CN110826021B - 一种非线性工业过程鲁棒辨识和输出估计方法 - Google Patents
一种非线性工业过程鲁棒辨识和输出估计方法 Download PDFInfo
- Publication number
- CN110826021B CN110826021B CN201911053823.XA CN201911053823A CN110826021B CN 110826021 B CN110826021 B CN 110826021B CN 201911053823 A CN201911053823 A CN 201911053823A CN 110826021 B CN110826021 B CN 110826021B
- Authority
- CN
- China
- Prior art keywords
- model
- distribution
- parameter
- output
- local
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 23
- 238000009826 distribution Methods 0.000 claims abstract description 86
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 238000009776 industrial production Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 11
- 238000000342 Monte Carlo simulation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Manufacturing & Machinery (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Complex Calculations (AREA)
Abstract
一种非线性工业过程鲁棒辨识和输出估计方法,涉及工业过程建模及模型参数辨识领域,针对现有技术当输出数据中存在异常值时,会导致***辨识精度降低的问题,包括以下步骤:步骤一:选取***局部模型,并基于拉普拉斯分布,建立多模型非线性***的鲁棒概率模型;步骤二:根据变分贝叶斯框架,建立隐变量后验分布和待估计参数的迭代更新公式;步骤三:设定步骤二中所建立的隐变量后验分布和待估计参数迭代更新公式的终止条件,当迭代终止时,记录最终的迭代结果作为估计的最优参数,进而通过局部模型插值得到模型输出值。
Description
技术领域
本发明涉及工业过程建模及模型参数辨识领域,具体为一种非线性工业过程鲁棒辨识和输出估计方法。
背景技术
实际工业过程中,出于资源、成本等方面因素的考虑,往往会在多个工况进行转移,进而会导致***存在非线性特性。对这些动态特性进行精确建模,是实现后续状态估计和控制的必要前提。单一的线性模型往往难以在大的工作范围内描述***的非线性特性。而采取多个线性模型加权组合的方式,凭借局部线性结构和全局非线性特性,能较好地反映工业过程中存在的非线性动态,因此得到广泛应用。
由于工业过程不可避免会出现传感器故障及外界干扰等因素,往往会导致收集的过程输出数据中存在异常值。若在辨识算法中为考虑这些异常值的作用,往往会导致***辨识精度的降低。
发明内容
本发明的目的是:针对现有技术由于工业过程不可避免会出现传感器故障及外界干扰等因素,往往会导致收集的过程输出数据中存在异常值。若在辨识算法中为考虑这些异常值的作用,往往会导致***辨识精度的降低的问题,提出一种非线性工业过程鲁棒辨识和输出估计方法。
本发明为了解决上述技术问题采取的技术方案是:一种非线性工业过程鲁棒辨识和输出估计方法,包括以下步骤:
步骤一:选取***局部模型,并基于拉普拉斯分布,建立多模型非线性***的鲁棒概率模型;
步骤二:根据变分贝叶斯框架,建立隐变量后验分布和待估计参数的迭代更新公式;
步骤三:设定步骤二中所建立的隐变量后验分布和待估计参数迭代更新公式的终止条件,当迭代终止时,记录最终的迭代结果作为估计的最优参数,进而通过局部模型插值得到模型输出值。
进一步的,所述步骤一的具体步骤为:
步骤一一:选取自回归各态历经模型,即ARX模型,作为多模型***的局部模型,该局部模型的回归量中包含收集到的工业生产过程输入和输出数据;
其中,zn=[zn1,...,znK]为二值隐变量,当znk=1时,表示第n个采样点处的局部模型身份为k;λ=[λ1,...,λK]为拉普拉斯分布的尺度参数,拉普拉斯分布满足
其中,vn为拉普拉斯分布的隐变量;
步骤一三:当辨识得到K个局部ARX模型的参数值,非线性***的全局模型由K个局部ARX模型插值得到,***输出的估计值表示为
ωnk选取为高斯核函数的形式,即
其中Tk为预先设定的工作点,Hn为可测量的调度变量的值,ok为第k个子模型的有效宽度,表示局部模型身份的二值变量zn表示为
进一步的,所述步骤一一中ARX模型可表示为:
