自動化學(xué)院，重慶 400054永磁同步電機(jī)（Permanent Magnet Synchronous Motor，PMSM）具有響應(yīng)快、高精度、高轉(zhuǎn)矩比等諸多優(yōu)點(diǎn)。在永磁同步電機(jī)系統(tǒng)數(shù)學(xué)模型基礎(chǔ)上，構(gòu)建系統(tǒng)回歸模型，推導(dǎo)得永磁同步電機(jī)多新息隨機(jī)梯度參數(shù)辨識算法（MISG），仿真和實時實驗結(jié)果表明由于MI
計算機(jī)工程與應(yīng)用 2014年6期2014-07-07
- 考慮來水的東江流域用水量脈沖響應(yīng)
響,并比較各方程新息對變量波動的重要性。在進(jìn)行各變量VAR建模之前,必須對各時間序列的隨機(jī)性和平穩(wěn)性進(jìn)行分析,如進(jìn)行單位根檢驗,以判斷它們是否滿足建模條件,即自變量和因變量之間是否有長期穩(wěn)定的均衡關(guān)系。一般可用協(xié)整的方法通過對回歸系數(shù)的Johansen協(xié)整檢驗和回歸殘差的協(xié)整檢驗來研究各變量的長期均衡關(guān)系[7]。多變量的VAR建模分析流程如圖1所示。圖1 多變量的VAR建模分析流程本文通過構(gòu)建研究區(qū)東江流域來水量和各行業(yè)用水量的VAR模型,對各變量脈沖響應(yīng)
水資源保護(hù) 2014年5期2014-06-07
- 基于AR模型參數(shù)的導(dǎo)航系統(tǒng)故障檢測
。由于GPS偽距新息數(shù)據(jù)是連續(xù)的時間序列，可以進(jìn)行AR建模，當(dāng)其連續(xù)的時間序列中某些數(shù)據(jù)發(fā)生故障時，將改變系統(tǒng)的動態(tài)特性從而影響偽距新息序列的特性，使得其不再具有白噪聲特性，均值不再為零，另外其方差陣也將偏離濾波理論值，從而導(dǎo)致AR模型參數(shù)發(fā)生變化，因此可以利用AR模型參數(shù)的變化進(jìn)行這類系統(tǒng)的故障檢測，即這類系統(tǒng)的故障檢測問題就轉(zhuǎn)化為如何盡可能快地檢測AR模型參數(shù)的改變。2 基于AR模型參數(shù)變化的導(dǎo)航系統(tǒng)故障檢測模型基于AR模型參數(shù)變化的導(dǎo)航系統(tǒng)故障檢測模
電子設(shè)計工程 2014年15期2014-01-15
- 基于條件極值模型的上證綜指尾部風(fēng)險研究
布隨機(jī)變量，稱為新息(innovation)，它與at－1…a0相互獨(dú)立.本文采用ARMA(1，1)－GARCH(1，1)模型的對新息的分布采用三種假設(shè):正態(tài)分布，t 分布和偏t(skewed t)分布.另外a0＞0，α1，β1≥0，α1+β1＜1.下一天的收益率估計為:若給定新息εt所服從的分布，通過計算可以得到新息的雙側(cè)VaR和ES，分別用來表示，進(jìn)而可以計算下一日收益率的雙側(cè)VaR和ES.對于下一日收益率:由于選擇了三種對新息分布的假設(shè)，所以我們已經(jīng)
- 基于綜合目標(biāo)函數(shù)的神經(jīng)網(wǎng)絡(luò)多新息辨識算法
函數(shù)的神經(jīng)網(wǎng)絡(luò)多新息辨識算法徐寶昌,劉新樂(中國石油大學(xué)地球物理與信息工程學(xué)院,北京 102249)為提高動態(tài)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的辨識精度及抗噪性能,提出一種基于綜合目標(biāo)函數(shù)的多新息辨識算法。該算法基于多新息理論在最小均方誤差目標(biāo)函數(shù)中引入一輔助項構(gòu)造綜合目標(biāo)函數(shù),利用該目標(biāo)函數(shù)進(jìn)行網(wǎng)絡(luò)輸出層權(quán)值的訓(xùn)練,并采用牛頓法推導(dǎo)出輸出層權(quán)值的遞推計算公式。與已有二階學(xué)習(xí)算法相比,新算法魯棒性強(qiáng),收斂速度快,辨識精度高。仿真結(jié)果驗證了算法的有效性。系統(tǒng)辨識；綜合目標(biāo)函
中國石油大學(xué)學(xué)報（自然科學(xué)版） 2013年2期2013-07-07
- 永磁同步電機(jī)在線多參數(shù)辨識方法研究
。文獻(xiàn)［8］把多新息最小二乘法引入到感應(yīng)電機(jī)參數(shù)辨識中來，但其未加入遺忘因子對協(xié)方差矩陣進(jìn)行更新，跟蹤精度不高。本文采用帶遺忘因子的多新息最小二乘法，對面裝式永磁同步電動機(jī)進(jìn)行在線參數(shù)辨識，該方法僅利用定子電壓、電流信號和轉(zhuǎn)速信號，減少了其它因素干擾;多新息方法可以抑制壞數(shù)據(jù)對參數(shù)辨識的影響，具有較強(qiáng)的魯棒性，而合理選擇遺忘因子對協(xié)方差矩陣可進(jìn)行更新，可以加速辨識參數(shù)的收斂。仿真結(jié)果表明辨識具有較好收斂性、魯棒性與較高精度。1 多新息最小二乘法最小二乘法又
微特電機(jī) 2012年6期2012-06-19
- 抗野值魯棒濾波在微慣性組合導(dǎo)航中的應(yīng)用*
－3］中基于濾波新息的統(tǒng)計特性，檢測野值，通過直接剔除觀測值或修正觀測值來去除野值的影響;但是魯棒H∞濾波在應(yīng)用過程中并不對噪聲統(tǒng)計特性做假設(shè)，所以這些方法就不適用。在現(xiàn)有的野值剔除方法中，文獻(xiàn)［4］提出了利用新息平均值代替含野值新息的方法，但是此方法在野值成片出現(xiàn)的情況下效果不佳。本文采用小波變換檢測信號奇異性的方法，在時頻域?qū)σ爸颠M(jìn)行處理。通過分析最細(xì)尺度上的系數(shù)信息，快速檢測出野值點(diǎn)，之后采用基于信息擴(kuò)散原理的新息修正魯棒H∞濾波方法，通過對車載ME
傳感技術(shù)學(xué)報 2012年6期2012-06-12
- 論息縣在中國縣制史上的地位
改稱“息縣”為“新息”，隸汝南郡?？h之“息”名未變但卻加了一個“新”字。這該作何理解？孟康在詮釋《漢書·地理志》“汝南郡……新息”時作了如下說明：“新息，故息國其后東遷，故加新云。”（《漢書地理志補(bǔ)注》卷十三：“新息”）原來西周所分封的姬姓息侯國先后有過兩個都城，舊城即“故息城”（后世又稱“故息里”）相對偏西南，新城即“新息故城”（后世又稱“新息里”）相對偏東北，兩城僅相距約六公里①《元和郡縣志》：“今蔡州新息縣，本春秋時息侯國……故城在今縣（按：指新息縣