其中,为模型回归量,yn为收集到的非线性过程的输出值,un为输入值,为第In个局部模型的模型参数,In∈{1,2,...,K}表示局部模型的身份,en为随机噪声,n=1,2,...,N表示过程的采样点。
进一步的,所述步骤二的详细步骤为:
步骤二一:根据全概率公式,得到***鲁棒概率模型的联合概率分布;
步骤二三:VB E步,更新隐变量的后验概率如下:
(1)q(Z)服从多项分布:
<a>b表示a关于b的数学期望;
(2)q(θk)服从正态分布
其中
(3)q(δk)服从Gamma分布
其中
p为局部模型的阶次,tr(·)表示矩阵的迹;
(4)q(vn)服从广义逆高斯分布
q(vn)=GIG(vn|p,a,b)
其中
根据以上分布,得各变量的期望值如下
其中最优的参数可以通过Matlab的“fmincon”优化函数求解得到。
进一步的,所述步骤二一中***鲁棒概率模型的联合概率分布为:
Z={zn}n=1,...,N,Θ={θk}k=1,...,K,δ={δk}k=1,...,K,v={vn}n=1,...,N,λ={λk}k=1,...,K,o={ok}k=1,...,K分别为二值模型身份矩阵、局部模型参数矩阵、Gamma分布的超参数、拉普拉斯分布的尺度参数和局部模型的有效宽度。
进一步的,所述步骤三中所建立的隐变量后验分布和待估计参数的迭代更新的终止条件如下:
进一步的,所述优化算法为拉格朗日乘子法。
本发明的有益效果是:针对工业过程中存在的异常值问题,基于拉普拉斯分布,对非线性***进行了鲁棒建模;并基于变分贝叶斯框架,将***参数估计过程中后验概率密度函数涉及的高维积分(求和)难以求解问题,转化为近似变分分布的估计问题,进而提高了参数估计效率,同时保证了参数估计和输出估计的精度,对于非线性过程的鲁棒辨识理论和实际工业过程应用具有重要的意义。
附图说明
图1为本发明的流程图。
图2为信噪比SNR=25dB,输出异常值比例5%的情况下50次蒙特卡洛仿真参数估计误差棒图。
图3为信噪比SNR=25dB,输出异常值比例10%的情况下50次蒙特卡洛仿真参数估计误差棒图
图4为不同信噪比和输出异常值比例下的参数偏差范数(BN)图。
图5为进行鲁棒建模与未进行鲁棒建模VB算法的输出估计对比图。
图6为本发明算法的参数相对估计误差(RPEE)随迭代次数变化曲线图。
具体实施方式
具体实施方式一:参照图1具体说明本实施方式,本实施方式所述的一种非线性工业过程鲁棒辨识和输出估计方法,包括以下步骤:
步骤一:选取***局部模型,并基于拉普拉斯分布,建立多模型非线性***的鲁棒概率模型;
步骤二:根据变分贝叶斯框架,建立隐变量后验分布和待估计参数的迭代更新公式;
步骤三:设定步骤二中所建立的隐变量后验分布和待估计参数迭代更新公式的终止条件,当迭代终止时,记录最终的迭代结果作为估计的最优参数,进而通过局部模型插值得到模型输出值。
本发明的详细步骤为:
第一步:基于拉普拉斯分布,建立多模型非线性***的鲁棒概率模型,具体过程为:
步骤1.1:由于ARX模型结构能较好地刻画***的输入输出特性,因此选取作为多模型***的局部模型,可表示为:
步骤1.2:传统方法假设随机噪声en服从零均值的高斯分布,但高斯分布模型对实际工业过程中的异常点比较敏感,进而会导致辨识算法的估计效果较差。因此,本发明基于更重尾的拉普拉斯分布,建立***的鲁棒概率模型,即
进而可得到***输出的条件概率分布仍为拉普拉斯分布
其中vn为拉普拉斯分布的隐变量。
步骤1.3:当辨识得到K个局部ARX模型的参数值后,非线性***的全局模型由K个局部ARX模型插值得到,进而***输出的估计值可表示为
ωnk选取为高斯核函数的形式,即
其中Tk为预先设定的工作点,Hn为可测量的调度变量的值,ok为第k个子模型的有效宽度(待定参数)。
因此,表示局部模型身份的二值变量zn可表示为如下多项分布的形式
步骤1.4:选取***模型参数的先验分布。为形成共轭先验,***模型参数假定服从高斯分布
其中超参数δk服从Gamma分布
至此,基于拉普拉斯分布,建立了非线性***的鲁棒概率模型。本发明的主要目的是,根据观测数据集W={u,y,H,T},基于变分贝叶斯框架,鲁棒辨识得到非线性***的局部模型参数,并估计得到***的真实输出值。
第二步:根据变分贝叶斯框架,建立隐变量后验分布和待估计参数的迭代更新公式,具体过程为:
步骤2.1:根据全概率公式,得到***鲁棒概率模型的联合概率分布为
其中h={Z,Θ,δ,v}视为隐变量,视为待估计参数。Z={zn}n=1,...,N,Θ={θk}k=1,...,K,δ={δk}k=1,...,K,v={vn}n=1,...,N,λ={λk}k=1,...,K,o={ok}k=1,...,K分别为二值模型身份矩阵、局部模型参数矩阵、Gamma分布的超参数、拉普拉斯分布的尺度参数和局部模型的有效宽度。
其中为变分下界,KL(·)为变分分布q(h)与之间的KL散度,当时,KL散度为零。故求解隐变量的后验概率分布问题等价于极大化变分下界问题,从而可避免直接求解后验概率时所需计算的高维积分(求和)。因此,变分贝叶斯框架包含两大步骤:
步骤2.3:VB E步,更新隐变量的后验概率如下:
(1)q(Z)服从多项分布:
<a>b表示a关于b的数学期望。
(2)q(θk)服从正态分布
其中
其中
p为局部模型的阶次,tr(·)表示矩阵的迹。
(4)q(vn)服从广义逆高斯分布
q(vn)=GIG(vn|p,a,b) (23)
其中
根据以上分布,可得各变量的期望值如下
步骤2.4:VB M步,根据(15),可更新未知参数如下:
其中最优的参数可以通过Matlab的“fmincon”优化函数求解得到。
第三步:第二步所建立的隐变量后验分布和待估计参数的迭代更新的终止条件如下:
实施例:
(1)选取一个一阶过程,其传递函数如下:
其中K(w)=w2+0.6为***增益,τ(w)=0.5w3+3为***时间常数,调度变量w的取值范围为w∈[1,4]。由于在该工作范围内,***增益和时间常数可变化10倍以上,因此单一的线性模型难以描述该***的动态特性。现采取多个局部ARX模型加权组合的方式,进行该非线性过程的辨识实验。选取三个工作点:w=1,w=2.25和w=4。调度变量按如下方式变化:
1~100s:位于工作点w=1;
101~400s:由工作点w=1线性变化至工作点w=2.25;
401~550s:位于工作点w=2.25;
551~750s:由工作点w=1线性变化至工作点w=4;
751~900s:位于工作点w=4;
为辨识该非线性过程,输入信号设计为随机二值序列,并在收集到的输出数据上,添加不同程度的噪声和异常值(均匀分布在[-5,5]范围内),以验证算法的有效性。
(2)仿真结果:
固定随机噪声的峰值信噪比为25dB,异常值比例为5%和10%时,进行50次蒙特卡洛仿真,并将所估计的50个模型参数求取均值和标准差,得到参数估计误差棒图如图2和图3所示,其中圆圈为局部模型参数的真实值,菱形为蒙特卡洛仿真估计参数的平均值,竖直棒条为蒙特卡洛仿真估计参数的标准差(棒条长度越短,估计效果越好)。由图可知,所估计参数与真实参数值较为接近,但由于噪声、异常值等的影响,所估计参数与真实参数值难免会存在偏差。
当选取不同的峰值信噪比(15dB,20dB和25dB)和不同比例的异常值(5%,10%和20%),并分别进行50次蒙特卡洛仿真时,计算得到的偏差范数(bias norm,BN)‖θ-E(θ*)‖结果图如图4所示。由图4可知,随着输出数据质量的提升(即较高的峰值信噪比和较低的异常值比例),参数偏差范数变小。
为进一步说明算法的有效性,当峰值信噪比为20dB,输出数据异常值比例为10%时,交叉验证的输出估计图如图5所示,其中实线为真实输出值,虚线为高斯噪声假设下VB算法的输出估计值,点画线为拉普拉斯噪声假设下鲁棒VB算法的输出估计值。可见鲁棒算法能较好地刻画该非线性过程的动态特性。参数相对估计误差随迭代次数的变化曲线如图6所示,可见所估计的参数能在较少的迭代次数后收敛至真值。
从以上仿真结果可知,本发明所公开的一种非线性工业过程鲁棒辨识和输出估计方法,能够在避免后验概率密度高维积分(求和)、提高算法效率的同时,保证辨识算法的精度,具有一定的理论和实际工程价值。
需要注意的是,具体实施方式仅仅是对本发明技术方案的解释和说明,不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的,仍应落入本发明的保护范围内。
Claims (6)
1.一种非线性工业过程鲁棒辨识和输出估计方法,包括以下步骤:
步骤一:选取***局部模型,并基于拉普拉斯分布,建立多模型非线性***的鲁棒概率模型;
步骤二:根据变分贝叶斯框架,建立隐变量后验分布和待估计参数的迭代更新公式;
步骤三:设定步骤二中所建立的隐变量后验分布和待估计参数迭代更新公式的终止条件,当迭代终止时,记录最终的迭代结果作为估计的最优参数,进而通过局部模型插值得到模型输出值;其特征在于所述步骤一的具体步骤为:
步骤一一:选取自回归各态历经模型,即ARX模型,作为多模型***的局部模型,该局部模型的回归量中包含收集到的工业生产过程输入和输出数据;
其中,zn=[zn1,...,znk,...,znK]为二值隐变量,当znk=1时,表示第n个采样点处的第k个子模型;λ=[λ1,...,λK]为拉普拉斯分布的尺度参数,拉普拉斯分布满足
步骤一三:当辨识得到K个局部ARX模型的参数值,非线性***的全局模型由K个局部ARX模型插值得到,***输出的估计值表示为
ωnk选取为高斯核函数的形式,即
其中Tk为预先设定的工作点,Hn为可测量的调度变量的值,ok为第k个子模型的有效宽度,表示局部模型身份的二值变量zn表示为
3.根据权利要求2所述的一种非线性工业过程鲁棒辨识和输出估计方法,其特征在于所述步骤二的详细步骤为:
步骤二一:根据全概率公式,得到***鲁棒概率模型的联合概率分布;
其中,W为观测数据,视为待估计参数:o为模型有效宽度、λ为拉普拉斯分布的尺度参数;为变分下界,KL(·)为变分分布q(h)与后验分布之间的KL散度,当时,KL散度为零,Z,Θ,δ,v分别表示二值模型身份矩阵、局部模型参数矩阵、Gamma分布的超参数、拉普拉斯分布的隐变量;所述变分贝叶斯框架包含两大步骤:
步骤二三:VB E步,更新隐变量的后验概率如下:
(1)q(Z)服从多项分布:
<a>b表示a关于b的数学期望;
(2)q(θk)服从正态分布
其中
(3)q(δk)服从Gamma分布
其中,
d为局部模型的阶次,tr(·)表示矩阵的迹;
(4)q(vn)服从广义逆高斯分布
q(vn)=GIG(vn|p,a,b)
其中
根据以上分布,得各变量的期望值如下
其中最优的参数可以通过Matlab的fmincon优化函数求解得到。
6.根据权利要求3所述的一种非线性工业过程鲁棒辨识和输出估计方法,其特征在于所述优化算法为拉格朗日乘子法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911053823.XA CN110826021B (zh) | 2019-10-31 | 2019-10-31 | 一种非线性工业过程鲁棒辨识和输出估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911053823.XA CN110826021B (zh) | 2019-10-31 | 2019-10-31 | 一种非线性工业过程鲁棒辨识和输出估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110826021A CN110826021A (zh) | 2020-02-21 |
CN110826021B true CN110826021B (zh) | 2021-03-12 |
Family
ID=69551831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911053823.XA Active CN110826021B (zh) | 2019-10-31 | 2019-10-31 | 一种非线性工业过程鲁棒辨识和输出估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110826021B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111665725B (zh) * | 2020-06-24 | 2021-06-08 | 哈尔滨工业大学 | 量测数据随机缺失的机电定位***鲁棒参数辨识方法 |
CN111737883B (zh) * | 2020-07-30 | 2021-08-13 | 哈尔滨工业大学 | 一种具有输出时滞的非线性双率电路***鲁棒辨识方法 |
CN112234612B (zh) * | 2020-09-30 | 2023-08-18 | 云南电网有限责任公司 | 一种计及随机扰动幅度的电力***概率稳定分析方法 |
CN114598611B (zh) * | 2022-02-16 | 2023-04-11 | 北京科技大学 | 面向二集值fir***事件驱动辨识的输入设计方法及*** |
CN115186715B (zh) * | 2022-07-20 | 2023-07-28 | 哈尔滨工业大学 | 一种基于状态空间模型的机电定位***贝叶斯辨识方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021829A (zh) * | 2016-07-19 | 2016-10-12 | 中南大学 | 一种基于rbf-arx模型稳定参数估计的非线性***建模方法 |
CN108628275A (zh) * | 2018-07-04 | 2018-10-09 | 杭州电子科技大学 | 一种化工工业过程模糊约束控制方法 |
CN108681317A (zh) * | 2018-07-11 | 2018-10-19 | 杭州电子科技大学 | 一种化工工业过程鲁棒学习控制方法 |
CN109033524A (zh) * | 2018-06-27 | 2018-12-18 | 浙江大学 | 一种基于鲁棒混合模型的化工过程浓度变量在线估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5988419B2 (ja) * | 2012-01-11 | 2016-09-07 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 予測方法、予測システムおよびプログラム |
-
2019
- 2019-10-31 CN CN201911053823.XA patent/CN110826021B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021829A (zh) * | 2016-07-19 | 2016-10-12 | 中南大学 | 一种基于rbf-arx模型稳定参数估计的非线性***建模方法 |
CN109033524A (zh) * | 2018-06-27 | 2018-12-18 | 浙江大学 | 一种基于鲁棒混合模型的化工过程浓度变量在线估计方法 |
CN108628275A (zh) * | 2018-07-04 | 2018-10-09 | 杭州电子科技大学 | 一种化工工业过程模糊约束控制方法 |
CN108681317A (zh) * | 2018-07-11 | 2018-10-19 | 杭州电子科技大学 | 一种化工工业过程鲁棒学习控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110826021A (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826021B (zh) | 一种非线性工业过程鲁棒辨识和输出估计方法 | |
CN111178385B (zh) | 一种鲁棒在线多传感器融合的目标跟踪方法 | |
CN112418051B (zh) | 一种用于非线性动态***非高斯噪声下的状态估计方法 | |
CN112115419B (zh) | ***状态估计方法、***状态估计装置 | |
CN109827579B (zh) | 一种组合定位中滤波模型实时校正的方法和*** | |
CN113553755B (zh) | 电力***状态估计方法、装置及设备 | |
CN112737463A (zh) | 一种永磁直线同步电机的多目标优化方法及装置 | |
CN111798494B (zh) | 广义相关熵准则下的机动目标鲁棒跟踪方法 | |
CN114567288B (zh) | 基于变分贝叶斯的分布协同非线性***状态估计方法 | |
CN110398942B (zh) | 一种用于工业生产过程控制的参数辨识方法 | |
CN112287605A (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
Ao et al. | Entropy estimation via normalizing flow | |
Mohd Lip et al. | Comparative study of smoothing methods and box-jenkins model in forecasting unemployment rate in Malaysia | |
Telen et al. | Uncertainty in optimal experiment design: comparing an online versus offline approaches | |
CN111160464B (zh) | 基于多隐层加权动态模型的工业高阶动态过程软测量方法 | |
CN110826184B (zh) | 一种在时变时滞下narx模型结构和参数的变分贝叶斯辨识方法 | |
Lai et al. | Adaptive multinoulli-based Kalman filter with randomly unknown delayed and lost measurements | |
CN106936628B (zh) | 一种计及传感器故障的分数阶网络***状态估计方法 | |
Singh et al. | Cubature and quadrature based continuous-discrete filters for maneuvering target tracking | |
Zhou et al. | High-order moment UKF for Markov jump nonlinear systems | |
Pillonetto | Identification of time-varying systems in reproducing kernel hilbert spaces | |
Lai et al. | Data driven optimal control for stochastic systems with non-Gaussian disturbances | |
CN115859030B (zh) | 一种复杂耦合下的两步状态估计方法 | |
CN113985900B (zh) | 一种四旋翼无人机姿态动态特性模型、辨识方法及自适应柔化预测控制方法 | |
Glushankov et al. | Methods to Improve the Accuracy of State Estimation in Nonlinear Kalman Filter in Case of a Priori Uncertainty |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Yang Xianqiang Inventor after: Liu Xinpeng Inventor after: Gao Huijun Inventor before: Liu Xinpeng Inventor before: Yang Xianqiang |
|
GR01 | Patent grant | ||
GR01 | Patent grant |